【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和大型天线阵列来提供高数据速率[3]，然而当为每个天线配备专用射频(radio frequency,rf)链时，硬件成本和功耗急剧增加。在文献[4]中，为减少rf链的数量提出了波束空间信道模型和基于透镜天线阵列的架构。通过使用透镜天线阵列，可以将来自不同方向的信号集中在不同的天线上，空间信道转换为波束空间信道[6]。由于只有少数主要传播路径具有较大的路径增益，因此毫米波大规模mimo系统中的波束空
2、文献[9]提出了一种计算复杂度较低的双向信道估计方案，通过基站(basestation,bs)和用户之间的波束训练来确定与主导波束相对应的天线，然后仅估计与这些所选天线相对应的信道元素。
3、此外，通过利用波束空间信道的稀疏性，一些经典的基于压缩感知(compressedsensing，cs)的方案可以在减少导频开销的情况下估计波束空间信道[10]-[11]，例如文献[10]中使用的正交匹配追踪(omp)算法。但以上的所有这些波束空间信道估计方案都不能在低信噪比(signal to noise ratio，snr)区域中实现令人满意的估计精度，并且它们还具有较高的计算复杂性，特别是当波束空间信道的稀疏度较高时。
4、最近，深度学习(deep learning，dl)在图像识别、和语音处理等其他领域的惊人成功极大地启发了研究人员使用这种强大的解决无线通信中一些问题的工具。借助dl可以提取无线数据的底层特征，并为无线通信中的一些复杂问题提供一些改进的解决方案，例如低密度奇偶校验(ldpc)解码、稀疏码多址(scma)码本设计、端到端通信和大规模mimo的混合预编码。受深度神经网络(deep neural networks，dnn)强大的学习能力的启发，已提出一些基于dl的信道估计方案。文献[12]是第一个在无线能量传输系统中利用dl工具进行信道估计的工作，开发了一种基于自动编码器的信道估计方案，其中编码器用于设计导频，解码器用于估计信道。
5、为使导频长度小于大规模mimo系统中的天线数量，文献[13]提出了一种使用dnn的联合导频和数据辅助信道估计方案，其中导频辅助估计过程由两层神经网络和dnn一起实现，数据辅助估计过程则由另一个dnn实现。
6、文献[14]在毫米波大规模mimo系统中提出了一种基于dl的超分辨率信道估计方案，该方案利用dnn进行到达方向(doa)估计。
7、上述文献[12]–[14]的所有工作都采用了经典的dnn(多层感知器)来解决信道估计问题，并在不同场景中实现更好的性能。然而，以上采用的神经网络通常被视为黑匣子，缺乏稳定的性能保证[15]。
8、[1]zhang j,bjornson e,matthaiou m,et al.prospective multiple antennatechnologies for beyond 5g[j].ieee journal on selected areas incommunications,2020,pp(99):1-1.
9、[2]罗皓,于秀兰,张祖凡,等.5g毫米波信道估计研究综述[j].电讯技术,2021,61(2):254-262.
10、[3]a.l.swindlehurst,e.ayanoglu,p.heydari,and f.capolino,“millimeter-wave massive mimo:the next wireless revolution”ieee comm.mag.,vol.52,no.9,pp.56–62,sep.2018.
11、[4]j.brady,n.behdad,and a.m.sayeed,“beamspace mimo for millimeter-wave communications:system architecture,modeling,analysis,and measurements,”ieee trans.antennas propag.,vol.61,no.7,pp.3814–3827,jul.2016.
12、[5]b.ai,a.f.molisch,m.rupp,and z.zhong,“5g key technologies for smartrailways,”proc.ieee,vol.108,no.6,pp.856–893,jun.2020.
13、[6]y.zeng,r.zhang,and z.n.chen,“electromagnetic lens-focusing antennaenabled massive mimo:performance improvement and cost reduction,”ieeej.sel.areas commun.,vol.32,no.6,pp.1194–1206,jun.2015.
14、[7]j.brady,n.behdad,anda.sayeed,“beamspace mimo for millimeter-wavecommunications:system architecture,modeling,analysis,and measurements,”ieeetrans.ant.and propag.,vol.61,no.7,pp.3814–3827,jul.2016.
15、[8]x.gao,l.dai,z.chen,et al.“near-optimal beam selecti本文档来自技高网...
【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，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
7.如权利要求6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CNNE中采用五层全卷积网络结构，噪声估计水平图和观察信号y具有相同的数据尺寸；卷积层的每一层有32个特征信道，卷积核为3×3，用线性修正单元非线性函数作为激活函数；在CNNE中，在输入CNND之前，用来调整噪声水平图；
8.如权利要求7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，CBDNet在噪声中进行信道估计分为两个阶段：第一阶段，利用噪声水平估计子网提取噪声特征和噪声水平；第二阶段，利用去噪子网，通过降采样和上采样来增加和减少神经网络的特征信道，使去噪子网可以更好地判断噪声特征。
9.如权利要求4-6任一项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，
10.如权利要求9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，
...【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。