基于剪枝卷积神经网络的毫米波和太赫兹信道估计方法技术

一种基于剪枝卷积神经网络的毫米波和太赫兹信道估计方法，在离线阶段利用近似消息传递压缩感知算法(AMP)处理信道数据，得到初始的信道预测，再将其输入卷积神经网络(DCNN)进行训练；再对训练后的卷积神经网络进行剪枝操作后保留网络参数不变的前提下，将初始的信道预测输入神经网络的同时，以真实的信道作为标签重新训练；在在线阶段采用训练后的卷积神经网络进行毫米波和太赫兹信道估计。本发明专利技术通过基于剪枝卷积神经网络的信道估计算法，使用剪枝算法删除卷积神经网络中冗余的连接，极大压缩神经网络的规模，提高信道估计的效率，同时保证信道估计的高精度。保证信道估计的高精度。保证信道估计的高精度。

【技术实现步骤摘要】
基于剪枝卷积神经网络的毫米波和太赫兹信道估计方法


[0001]本专利技术涉及的是一种无线通信领域的技术，具体是一种基于剪枝卷积神经网络的毫米波和太赫兹信道估计方法。

技术介绍

[0002]现有改进型信道估计方法基于深度学习技术实现，包括模型驱动和数据驱动。模型驱动的方法根据模型来构建深度神经网络，通常是用神经网络来模拟传统算法的迭代过程。深度学习网络只需要学习迭代算法所需的参数，来实现快速高效的信道估计。但是，这类方法受到所模拟的传统算法的性能限制。作为对比，数据驱动的方法从大量的信道传输数据中训练出用于信道估计的深度神经网络，不受传统算法的限制，可以实现很高的信道估计精度。但是，在不断趋近信道估计的最佳性能的同时，神经网络的规模也在极速增大，会导致非常高的计算复杂度，带来低效率和不适用于实际部署的问题。

技术实现思路

[0003]本专利技术针对现有基于深度卷积神经网络的太赫兹超大规模信道估计方法所采用的深度卷积神经网络规模非常大，结构冗余，存在着低效率和不适用于实际部署的问题，提出一种基于剪枝卷积神经网络的毫米波和太赫兹信道估计方法，通过基于剪枝卷积神经网络的信道估计算法，使用剪枝算法删除卷积神经网络中冗余的连接，极大压缩神经网络的规模，提高信道估计的效率，同时保证信道估计的高精度。
[0004]本专利技术是通过以下技术方案实现的：
[0005]本专利技术涉及一种基于剪枝卷积神经网络的毫米波和太赫兹信道估计方法，在离线阶段利用近似消息传递压缩感知算法(AMP)处理信道数据，得到初始的信道预测，再将其输入卷积神经网络(DCNN)进行训练；再对训练后的卷积神经网络进行剪枝操作后保留网络参数不变的前提下，将初始的信道预测输入神经网络的同时，以真实的信道作为标签重新训练；在在线阶段采用训练后的卷积神经网络进行毫米波和太赫兹信道估计。技术效果
[0006]本专利技术通过将近似消息传递压缩感知算法和卷积神经网络相结合，同时使用剪枝算法删除深度卷积网络中多余的卷积核和特征图，与现有技术相比，本专利技术能够在保证信道预测精度的情况下，节省神经网络的计算和存储开销，解决神经网络规模非常大，结构冗余，存在着低效率和不适用于实际部署的问题。
附图说明
[0007]图1为超大规模多输入多输出(MIMO)系统的示意图；
[0008]图2为根据近似消息传递压缩感知算法和卷积神经网络估计出信道矩阵的过程示意图；
[0009]图3为对卷积神经网络进行剪枝和重新训练的过程示意图；
[0010]图4为设计的AMP
‑
DCNN信道估计方法的精确度和传统方法的对比示意图；
[0011]图5为剪枝不同比例后信道估计的精度比较示意图；
[0012]图6为剪枝不同比例后神经网络的参数数目示意图。
具体实施方式
[0013]本实施例涉及一种基于剪枝卷积神经网络的毫米波和太赫兹超大规模信道估计方法，包括：
[0014]步骤1、根据如图1所示的超大规模MIMO系统建立信道估计问题模型，在发射端传输导频(pilot)信号x[k]＝F
RF
F
BB
s[k]，基于导频信号在接收端已知，从接收端信号s[k]，基于导频信号在接收端已知，从接收端信号恢复出信道矩阵H[k]；进一步基于导频信号和天线预编码和合并矩阵均已知，根据信道的稀疏性H[k]＝A
R
h[k]A
T
，从而当传输多个导频信号时，在信道相干时间内汇集多个接收信号结果，得到接收信号Y[k]＝φH[k]+N[k]，其中：k为不同子载波，s[k]为传输的数据，F
RF
和F
BB
分别为预编码的过程的模拟和数字波束赋形矩阵；W
RF
和W
BB
分别为模拟和数字合并矩阵，n[k]表示接收到的噪音；h[k]为一个稀疏矩阵，A
R
和A
T
分别是和信道多径接收角和发射角有关的系数矩阵；观测矩阵φ包括：导频信号和天线预编码和合并的矩阵信息。
[0015]步骤2，如图2所示，根据步骤1得到的接收信号Y[k]和测量矩阵φ，采用近似消息传递压缩感知算法得到初步估计信道作为训练集，输入卷积神经网络并得到信道估计输出
[0016]所述的近似消息传递压缩感知算法，具体包括：
[0017]2.1设定初始值：t＝0，h0＝0，r
‑1＝0，b0＝0，c0＝0，M，N为矩阵φ的行数和列数，λ为事先设置的参数。
[0018]2.2计算残差项：其中：b
t
r
t
‑1和为昂萨格修正项(Onsager Correction term)，用于加快收敛速度。
[0019]2.3计算预测值：方差其中：η
st
为设置阈值的函数，将小于阈值λσ
t
的项置为0。
[0020]2.4更新参数：
[0021]2.5重复步骤2.2
‑
步骤2.4十次，得到预测结果h
T
，恢复出原有的矩阵
[0022]所述的卷积神经网络包含12个卷积层，卷积核数目除最后一个卷积层为2外其余均为64，卷积层之间均有激活函数和标准化层相连。该卷积神经网络将输入的作为一个2维的图片，2个维度分别代表数据的实部和虚部，输出的和维度相同。
[0023]所述的卷积层中均包含ReLU激活函数以增强神经网络的非线性表达能力。
[0024]所述的卷积神经网络，其训练时采用的损失函数为其中：MSE为均方差，λ为正则化的系数，γ为标准化层的比例系数。
[0025]所述的标准化层的比例系数一定程度上衡量和该系数相连的卷积神经特征图的
重要性。将γ作为正则化项，训练过程中会尽量减小该值，从而使得冗余特征图对应的比例系数趋近于0。
[0026]所述的卷积神经网络，其训练时采用的衡量信道恢复精度的指标为归一化均方差其中：H为真实的信道矩阵，为通过AMP
‑
DCNN预测方法得到的信道矩阵，所采取的范数为弗罗贝尼乌斯范数(Frobenius Norm)，Norm)，
[0027]所述的卷积神经网络，其训练时采用Adam优化器，学习率为0.001，λ为0.0001，数据集有6000条数据，10％为测试集，90％为训练集。
[0028]步骤3、如图2所示，对步骤2训练后的卷积神经网络进行剪枝操作，以得到轻量优化信道估计网络，以显著减少所需的内存和运算资源，具体包括：确定待剪除比例p以及标准化层的比例系数阈值，剪枝过程中，删去卷积神经网络的特征图连接的比例系数小于标准化层的比例系数阈值。
[0029]所述的待剪除比例是指：小于标准化层的比例系数阈值的数目占的比例为p。
[0030]步骤4、对剪枝后的卷积神经网络在步骤2得到的数据集上以真实的信道作为标签进行重新训练，最终得到轻量级的神经网络(PRINCE)，进而在在线本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于剪枝卷积神经网络的毫米波和太赫兹信道估计方法，其特征在于，在离线阶段利用近似消息传递压缩感知算法(AMP)处理信道数据，得到初始的信道预测，再将其输入卷积神经网络(DCNN)进行训练；再对训练后的卷积神经网络进行剪枝操作后保留网络参数不变的前提下，将初始的信道预测输入神经网络的同时，以真实的信道作为标签重新训练；在在线阶段采用训练后的卷积神经网络进行毫米波和太赫兹信道估计。2.根据权利要求1所述的基于剪枝卷积神经网络的毫米波和太赫兹信道估计方法，其特征是，所述的初始的信道预测，通过以下方式得到：步骤1、根据超大规模MIMO系统建立信道估计问题模型，在发射端传输导频(pilot)信号x[k]＝F
RF
F
BB
s[k]，基于导频信号在接收端已知，从接收端信号s[k]，基于导频信号在接收端已知，从接收端信号恢复出信道矩阵H[k]；进一步基于导频信号和天线预编码和合并矩阵均已知，根据信道的稀疏性H[k]＝A
R
h[k]A
T
，从而当传输多个导频信号时，在信道相干时间内汇集多个接收信号结果，得到接收信号Y[k]＝φH[k]+N[k]，其中：k为不同子载波，s[k]为传输的数据，F
RF
和F
BB
分别为预编码的过程的模拟和数字波束赋形矩阵；W
RF
和W
BB
分别为模拟和数字合并矩阵，n[k]表示接收到的噪音；h[k]为一个稀疏矩阵，A
R
和A
T
分别是和信道多径接收角和发射角有关的系数矩阵；观测矩阵φ包括：导频信号和天线预编码和合并的矩阵信息；步骤2，根据步骤1得到的接收信号Y[k]和测量矩阵φ，采用近似消息传递压缩感知算法得到初步估计信道作为训练集；所述的近似消息传递压缩感知算法，具体包括：2.1设定初始值：t＝0，h0＝0，r
‑1＝0，b0＝0，c0＝0，M，N为矩阵φ的行数和列数，λ为事先设置的参数；2.2计算残差项：其中：b<...

【专利技术属性】
技术研发人员：韩充，胡正东，陈宇航，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：