System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及无线通信领域,尤其涉及一种基于空频相关性的信道获取方法。
技术介绍
1、获取信道状态信息(csi)是无线通信中至关重要的问题。在新一代无线通信系统中,伴随着多输入多输出(mimo)技术的使用、毫米波等更宽的通信频带,及时准确地获取csi面临着巨大的挑战。多天线、更宽的通信频带大幅提高了需要获取信道的维度,带来了更大的信令开销。
2、为了降低在mimo和正交频分复用(ofdm)系统中导频估计的信令开销,通过一部分空频子信道映射整个mimo-ofdm信道便成为了一种有效的手段。基于这种信道映射技术,需要占用信令开销进行估计的信道便从所有的传输天线和子载波缩减为若干个天线和载波,这也构成了一种基于空频相关性的信道获取方法。然而,不同天线/载波间的信道尽管具有显著的相关性,但这种相关性往往高度非线性,难以被传统的信号处理方法准确挖掘和利用。
3、近年来,深度学习技术开始被应用于信道映射任务,取得了相比于传统的信号处理方法更好的性能。当前深度学习驱动的信道映射方法主要是基于常规的卷积神经网络(cnn)或多层感知机(mlp)。然而,由于信道状态信息(csi)本身与图像的特性不完全相同,针对图像性质设计的cnn方法在对csi进行模式识别时在拟合能力上有欠缺,且鲁棒性较差。另一方面,mlp方法尽管拟合能力和鲁棒性出色,但由于缺乏充分的先验和正则,很容易出现严重的过拟合问题,限制了网络的最终性能。因此,当前的深度学习方法仍然存在着一些瓶颈,使得深度学习技术在当前任务上的潜力不能够得到充分发挥。如何更有效地设计
技术实现思路
1、本专利技术的目的是针对现有技术的不足,提出一种高效的基于空频相关性的csi获取方案,以更好地完成低导频开销的信道获取。
2、本专利技术所采用的具体技术方案如下:
3、一种基于空频相关性的信道获取方法,该方法包括:
4、s1、收集用户csi数据;
5、s2、搭建复域全连接混合器神经网络作为映射网络,并随机初始化神经网络参数;网络包括全连接层、k个cmixer layer;
6、s3、使用收集的csi数据训练神经网络,
7、s4、将已知的部分天线和载波上的信道输入到训练好的网络模型中,输出完整的mimo-ofdm信道获取结果。
8、进一步地,所述收集用户csi数据中,所收集的数据具体包括部分天线和载波上的信道和完整然先和载波上的信道。
9、进一步地,所述复域全连接混合器神经网络作为映射网络的结构由一个的全连接层,一个的全连接层,k个cmixer layer,一个2n′t→2nt的全连接层和一个的全连接层组成,其中和分别是输入信道空域和频域维度的大小,n′t和n′c是一个结构超参数,nt和nc是输出信道空域和频域维度的大小。
10、进一步地,所述cmixer layer,由一个用于空域混合的复域mlp,一个用于频域混合的复域mlp和若干层归一化和残差连接组成。
11、进一步地,复域mlp网络结构由一个2x→s的全连接层,激活函数和一个s→2x的全连接层组成;x是输入复值数据最后一维的大小,s是隐层宽度。
12、进一步地,所述cmlp计算过程具体为:先对输入的复值数据进行拉伸为实值数据,输入到2x→s的全连接层后经过激活函数,再输入s→2x的全连接层,再重塑为复值数据。
13、进一步地,神经网络的损失函数定义如下:
14、
15、其中,θ是神经网络的参数集,n是训练数据的数量,hn是第n个原始训练数据,是将hn输入cmixer神经网络后得到的输出。
16、本专利技术具有的有益效果是:本专利技术提出的基于cmixer的信道映射方法,可以高精度地完成对高维的mimo-ofdm信道的获取。通过cmixer中交叠级联的空域和频域学习,很好地增强了信道中固有的空域特性和频域特性的耦合,很好地解决了当前其他基于深度学习的csi映射方法泛化性较差,无法在较少训练数据的情况下获得出色性能的问题。
本文档来自技高网...【技术保护点】
1.一种基于空频相关性的信道获取方法,其特征在于,该方法包括:
2.根据权利要求1所述的一种基于空频相关性的信道获取方法,其特征在于,所述收集用户CSI数据中,所收集的数据具体包括部分天线和载波上的信道和完整然先和载波上的信道。
3.根据权利要求1所述的一种基于空频相关性的信道获取方法,其特征在于,所述复域全连接混合器神经网络作为映射网络的结构由一个的全连接层,一个的全连接层,K个CMixer layer,一个2N′t→2Nt的全连接层和一个的全连接层组成,其中和分别是输入信道空域和频域维度的大小,N′t和N′c是一个结构超参数,Nt和Nc是输出信道空域和频域维度的大小。
4.根据权利要求1所述的一种基于空频相关性的信道获取方法,其特征在于,所述CMixer layer,由一个用于空域混合的复域MLP,一个用于频域混合的复域MLP和若干层归一化和残差连接组成。
5.根据权利要求4所述的一种基于空频相关性的信道获取方法,其特征在于,复域MLP网络结构由一个2X→S的全连接层,激活函数和一个S→2X的全连接层组成;X是输入复值数据最后一
6.根据权利要求5所述的一种基于空频相关性的信道获取方法,其特征在于,所述CMLP计算过程具体为:先对输入的复值数据进行拉伸为实值数据,输入到2X→S的全连接层后经过激活函数,再输入S→2X的全连接层,再重塑为复值数据。
7.根据权利要求4所述的一种基于空频相关性的信道获取方法,其特征在于,神经网络的损失函数定义如下:
...【技术特征摘要】
1.一种基于空频相关性的信道获取方法,其特征在于,该方法包括:
2.根据权利要求1所述的一种基于空频相关性的信道获取方法,其特征在于,所述收集用户csi数据中,所收集的数据具体包括部分天线和载波上的信道和完整然先和载波上的信道。
3.根据权利要求1所述的一种基于空频相关性的信道获取方法,其特征在于,所述复域全连接混合器神经网络作为映射网络的结构由一个的全连接层,一个的全连接层,k个cmixer layer,一个2n′t→2nt的全连接层和一个的全连接层组成,其中和分别是输入信道空域和频域维度的大小,n′t和n′c是一个结构超参数,nt和nc是输出信道空域和频域维度的大小。
4.根据权利要求1所述的一种基于空频相关性的信道获取方法,其特征在...
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。