【技术实现步骤摘要】
本专利技术涉及大规模mimo对流层散射通信领域，特别是指一种基于图像去噪的大规模mimo散射信道估计方法，适用于各种需要计算复杂度低、信道估计精度高的大规模mimo对流层散射通信场景。
技术介绍
1、在通信领域中，大规模mimo技术导致信道矩阵过于庞大，使得传统算法性能恶化。因此，许多学者及研究团队开始尝试将人工智能在图像处理领域中的技术用在信道估计领域中。首先，将接收信号视作一张灰度图片，图片中的高斯白噪声相当于信号经过awgn信道后所受到白噪声。其次，生成大量带有标签的灰度图片数据集，设定损失函数后训练图像去噪网络。最终，通过训练好的图像去噪网络对接收信号进行实时去噪并提取信道矩阵。
2、随着深度学习的发展，诸多图像去噪网络(如dncnn、ldamp、ffdnet、fcdamp、ffdamp和tnlnet)应运而生，其中ffdnet训练速度快且估计准确度较高获得了比较广泛的关注。ffdnet的独特之处在于将输入图像分割为子图像进行去噪，并将去噪后的子图像拼接后输出。这一处理方法在几乎不损失精度的前提下加快了训练速度，经过其他研究团队的验证，该方法在去除图片高斯类噪声的非常有效。
3、在信道估计领域，ffdnet的估计效果也得到了许多学者的验证，其具有优于传统信道估计算法的准确度和比较低的计算复杂度。但是，对于多径效应明显的散射信道，ffdnet用于信道估计效果较差。这是因为ffdnet用于处理含有高斯噪声的自然图像，而接收导频信号转换后的灰度图像噪声特征并不明显，这与ffdnet的处理对象有较大的差距
技术实现思路
1、本专利技术所要解决的技术问题在于避免上述背景中的不足之处，提供一种基于图像去噪的大规模mimo散射信道估计方法。该方法可在降低计算复杂度的前提下提高小信噪比范围内的估计精度，具备训练速度快、移植性好、可热插拔、适用范围广的特点，可适用于各种相关性下的大规模mimo对流层散射通信系统。
2、为了实现上述目的，本专利技术采用的技术方案为：
3、一种基于图像去噪的大规模mimo散射信道估计方法，包括以下步骤：
4、(1)使用大规模mimo散射信道模型获得天线阵列不同相关性下的信道矩阵hn，使用ls信道估计方法获得信道矩阵的粗略估计值
5、步骤1的具体方式为：
6、(101)对于收发端天线阵元数目分别为nt、nr的大规模mimo对流层散射通信系统，在频域上采用抽头延迟线模型生成不含空间相关性的多径信道矩阵hiid：
7、
8、其中，hi表示第i径的信道矩阵，τi为第i径的时延，pi为第i径的功率，nd为最大径数，f为载波频率；
9、(102)使用大规模mimo散射信道模型获得天线阵列不同相关性下的信道矩阵hn：
10、
11、其中，rtx、rrx分别为发送端、接收端的相关矩阵，hiid为不含空间相关性的多径信道矩阵；
12、(103)使用ls信道估计方法获得信道矩阵的粗略估计值
13、
14、其中，xn、yn分别为发送信号和接收信号，且有：
15、yn＝hnxn+wn
16、wn表示循环复高斯白噪声矩阵，其各项元素的均值为0，噪声功率由接收信噪比snr确定；
17、(2)将hn的实部和虚部分开，随后进行竖向拼接，归一化后映射到0～255的范围中，形成灰度信道图片pn；将的实部和虚部分开，随后进行竖向拼接，归一化后映射到0～255的范围中，形成灰度信道图片
18、(3)构造融合卷积注意力机制的图像去噪网络；该网络包括一个可逆的下采样操作模块、卷积块注意力模型cbam、15层卷积网络以及一个下采样操作的逆操作模块；其中，第一个卷积层由“卷积运算conv+线性整流relu”单元构成，中间的卷积层由相同的“卷积运算conv+批量归一化bn+线性整流relu”单元构成，第一个卷积层与第二个卷积层中间插有1个cbam，最后一个卷积层采用“卷积运算conv”单元，每个卷积层的卷积核均为3×3，且采用零填充的方法保持卷积后的特征矩阵维度不变；
19、可逆的下采样操作模块用于将n×l维度的接收信号重构成n/2×l/2维度的四个子矩阵，然后将四个子矩阵与n/2×l/2维度的噪声水平图g在第3个维度上拼接，形成n/2×l/2×5维度的张量，作为第一个卷积层的输入；所述噪声水平图g由噪声水平因子μ扩展维度而成，μ∈(0,50]；
20、卷积块注意力模型cbam对可逆的下采样操作模块输出的特征图进行调整，然后传给后续的15层卷积网络，在经过最后一个卷积层之后，得到n/2×l/2×4维度的张量，传给下采样操作的逆操作模块，下采样操作的逆操作模块产生大小为n×l维度的估计噪声矩阵；最后，从接收信号中去除估计噪声矩阵，得到估计的信道矩阵；
21、(4)使用不同信噪比和相关性下的pn分别作为第n个输入样本、第n个目标输出样本，构造样本数据sn：
22、
23、使用样本数据sn构建训练集u；
24、利用训练集u，采用adam随机梯度下降算法对融合卷积注意力机制的图像去噪网络进行训练，直至损失函数的输出值达到设定指标；其中，损失函数为：
25、
26、其中，θ表示网络参数，表示网络输出，f(·)表示融合卷积注意力机制的信道图像去噪网络的处理过程；
27、(5)通过大规模mimo对流层散射通信系统接收端采集实时接收信号，使用ls信道估计方法获得信道矩阵的粗略估计值经过归一化映射获得灰度信道图片将输入训练好的融合卷积注意力机制的图像去噪网络，对p～n去除噪声，获得去噪后的灰度信道图片
28、(6)对进行映射和归一化的逆操作，得到最终的信道矩阵估计值
29、本专利技术的有益效果在于：
30、1、本专利技术算法成熟、性能稳定、实时性能好。
31、2、本专利技术采用卷积注意力模块cbam，增强了图像中噪声特征的显著性，从而提升ffdnet对大规模mimo散射信道估计的准确度。此外，cbam具备热插拔和多用性，从通道和空间两个维度使得图片噪声大小、位置更加显著，以便于图像去噪网络更准确地去噪。
32、3、本专利技术采用快速灵活去卷积网络ffdnet作为图像去噪网络，采用了降采样过程，降采样过程可以在不降低去噪能力的情况下显著提高训练速度，可以在不使用扩张卷积的情况下有效地增加接受域，并导致适度的网络深度。
33、4、本专利技术独立于通信系统中本文档来自技高网...
【技术保护点】
1.一种基于图像去噪的大规模MIMO散射信道估计方法，其特征在于，包括以下步骤：
【技术特征摘要】
1.一种基于图像去噪的大规模mimo散射...
【专利技术属性】
技术研发人员：史清林，刘丽哲，王一，全亮，李行健，赵梓焱，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。