信道估计方法、系统及电子设备技术方案

本发明专利技术提供一种信道估计方法、系统及电子设备，属于通信技术领域，获取信道初始解；利用预先训练好的信道去噪器对信道初始解进行去噪，将去噪后的信道初始解进行闭式解求解；其中，通过信道仿真生成器生成对应真实信道并进行加噪生成对应信道数据集，利用信道数据集中具有不同噪声的信道数据样本进行神经网络模型的训练，得到训练好的信道去噪器。本发明专利技术一个迭代步通过深度神经网络实现的信道去噪器来实现，神经网络本身仅承担去噪功能，单个神经网络可以处理不同的任务；在不同任务中，信道去噪器同样可使用同一个；可针对性地调整迭代次数以平衡计算复杂度与信道估计性能，提高了部署的灵活度。了部署的灵活度。了部署的灵活度。

【技术实现步骤摘要】
信道估计方法、系统及电子设备


[0001]本专利技术涉及通信
，具体涉及一种基于深度学习的即插即用式信道估计方法、系统及电子设备。

技术介绍

[0002]大规模多数入多输出(Massive multiple
‑
input multiple
‑
output,Massive MIMO)技术作为第五代移动通信系统(fifth
‑
generation,5G)的核心关键技术，通过大幅度地增加天线的数量，来提升波束赋性增益并降低用户间干扰，进而大幅度提升系统性能。然而Massive MIMO技术作为一把双刃剑，带来系统性能增益的同时，在系统设计中也带来了各种挑战，如信道估计方法、CSI压缩反馈方法等。面向复杂多变的部署环境，Massive MIMO系统的设计需要在有限的开销、接收复杂度和信道反馈限制下尽可能地提升频谱效率，在这种背景下，传统信道估计方法无法再适用。
[0003]基于深度学习的Massive MIMO系统信道估计方法是解决该问题的一个方向。深度学习技术利用了深度神经网络的非线本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信道估计方法，其特征在于，包括：获取信道初始解；利用预先训练好的信道去噪器对信道初始解进行去噪，将去噪后的信道初始解进行闭式解求解；其中，通过信道仿真生成器生成对应真实信道并进行加噪生成对应信道数据集，利用信道数据集中具有不同噪声的信道数据样本进行神经网络模型的训练，得到训练好的信道去噪器。2.根据权利要求1所述的信道估计方法，其特征在于，考虑下行空频域信道的估计，表示具有N
t
根天线和N
C
个子载波的信道响应；与分别表示在个天线和个子载波中的导频符号和对应于导频符号位置的信道响应，则：其中表示导频模式的下采样运算符，则导频位置的接收信号为：其中代表加性高斯白噪声，给定已知的导频符号X，接收信号Y，下采样运算符D，则联合的信道插值与估计问题为：其中，表示包含先验信息的正则化器，λ是控制正则化器影响的正惩罚参数。3.根据权利要求2所述的信道估计方法，其特征在于，对于下行信道估计，求得导频位置的信道初始解，再根据特定的下采样运算符对导频位置的信道初始解进行插值得到迭代的信道初始解；将迭代的信道初始解代入信道去噪器实现信道去噪，再将去噪后结果代入实现闭式解求解，其中，i,j代表对应信道矩阵的位置，式中非导频位置的X
ij
与Y
ij
值为0；通过控制迭代次数可实现计算复杂度与信道估计性能之间的权衡，当达到预设性能时，跳出迭代。4.根据权利要求2所述的信道估计方法，其特征在于，对于考虑下行空频域信道天线外推问题，基站有N
t
根天线，用户单天线，通过不同天线选择方案选择根天线用于信道外推，采样率使用表示，使用N
c
个子载波，表示全部下行天线信道，表示部分下行天线信道，则：其中表示不同的天线选择方案；天线外推问题即通过部分下行天线信道来获取全部下行天线信道则：5....

【专利技术属性】
技术研发人员：陈为，万伟潇，艾渤，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：