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性处理能力，成功地解决了一系列以前难以处理的问题，在图像识别、语音处理、自然语音处理、游戏等领域甚至表现出强于人类的性能，因此近年来受到了越来越多的学者关注。深度神经网络不但能通过隐藏层来识别和提取和隐含的特征，还能够以任意精度拟合任意复杂的函数。针对深度神经网络专业芯片的不断改进，也使得深度学习算法计算变得越来越简单快速。因此近些年来有很多的工作尝试通过人工智能的算法来进行信道状态信息的估计，一般被分为两类：数据驱动(data
‑
driven)的算法和模型驱动(model
‑
driven)的算法。
[0004]在数据驱动中，有基于一个OFDM系统，将OFDM的解调和无线信道都视为黑盒，考虑如何直接从接收到的数据恢复原始的传输数据，其中包括了解调以及信道估计的过程，将接收到的信号和原始的传输数据作为训练数据，神经网络的输入是接收到的数据，训练的目标是最小化神经网络的输出和原始传输数据的距离。将自编码器应用于OFDM中，将QPSK的调制、解调建模成了一个四分类问题，实现了一个端到端的通信系统，自编码器对估计、反馈、编码和解码过程进行全局优化，以达到最大化吞吐量和最小化误比特率的目的。Shi Jin等人提出了ComNet。使用DNN+LSTM的网络结构代替原本的全连接FC
‑
DNN网络，两层的DNN网络进行简单的LS信道估计，LSTM负责信号检测，端到端的恢复出原始符号，这种设计便可以针对两个模块做单独优化，且网络参数大幅缩减，收敛速度进一步加快。针对OFDM信道估计，将信道传输矩阵建模为一个二维的图片，使用CNN和去噪网络来进一步处理，实现了CSI的高精度重载，这种将通信物理层问题转化，并采用计算机视觉领域的算法来解决问题的思路十分新颖，相比于传统的算法来说，训练好的神经网络用来进行信道估计具有较快的速度和较低的计算代价，同时能够保证较高的准确率。但是这些方法都存在的一个问题就是对训练数据的要求，需要大量的训练数据来离线地训练网络，这就限制了将这些算法运用在实际的通信系统中。
[0005]另一类模型驱动的算法，这种算法的特点是会根据模型来应用神经网络，或是算
法来设计神经网络的结构，他们最重要的是没有完全地抛弃传统方法的对应的模块，而是有选择地应用在新的算法中。根据接收到的信号来估计波束域的信道向量，解决了在大规模MIMO系统中，当接收端的射频(radio frequency,RF)链路很少时对信道估计问题产生的限制，考虑了一个毫米波接收端，基于波束域的信道矩阵可以知道这个信道向量不是独立的，即对应的信道矩阵是稀疏的，考虑从接收到的信号来估计信道矩阵。还有一种从压缩图像恢复的角度收到了启发，设计了可学习去噪近似信息传递网络(learned denosing
‑
based approximate message passing network,LDAMP)。这个网络由L层层叠连接构成，每一层的结构都相同。每一层包括相同的降噪器，一个散度估计器和权重。降噪器是有去噪卷积神经网络(denoising neural network,DnCNN)来实现的，主要用于去更新估计的信道向量。值得注意的是，这个网络的输入是加噪的信道，输出是一个残差噪声，而不是估计的信道H，这个方法是残差学习的方法，能够让网络移除有很强结构性的网络，而不是没有结构的噪声，最终这个残差的学习可以提高训练的时间和网络的准确率。该算法的优势在于很好地将神经网络与迭代信号恢复的算法相结合，从而表现出了很好的效果，同时，实验结果证明了即使是在RF链路很少的情况下，其仍然可以有很好地表现。这些结果很好的证明了模型驱动的算法的有效性与鲁棒性。这种模型驱动的算法具有显著优势。首先可以很好地降低训练的数据量和训练所需的时间。其次通过这种更加特殊的神经网络设计，使得整个算法具有很好的可解释性。相比于单纯应用DNN和CNN来说，可以更好地理解网络的内部结构。其缺点是需要已有较好的传统算法来借鉴，同时网络的设计较为困难。
[0006]综上，现阶段的深度学习方法只关注于基础性能，没有考虑到所提出的深度学习方案的具体部署、内存需求是否合理，深度学习方案的泛化能力是否满足需求。不管是上述提及的数据驱动还是模型驱动的基于深度学习的信道估计方案，它们的端到端设计，限制了方案对不同场景的适应性，比如当用户使用不同的导频方案时，基站还是需要为不同用户训练并下发对应的不同网络模型，当用户数量过多时，这个代价是极大的，难以实际部署。

技术实现思路

[0007]本专利技术的目的在于提供一种提升了深度学习模型的泛化性能并进而降低对深度学习模型部署难度的即插即用式信道估计方法、系统及电子设备，以解决上述
技术介绍
中存在的至少一项技术问题。
[0008]为了实现上述目的，本专利技术采取了如下技术方案：
[0009]一方面，本专利技术提供一种信道估计方法，包括：
[0010]获取信道初始解；
[0011]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。
[0012]优选的，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：
[0013][0014]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。
[0015]优选的，对于下行信道估本文档来自技高网...

【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：