【技术实现步骤摘要】
本专利技术涉及无线通信，尤其是关于毫米波频段的大规模多输入多输出(mimo)系统的信道估计技术。更具体地，涉及采用深度学习算法进行信道估计的改进方法，以及在降低系统成本的同时提高信道估计精度的技术方案，尤其涉及一种基于深度学习去噪的毫米波大规模mimo信道估计方法。
技术介绍
1、大规模多输入多输出(multiple input multiple output,mimo)系统通过在基站侧部署大量天线，能够大幅度提高系统容量和频谱资源在多用户之间的复用能力，显著的提高了数据传输速率[1]，被认为是5g无线通信系统的核心技术之一。然而随着越来越多的设备接入到无线通信系统，对带宽和频谱资源要求也越来越高，这给大规模mimo系统带来了巨大挑战。由于毫米波的波段在30到300ghz,能够提供更高的传输速率和更大的吞吐量，因此为满足5g无线通信系统的高批准，将毫米波与大规模mimo系统相结合已成为一种重要的物理层技术并受到广泛研究[2]。毫米波(millimeterwave,mmwave)与大规模多输入多输出(mimo)相结合的系统使用数千兆赫带宽...
【技术保护点】
1.一种基于深度学习去噪的毫米波大规模MIMO信道估计方法，其特征在于，步骤如下：
2.如权利要求1所述的基于深度学习去噪的毫米波大规模MIMO信道估计方法，其特征在于，步骤S1中，透镜阵列天线使用毫米波大规模MIMO系统模型，透镜阵列天线通过选择网络使用NRF(NRF≤M×N)条射频链为K个单天线用户提供服务。
3.如权利要求2所述的基于深度学习去噪的毫米波大规模MIMO信道估计方法，其特征在于，所述毫米波大规模MIMO系统模型中，波束空间信道矩阵H定义为：
4.如权利要求1所述的基于深度学习去噪的毫米波大规模MIMO信道估计方法...
【技术特征摘要】
1.一种基于深度学习去噪的毫米波大规模mimo信道估计方法，其特征在于，步骤如下：
2.如权利要求1所述的基于深度学习去噪的毫米波大规模mimo信道估计方法，其特征在于，步骤s1中，透镜阵列天线使用毫米波大规模mimo系统模型，透镜阵列天线通过选择网络使用nrf(nrf≤m×n)条射频链为k个单天线用户提供服务。
3.如权利要求2所述的基于深度学习去噪的毫米波大规模mimo信道估计方法，其特征在于，所述毫米波大规模mimo系统模型中，波束空间信道矩阵h定义为：
4.如权利要求1所述的基于深度学习去噪的毫米波大规模mimo信道估计方法，其特征在于，步骤s3中，所述lamp算法通过改变收缩参数来提高信道估计的精度，将盲卷进神经网络cbdnet引入到了lamp中，通过卷积神经网络学习信道特征，以去除信道中的噪声、提高信道估计精度，执行如下：
5.如权利要求1所述的基于深度学习去噪的毫米波大规模mimo信道估计方法，其特征在于，步骤s3中，所述盲卷积神经网络使用去噪器cbdnet。
6.如权利要求5所述的基于深度学习去噪的毫米波大规模mimo信道估计方法，其特征在于，所述cbdnet由两部分组成，第一...
【专利技术属性】
技术研发人员：刘庆利，李晓宇，张兆庆，宋腾涛，谢佳骏，
申请(专利权)人：大连大学，
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。