一种基于深度神经网络的信道估计方法技术

本发明专利技术涉及无线通信技术领域，公开了一种基于深度神经网络的信道估计方法，适用于上行和下行的信道估计，包括：根据接收到的导频信息，采用LS进行信道估计，使用信道估计的结果进行自适应RS密度的计算；构建深度神经网络，并生成训练数据，以采用所述训练数据进行离线的深度神经网络训练；在完成所述深度神经网络训练后，固定网络参数，并将LS估计的信道矩阵插值后输入所述深度神经网络，得到估计的信道；采用估计的信道进行均衡及解调，得到比特信息。本发明专利技术提供的基于深度神经网络的信道估计方法，能够有效减少噪声和干扰带来的影响，提升信道估计的准确度，同时可以根据估计的信道条件，实时的自适应调整RS密度，进一步提升系统的吞吐量。系统的吞吐量。系统的吞吐量。

【技术实现步骤摘要】
一种基于深度神经网络的信道估计方法


[0001]本专利技术涉及无线通信
，特别涉及一种基于深度神经网络的信道估计方法。

技术介绍

[0002]对于现代的通信技术，信道估计是无线通信系统的关键步骤。现有的通信系统，信道估计的方法包括LS(Least
‑
Square，最小二乘)算法，MMSE(Minimum Mean Square Error，最小均方误差)算法等。
[0003]LS信道估计算法的基本原理就是使实际接收数据和估计接收数据之差的平方和达到最小。在实际通信系统中，因为噪声的存在，会导致LS信道估计出来的信道矩阵与实际的信道矩阵存在一定误差，且误差随着信噪比的降低而增高，LS信道估计不适用于信噪比较低的场景中，因此引入了另一种信道估计算法——MMSE估计。MMSE估计算法是基于最小均方误差准则，以信道估计值和真实值误差最小化为最优目标，可以在一定程度上缓解噪声带来的估计误差。
[0004]现有的信道估计流程，根据高层配置，BS(base station，基站)和UE(user equipment，用户终端)都可以计算出RS(reference signal，参考信号)所在的时频资源位置。根据现有的协议标准和技术方案，RS可选择的式样较少，且无法根据信道的情况做出自适应调整。在信道条件较好的情况下，可以将部分RS位置的时频资源用来发送数据业务，但现有的协议标准暂不支持。

技术实现思路

[0005]本专利技术提供了一种基于深度神经网络的信道估计方法，能够有效减少噪声和干扰带来的影响，提升信道估计的准确度，同时可以根据估计的信道条件，实时的自适应调整RS密度，进一步提升系统的吞吐量。
[0006]本专利技术提供了一种基于深度神经网络的信道估计方法，适用于上行和下行的信道估计，包括：
[0007]S1、根据接收到的导频信息，采用LS进行信道估计，使用信道估计的结果进行自适应RS密度的计算，以及进行自适应RS密度的调整；其中，LS为最小二乘算法；
[0008]S2、构建深度神经网络，并生成训练数据，以采用所述训练数据进行离线的深度神经网络训练；
[0009]S3、在完成所述深度神经网络训练后，固定网络参数，并将LS估计的信道矩阵插值后输入所述深度神经网络，得到估计的信道；
[0010]S4、采用估计的信道进行均衡及解调，得到比特信息。
[0011]进一步地，当进行下行信道估计且发射天线数和接收天线数都不为1时，所述步骤S1、根据接收到的导频信息，采用LS进行信道估计，使用信道估计的结果进行自适应RS密度的计算，以及进行自适应RS密度的调整，包括：
[0012]S101、UE接收到信号后，根据配置，计算出RS相关信息；使用LS算法进行初步的信道估计，得到所有RS所在时频资源位置的信道矩阵H＝{h1,h2,...,h
n
}；其中，n表示RS所占用的时频资源的个数；
[0013]S102、从h1开始，顺次计算其与h2到h
n
的GCS，去除大于设定阈值h，直到第一次出现GCS小于设定阈值的h，记为h
a
；h
a
之后的信道不再继续计算与h1的GCS；其中，GCS为广义余弦相似度；
[0014]S103、从h
a
开始，顺次计算其与h
a+1
到h
n
的GCS，去除大于设定阈值h，直到第一次出现GCS小于设定阈值的h，记为h
a
'；
[0015]S104、将步骤S103中的h
a
替换为h
a
'，重复该步骤，直至遍历完所有的h，得到初步保留的时频资源位置；
[0016]S105、设定空口反馈机制，根据保留时频资源位置的稀疏关系，UE反馈时频资源位置；
[0017]S106、对步骤S104中得到的初步需要保留的位置，根据步骤S105设定的反馈机制确定最终需要保留的RS位置，UE将需要保留的时频资源位置上报给BS；
[0018]S107、BS收到同一个UE连续K次上报相同的RS位置，则按照上报的信息调整发送RS的位置。
[0019]进一步地，当进行上行信道估计且发射天线数和接收天线数都不为1时，所述步骤S1、根据接收到的导频信息，采用LS进行信道估计，使用信道估计的结果进行自适应RS密度的计算，以及进行自适应RS密度的调整，包括：
[0020]S1001、BS接收到信号后，根据配置，计算出RS相关信息；使用LS算法进行初步的信道估计，得到所有RS所在时频资源位置的信道矩阵H＝{h1,h2,...,h
n
}；其中，n表示RS所占用的时频资源的个数；
[0021]S1002、从h1开始，顺次计算其与h2到h
n
的GCS，去除大于设定阈值h，直到第一次出现GCS小于设定阈值的h，记为h
a
；h
a
之后的信道不再继续计算与h1的GCS；其中，GCS为广义余弦相似度；
[0022]S1003、从h
a
开始，顺次计算其与h
a+1
到h
n
的GCS，去除大于设定阈值h，直到第一次出现GCS小于设定阈值的h，记为h
a
'；
[0023]S1004、将步骤S1003中的h
a
替换为h
a
'，重复该步骤，直至遍历完所有的h，得到初步保留的时频资源位置；
[0024]S1005、设定空口反馈机制，根据保留时频资源位置的稀疏关系确定BS下发时频资源位置；
[0025]S1006、对步骤S1004中得到的初步需要保留的位置，根据步骤S1005设定的反馈机制确定最终需要保留的RS位置；
[0026]S1007、对步骤S1006中最终保留结果，当BS连续K次得到相同的RS位置，则按照该RS位置进行调整，并且将信息下发给UE。
[0027]进一步地，当进行下行信道估计且发射天线数和接收天线数都为1时，所述步骤S1、根据接收到的导频信息，采用LS进行信道估计，使用信道估计的结果进行自适应RS密度的计算，以及进行自适应RS密度的调整，包括：
[0028]S10001、UE接收到信号后，根据配置，计算出RS相关信息；使用LS算法进行初步的
信道估计，得到所有RS所在时频资源位置的信道矩阵H＝{h1,h2,...,h
n
}；其中，n表示RS所占用的时频资源的个数；
[0029]S10002、从h1开始，顺次计算其与h2到h
n
的NMSE，去除小于设定阈值h，直到第一次出现GCS大于设定阈值的h，记为h
a
；h
a
之后的信道不再继续计算与h1的NMSE；其中，NMSE为归一化均方误差；
[0030]S10003、从h
a
开始，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的信道估计方法，其特征在于，适用于上行和下行的信道估计，包括：S1、根据接收到的导频信息，采用LS进行信道估计，使用信道估计的结果进行自适应RS密度的计算，以及进行自适应RS密度的调整；其中，LS为最小二乘算法；S2、构建深度神经网络，并生成训练数据，以采用所述训练数据进行离线的深度神经网络训练；S3、在完成所述深度神经网络训练后，固定网络参数，并将LS估计的信道矩阵插值后输入所述深度神经网络，得到估计的信道；S4、采用估计的信道进行均衡及解调，得到比特信息。2.根据权利要求1所述的基于深度神经网络的信道估计方法，其特征在于，当进行下行信道估计且发射天线数和接收天线数都不为1时，所述步骤S1、根据接收到的导频信息，采用LS进行信道估计，使用信道估计的结果进行自适应RS密度的计算，以及进行自适应RS密度的调整，包括：S101、UE接收到信号后，根据配置，计算出RS相关信息；使用LS算法进行初步的信道估计，得到所有RS所在时频资源位置的信道矩阵H＝{h1，h2，...，h
n
}；其中，n表示RS所占用的时频资源的个数；S102、从h1开始，顺次计算其与h2到h
n
的GCS，去除大于设定阈值h，直到第一次出现GCS小于设定阈值的h，记为h
a
；h
a
之后的信道不再继续计算与h1的GCS；其中，GCS为广义余弦相似度；S103、从h
a
开始，顺次计算其与h
a+1
到h
n
的GCS，去除大于设定阈值h，直到第一次出现GCS小于设定阈值的h，记为h
a
′
；S104、将步骤S103中的h
a
替换为h
a
′
，重复该步骤，直至遍历完所有的h，得到初步保留的时频资源位置；S105、设定空口反馈机制，根据保留时频资源位置的稀疏关系，UE反馈时频资源位置；S106、对步骤S104中得到的初步需要保留的位置，根据步骤S105设定的反馈机制确定最终需要保留的RS位置，UE将需要保留的时频资源位置上报给BS；S107、BS收到同一个UE连续K次上报相同的RS位置，则按照上报的信息调整发送RS的位置。3.根据权利要求1所述的基于深度神经网络的信道估计方法，其特征在于，当进行上行信道估计且发射天线数和接收天线数都不为1时，所述步骤S1、根据接收到的导频信息，采用LS进行信道估计，使用信道估计的结果进行自适应RS密度的计算，以及进行自适应RS密度的调整，包括：S1001、BS接收到信号后，根据配置，计算出RS相关信息；使用LS算法进行初步的信道估计，得到所有RS所在时频资源位置的信道矩阵H＝{h1，h2，...，h
n
}；其中，n表示RS所占用的时频资源的个数；S1002、从h1开始，顺次计算其与h2到h
n
的GCS，去除大于设定阈值h，直到第一次出现GCS小于设定阈值的h，记为h
a
；h
a
之后的信道不再继续计算与h1的GCS；其中，GCS为广义余弦相似度；S1003、从h
a
开始，顺次计算其与h
a+1
到h
n
的GCS，去除大于设定阈值h，直到第一次出现
GCS小于设定阈值的h，记为h
a
′
；S1004、将步骤S1003中的h
a
替换为h
a
′
，重复该步骤，直至遍历完所有的h，得到初步保留的时频资源位置；S1005、设定空口反馈机制，根据保留时频资源位置的稀疏关系确定BS下发时频资源位置；S1006、对步骤S1004中得到的初步需要保留的位置，根据步骤S1005设定的反馈机制确定最终需要保留的RS位置；S1007、对步骤S1006中最终保留结果，当BS连续K次得到相同的RS位置，则按照该RS位置进行调整，并且将信息下发给UE。4.根据权利要求1所述的基于深度神经网络的信道估计方法，其特征在于，当进行下行信道估计且发射天线数和接收天线数都为1时，所述步骤S1、根据接收到的导频信息，采用LS进行信道估计，使用信道估计的结果进行自适应RS密度的计算，以及进行自适应RS密度的调整，包括：S10001、UE接收到信号后，根据配置，计算出RS相关信息；使用LS算法进行初步的信道估计，得到所有RS所在时频资源位置的信道矩阵H＝{h1，h2，...，h
n
}；其中，n表示RS所占用的时频资源的个数；S10002、从h1开始，顺次计算其与h2到h
n
的NMSE，去除小于设定阈值h，直到第一次出现GCS大于设定阈值的h，记为h
a
；h
a
之后的信道不再继续计算与h1的NMSE；其中，NMSE为归一化均方误差；S10003、从h
a
开始，顺次计算其与h
a+1
到h
n
的NMSE，去除小于设定阈值h，直到第一次出现NMSE大于设定阈值的h，记为h
a
′
；S10004、将步骤S10003中的h
a
替换为h
a
′
，重复该步骤，直至遍历完...

【专利技术属性】
技术研发人员：赵春林，张玉婷，段敏霞，陈阳，
申请(专利权)人：成都图迅科技有限公司，
类型：发明
国别省市：