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】
本专利技术属于无线通信,尤其涉及一种基于特征重构的智能反射面信道估计方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,不必然构成在先技术。
2、在当今信息化的时代,智能反射面(reconfigurable intelligence surface,ris)通过控制信号反射重塑无线传输环境,提高频带利用率和信息传输的准确性,已成为一项有前途的新技术。ris显著提高无线通信覆盖率和能源效率,与传统的有源中继相比,ris具有较低的硬件成本和能耗,同时支持全双工通信。因为ris缺少发射/接收和信号处理能力,实际信道估计的难度进一步增加。目前,ris信道估计在估计精度方面仍有不足,性能有待进一步提高。如何去除信道噪声的干扰,提高信道估计精度,是目前所需解决的问题之一。
3、将ris信道信息建模为图像信息,卷积网络用于提取图像特征,可以避免人工提取特征的不足,被广泛应用于无线通信领域,目前基于卷积网络的信道估计方案大多利用卷积网络提取ris信道特征。
4、基于深度学习的ris信道估计方案,存在深度卷积后图像信息丢失的问题,对此有两种改进思路:1)卷积块设计场景分类器,2)在深度神经网络模型中引入注意力机制;但以上改进难以实现计算复杂度、信道估计准确性与泛化性之间的最佳均衡。
技术实现思路
1、为克服上述现有技术的不足,本专利技术提供了一种基于特征重构的智能反射面信道估计方法及系统,利用深度学习提取全局信息与细节信息,进行特征
2、为实现上述目的,本专利技术的一个或多个实施例提供了如下技术方案:
3、本专利技术第一方面提供了一种基于特征重构的智能反射面信道估计方法。
4、一种基于特征重构的智能反射面信道估计方法,包括:
5、采集用户侧接收到的信号,生成随机接收信号矩阵;
6、将随机接收信号矩阵输入到训练好的信道估计神经网络中,生成并输出估计的信道信息;
7、其中,所述信道估计神经网络,对随机接收信号矩阵进行分步下采样,提取信道信息图像特征;通过分支-合并特征结构,从信道信息图像特征中提取细节和上下文信息,得到信道图像,对信道图像在通道维度上使用注意力机制,自适应特征加权,对不同通道的重要性进行自适应调整,生成重构后的特征;基于重构后的特征,通过特征映射得到估计的信道信息。
8、进一步的,还包括,在生成随机接收信号矩阵之后进行数据预处理,具体为:
9、所述随机接收信号矩阵为复数矩阵,将复数矩阵的实部对应一张图像,虚部对应一张图像,从而将随机接收信号矩阵视为2信道噪声图像。
10、进一步的,所述对随机接收信号矩阵进行分步下采样,基于卷积层、最大池化层、relu激活函数,对输入的图像进行4次下采样,得到信道信息图像特征。
11、进一步的,所述分支-合并特征结构,具体为:
12、将信道信息图像特征输入到双分支的神经网络架构,每个分支处理不同尺度的特征,提取图像的多重特征;
13、对图像的多重特征进行特征合并;
14、将合并后的特征输入到单层卷积网络,进行通道数收缩;
15、将收缩后的特征图与原始的信道信息图像特征相加,得到信道图像。
16、进一步的,所述对信道图像在通道维度上使用注意力机制,具体为:
17、计算通道自注意力,对特征进行压缩和聚合,生成通道描述信息;
18、将全局空间信息压缩到上述通道描述信息中;
19、每个通道依次学习特定样本,进而使用全局信息,有选择地强调信息特征,抑制不太有用的特征,得到重构后的特征。
20、进一步的,所述信道估计神经网络训练所采用的数据集,包括随机接收信号矩阵及其对应的信道信息,是基于信道模型计算的。
21、进一步的,所述信道模型,采用saleh valenzuela模型,计算基站到ris端信道信息hb和ris端到用户端信道信息hr;
22、所述随机接收信号矩阵,用公式表示为:
23、yk,q=ψk,qhk,qpk,q+nk,q
24、其中,pk,p表示基站发送的导频信号,表示由基站到ris端信道信息hb和ris端到用户端信道信息hr组成的级联信道,ψk,q表示ris处第k个用户q时隙的反射向量,nk,q表示第k个用户q时隙的接收噪声,遵循高斯分布。
25、本专利技术第二方面提供了一种基于特征重构的智能反射面信道估计系统。
26、一种基于特征重构的智能反射面信道估计系统,包括矩阵生成模块、信道估计模块:
27、矩阵生成模块,被配置为:采集用户侧接收到的信号,生成随机接收信号矩阵;
28、信道估计模块,被配置为:将随机接收信号矩阵输入到训练好的信道估计神经网络中,生成并输出估计的信道信息;
29、其中,所述信道估计神经网络,对随机接收信号矩阵进行分步下采样,提取信道信息图像特征;通过分支-合并特征结构,从信道信息图像特征中提取细节和上下文信息,得到信道图像,对信道图像在通道维度上使用注意力机制,自适应特征加权,对不同通道的重要性进行自适应调整,生成重构后的特征;基于重构后的特征,通过特征映射得到估计的信道信息。
30、本专利技术第三方面提供了计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本专利技术第一方面所述的一种基于特征重构的智能反射面信道估计方法中的步骤。
31、本专利技术第四方面提供了电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本专利技术第一方面所述的一种基于特征重构的智能反射面信道估计方法中的步骤。
32、以上一个或多个技术方案存在以下有益效果:
33、本专利技术提供了一种智能反射面信道估计方案,引入分步下采样模块和特征重构模块提高信道估计的准确性,在准静态信道中有更好的归一化均方误差(normalized meansquare error,nmse)性能,引入特征重构模块提高信道估计的泛化性;在提高信道估计准确性和泛化性的同时,节省计算资源,适用于ris技术辅助的无线通信系统。
34、本专利技术附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于特征重构的智能反射面信道估计方法,其特征在于,包括:
2.如权利要求1所述的一种基于特征重构的智能反射面信道估计方法,其特征在于,还包括,在生成随机接收信号矩阵之后进行数据预处理,具体为:
3.如权利要求1所述的一种基于特征重构的智能反射面信道估计方法,其特征在于,所述对随机接收信号矩阵进行分步下采样,基于卷积层、最大池化层、ReLU激活函数,对输入的图像进行4次下采样,得到信道信息图像特征。
4.如权利要求1所述的一种基于特征重构的智能反射面信道估计方法,其特征在于,所述分支-合并特征结构,具体为:
5.如权利要求1所述的一种基于特征重构的智能反射面信道估计方法,其特征在于,所述对信道图像在通道维度上使用注意力机制,具体为:
6.如权利要求1所述的一种基于特征重构的智能反射面信道估计方法,其特征在于,所述信道估计神经网络训练所采用的数据集,包括随机接收信号矩阵及其对应的信道信息,是基于信道模型计算的。
7.如权利要求1所述的一种基于特征重构的智能反射面信道估计方法,其特征在于,所述信道模型,采用
8.一种基于特征重构的智能反射面信道估计系统,其特征在于,包括矩阵生成模块、信道估计模块:
9.一种电子设备,其特征是,包括:
10.一种存储介质,其特征是,非暂时性地存储计算机可读指令,其中,当所述非暂时性计算机可读指令由计算机执行时,执行权利要求1-7任一项所述方法的指令。
...【技术特征摘要】
1.一种基于特征重构的智能反射面信道估计方法,其特征在于,包括:
2.如权利要求1所述的一种基于特征重构的智能反射面信道估计方法,其特征在于,还包括,在生成随机接收信号矩阵之后进行数据预处理,具体为:
3.如权利要求1所述的一种基于特征重构的智能反射面信道估计方法,其特征在于,所述对随机接收信号矩阵进行分步下采样,基于卷积层、最大池化层、relu激活函数,对输入的图像进行4次下采样,得到信道信息图像特征。
4.如权利要求1所述的一种基于特征重构的智能反射面信道估计方法,其特征在于,所述分支-合并特征结构,具体为:
5.如权利要求1所述的一种基于特征重构的智能反射面信道估计方法,其特征在于,所述对信道图像在通道维度上使用注意力机制,具体为:
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。