【技术实现步骤摘要】
本专利技术涉及毫米波，尤其涉及一种基于derepixnet的波束空间信道估计方法。
技术介绍
1、毫米波大规模多输入多输出（mimo）技术将毫米波频段丰富的频谱资源与大规模天线阵列的阵列增益相结合，充分发挥双方的性能优势，弥补了毫米波频段的路径损耗和传输环境敏感性，成为未来无线通信系统解决带宽需求增大的理想选择。在毫米波大规模mimo系统中，由于天线数量众多，信道估计变得尤为重要。准确的信道估计可以帮助系统确定最佳波束形成方向，以最大化信号的接收功率。此外，信道估计还可以用于多用户干扰消除，通过估计其他用户的信道状态信息，系统可以采取适当的干扰抑制措施，提高系统的容量和性能。
2、在毫米波大规模mimo系统中，通过透镜天线阵列可以将传统的空间域信道转换为波束空间信道。利用波束空间信道的稀疏性，可进一步将信道估计问题转换为压缩感知（cs）框架下的稀疏信号重构问题。即：
3、
4、其中，表示测量信号，表示波束选择网络，在这里可视为观测矩阵，是毫米波大规模mimo系统中的波束空间信道矩阵，是高斯噪声向量。如何从低维的测量信号中恢复出原始的高维信道是现有研究技术的难点，已有一些经典的贪婪类算法（如omp）、基于贝叶斯框架提出的近似消息传递算法（如amp）和一些基于深度学习的方法（reconnet、concsnet）来解决此类问题。
5、传统稀疏信号重构算法大多采用结构化稀疏特性对无线信道进行估计，利用迭代优化策略求解欠定最优化问题。这种迭代优化的密集计算以及不能保证全局最优的问题已成为cs
6、为了解决上述问题，本专利技术提出基于深度卷积重构网络（derepixnet）的信道估计算法，旨在提高信道估计精度且无需信道的先验消息。在该网络中，设计了msfm（多尺度信息融合模块），并将msfm和rb（残差块）有机结合，防止在网络深度增加的同时出现梯度消失，在卷积视觉网络中寻找最佳的局部稀疏结构，并在空间上进行重复。在不需要信道先验信息的情况下，通过数据驱动的方式，利用derepixnet直接求解从测量信号到原始信道的逆变换过程。
技术实现思路
1、本专利技术的目的在于提出一种基于derepixnet的波束空间信道估计方法以解决
技术介绍
中所提出的问题：
2、现有重构算法收敛速度慢，估计精度低且过度依赖信道稀疏度的先验信息和测量矩阵，现有卷积神经网络结构单一，不能很好的提取从测量信号到原始信道的非线性映射关系。
3、为了实现上述目的，本专利技术采用了如下技术方案：
4、一种基于derepixnet的波束空间信道估计方法，包括如下步骤：
5、s1：将训练数据及标签的实部和虚部分离建模为双通道的二维图像；
6、s2：搭建初始化模块，引入可训练矩阵进行升维，得到初始化信道作为重构模块的输入；
7、s3：构建分别由全连接层、卷积层、msfm、rb共同组成的重构模块，并将初始化模块的输出作为重构模块的输入；
8、s4：基于初始化模块和重构模块搭建的derepixnet对训练数据及标签的实部和虚部分别进行训练和估计，最后将实部和虚部拼接转换为最终的复数信道矩阵。
9、优选地，所述s2的初始化模块中，低维信号由观测矩阵将高维的信道采样叠加噪声后得到，引入可训练矩阵，其中，为矩阵的转置，得到初始化信道作为重构模块的输入。
10、优选地，所述s3的重构模块中，第一层和第三层均使用5×5的卷积核，第五层和第七层均使用7×7的卷积核，第六层和第九层均使用1×1的卷积核，第二层和第四层均使用msfm和rb的有机结合，第八层使用rb；除了第一层和第三层使用relu激活函数外，其余的单个卷积层均不使用relu激活函数；还对重构模块中不同大小的卷积核分别进行不同的填充以保证所有层中输出特征图的尺寸保持不变。
11、优选地，所述重构模块的msfm中设置有四条分支，各分支的特征矩阵高度和宽度都相同，每条分支经过不同的卷积操作，不同的卷积尺寸提供不同的感受野，将rb嵌入到msfm的两条中间支路中，最后将各支路的输出矩阵的通道维度进行拼接实现信息的融合。
12、优选地，所述第八层的rb由两个3×3的卷积层构成，并将输出特征矩阵与输入特征矩阵相加后经过relu激活函数后输出。
13、优选地，所述重构模块中，首先采用线性映射网络求得初始的重构信道，线性映射过程得到的信道状态信息为近似解，其对应的线性映射矩阵为，并使的误差最小，训练集中包含个训练样本，即，其中，为接收信号的测量值，为毫米波波束空间信道状态信息矩阵，线性映射得到的近似解表示为：
14、
15、其中，，表示矩阵的转置；表示线性映射；
16、增加由卷积层、msfm、rb组成的深度神经网络进行进一步处理以得到高精度的信道估计值；使用adam优化器更新第一层到第九层中卷积网络的参数，训练过程中使用均方误差作为损失函数：
17、
18、其中，表示基于的线性映射；表示基于的线性映射；
19、得到的精确解为：
20、
21、其中，为重构模块得到的精确解。
22、优选地，所述s4包括离线训练阶段和在线估计阶段；在离线训练阶段采用监督学习对网络进行训练，训练数据表示为，其中为derepixnet的输入，为相应的标签，为训练数据的样本数，在训练过程中首先经过初始化模块进行升维，与维度匹配后进入重构模块，通过最小化损失函数优化全部可训练参数，并保存在验证集上损失函数值最低的网络模型，用于在线估计阶段进行测试，达到预设定的epoch次数时停止训练；在在线评估阶段，将测试集的测量信号输入训练好的derepixnet得到波束空间信道估计结果；其中测量测量信号和波束空间信道状态信息均为复数，最后将对应的实部和虚部拼接转换为最终的复数信道矩阵。
23、优选地，所述derepixnet还基于归一化均方误差为度量标准进行波束空间信道估计方法的性能评估；具体如下：
24、
25、其中，为归一化均方误差；表示期望运算；表示信道参数的真实值；表示网络模型的输出值。
26、与现有技术相比，本专利技术提供了一种基于derepixnet的波束空间信道估计方法，具备以下有益效果：
27、本专利技术提出的基于derepixnet的波束空间信道估计在求解过程中解决了过度依赖信道稀疏度的先验知识和观测矩阵的问题，通过将信道矩阵虚实分开建模成二维图像，信道估计问题可以被表述为图像处理领域中的超分辨率重建问题。将测量信号视为低分辨率图像而原始信道视为高分辨率图像，利用本文档来自技高网...
【技术保护点】
1.一种基于DeRePixNet的波束空间信道估计方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于DeRePixNet的波束空间信道估计方法，其特征在于，所述S2的初始化模块中，低维信号由观测矩阵将高维的信道采样叠加噪声后得到，引入可训练矩阵，其中，为矩阵的转置，得到初始化信道作为重构模块的输入。
3.根据权利要求1所述的一种基于DeRePixNet的波束空间信道估计方法，其特征在于，所述S3的重构模块中，第一层和第三层均使用5×5的卷积核，第五层和第七层均使用7×7的卷积核，第六层和第九层均使用1×1的卷积核，第二层和第四层均使用MSFM和RB的有机结合，第八层使用RB；除了第一层和第三层使用Relu激活函数外，其余的单个卷积层均不使用Relu激活函数；还对重构模块中不同大小的卷积核分别进行不同的填充以保证所有层中输出特征图的尺寸保持不变。
4.根据权利要求3所述的一种基于DeRePixNet的波束空间信道估计方法，其特征在于，所述重构模块的MSFM中设置有四条分支，各分支的输出特征矩阵高度和宽度都相同，每条分支经过不同的卷
5.根据权利要求4所述的一种基于DeRePixNet的波束空间信道估计方法，其特征在于，所述第八层的RB由两个3×3的卷积层构成，并将输出特征矩阵与输入特征矩阵相加后经过Relu激活函数后输出。
6.根据权利要求5所述的一种基于DeRePixNet的波束空间信道估计方法，其特征在于，所述重构模块中，首先采用线性映射网络求得初始的重构信道，线性映射过程得到的信道状态信息为近似解，其对应的线性映射矩阵为，并使的误差最小，训练集中包含个训练样本，即，其中，为接收信号的测量值，为毫米波波束空间信道状态信息矩阵，线性映射得到的近似解表示为：
7.根据权利要求6所述的一种基于DeRePixNet的波束空间信道估计方法，其特征在于，所述S4包括离线训练阶段和在线估计阶段；在离线训练阶段采用监督学习对网络进行训练，训练数据表示为，其中为DeRePixNet的输入，为相应的标签，为训练数据的样本数，在训练过程中首先经过初始化模块进行升维，与维度匹配后进入重构模块，通过最小化损失函数优化全部可训练参数，并保存在验证集上损失函数值最低的网络模型，用于在线估计阶段进行测试，达到预设定的Epoch次数时停止训练；在在线评估阶段，将测试集的测量信号输入训练好的DeRePixNet得到波束空间信道估计结果；其中测量测量信号和波束空间信道状态信息均为复数，最后将对应的实部和虚部拼接转换为最终的复数信道矩阵。
8.根据权利要求7所述的一种基于DeRePixNet的波束空间信道估计方法，其特征在于，所述DeRePixNet还基于归一化均方误差为度量标准进行波束空间信道估计方法的性能评估；具体如下：
...【技术特征摘要】
1.一种基于derepixnet的波束空间信道估计方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于derepixnet的波束空间信道估计方法，其特征在于，所述s2的初始化模块中，低维信号由观测矩阵将高维的信道采样叠加噪声后得到，引入可训练矩阵，其中，为矩阵的转置，得到初始化信道作为重构模块的输入。
3.根据权利要求1所述的一种基于derepixnet的波束空间信道估计方法，其特征在于，所述s3的重构模块中，第一层和第三层均使用5×5的卷积核，第五层和第七层均使用7×7的卷积核，第六层和第九层均使用1×1的卷积核，第二层和第四层均使用msfm和rb的有机结合，第八层使用rb；除了第一层和第三层使用relu激活函数外，其余的单个卷积层均不使用relu激活函数；还对重构模块中不同大小的卷积核分别进行不同的填充以保证所有层中输出特征图的尺寸保持不变。
4.根据权利要求3所述的一种基于derepixnet的波束空间信道估计方法，其特征在于，所述重构模块的msfm中设置有四条分支，各分支的输出特征矩阵高度和宽度都相同，每条分支经过不同的卷积操作，不同的卷积尺寸提供不同的感受野，将rb嵌入到msfm的两条中间支路中，最后将各支路的输出矩阵的通道维度进行拼接实现信息的融合。
5.根据权利要求4所述的一种基于derepixnet的波束空间信道估计方法，其特征在于，所述第八层的rb由两个3×3的卷积层构成，并将输出特...
【专利技术属性】
技术研发人员：费腾，朱正宇，孙云山，刘婷，张晓琴，刘岚雪，
申请(专利权)人：天津商业大学，
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。