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() 针对天线阵列的基于机器学习的信道估计制造技术_技高网

针对天线阵列的基于机器学习的信道估计制造技术

技术编号:41304082 阅读:5 留言:0更新日期:2024-05-13 14:50
一种针对接收机侧天线阵列的信道估计的方法,包括接收(S401)与由发射机侧天线阵列发射的导频音相关联的第一信号,获取(S403)第一组神经网络模型,该第一组神经网络模型被训练用于基于该导频音进行信道估计,将接收到的该第一信号的表示输入(S405)到该第一组中的每个神经网络模型,并且生成针对接收到的该第一信号的信道估计,基于针对接收到的该第一信号的信道估计,在时域和频域中的至少一个域中针对与数据音相关联的第二信号执行(S407)一维插值,从而生成针对该第二信号的插值信道估计,该插值信道估计包括插值误差,获取(S409)第二组神经网络模型,该第二组神经网络模型被训练用于在存在插值误差的情况下基于该数据音进行信道估计,并且针对每个一维插值,将所生成的该插值信道估计中的插值信道估计输入(S411)到该第二组中的每个神经网络模型,并且生成针对第二信号的校正插值信道估计。

【技术实现步骤摘要】
【国外来华专利技术】

至少一些示例实施例涉及针对天线阵列的基于机器学习的信道估计


技术介绍

1、近期,基于人工智能(ai)的技术利用机器学习(ml)或具有神经网络(nn)的深度学习(dl)影响了许多科学分支的研究和创新。在无线通信领域,基于人工智能的技术为盲信道解码、数据检测、调制识别、信道估计以及其他方面提供了补充解决方案,上述技术可以被视为5g甚至b5g系统的潜在特征。

2、准确的信道估计是数据估计的关键技术前提。信道估计的目的是从接收到的信号矢量“y”中提取信道矢量“h”,以准确地解码发射的数据信号“x”。例如,为了获取针对数据音的信道估计,需要在时间和频率上进行插值。随着移动性的增加,插值成为一个非常具有挑战性的问题。

3、参考文献列表

4、[1]yejian chen;jafar mohammadi;stefan wesemann;thorsten wild;"turbo-ai based channel estimation for massive mimo antenna panel with lowcomplexity subspace training,"pct/ep2021/062275,提交于2021年5月10日。

5、[2]yejian chen;jafar mohammadi;stefan wesemann;thorsten wild;"turbo-ai,part i:iterative machine learning based channel estimation for 2d massivearrays,"于2021年4月在芬兰赫尔辛基被2021年第93届ieee学会接受(vtc'21春季)。

6、[3]yejian chen;jafar mohammadi;stefan wesemann;thorsten wild;"turbo-ai,part ii:multi-dimensional iterative ml-based channel estimation for b5g,"于2021年4月在芬兰赫尔辛基被2021年第93届ieee学会接受(vtc'21春季)。

7、[4]erik dahlman;stefan parkvall;johan skold;"5g nr:the nextgeneration wireless access technology,"学术出版社,isbn:978-0-12-814323-0,2018年8月。

8、缩略语列表

9、5g 第五代

10、6g 第六代

11、b5g超越5g

12、ai人工智能

13、cdm码分复用

14、dl 深度学习

15、dnn 密集神经网络

16、dmrs解调参考信号

17、llr 对数似然比

18、ml 机器学习

19、mse 均方误差

20、nn 神经网络

21、pdf 概率密度函数

22、prb 物理资源块

23、re 资源元素

24、srs 探测参考信号


技术实现思路

1、至少一些示例实施例为针对天线阵列的信道估计(例如基于dmrs的信道估计)提供针对高移动性的机器学习辅助的通用插值。

2、此外,至少一些示例实施例为针对天线阵列的增强的信道估计(例如,基于dmrs的信道估计)提供针对超高移动性的机器学习辅助的通用插值。

3、根据至少一些示例实施例,提供了如所附权利要求所指定的一种信道估计的方法、一种用于信道估计的装置以及一种非暂态性计算机可读存储介质。

4、将参考附图来描述下面的示例实施例和示例实现。

本文档来自技高网...

【技术保护点】

1.一种针对接收机侧天线阵列的信道估计的方法,所述方法包括:

2.根据权利要求1所述的方法,还包括:

3.根据权利要求1或2所述的方法,其中所述第一组的所述神经网络模型包括针对频域、空间域和时域的神经网络模型,并且所述第二组的所述神经网络模型包括至少针对空间域的神经网络模型。

4.根据权利要求1至3中任一项所述的方法,还包括:

5.根据权利要求4所述的方法,其中所述第二组包括针对每个一维插值分别训练的所述神经网络模型的多个集合,其中所述多个集合中的每一个集合被用于校正针对所述一维插值的所述插值信道估计,该集合已经针对所述一维插值被训练。

6.根据权利要求4所述的方法,其中所述第二组的所述神经网络模型针对每个所述一维插值进行训练,并且被用于校正每个所述插值信道估计。

7.根据权利要求4至6中任一项所述的方法,其中针对两个第一信号之间的N+N个第二信号重复所述一维插值N次,从而获取与两个相邻导频音之间的每个数据音相关联的校正插值信道估计。

8.根据权利要求7所述的方法,还包括:

9.根据权利要求4至8中任一项所述的方法,其中所述第一组的所述神经网络模型包括针对频域、空间域和时域的神经网络模型,所述第二组的所述神经网络模型包括至少针对空间域的神经网络模型,所述第三组的所述神经网络模型包括针对空间域的神经网络模型,并且所述第四组的所述神经网络模型包括至少针对空间域的神经网络模型。

10.根据权利要求4至9中任一项所述的方法,其中针对单层通信,由所述发射机侧天线阵列在时域中的一帧内发射至少两个导频音,并且在所述帧之内在时域中的所述导频音之间发射所述虚拟导频音。

11.根据权利要求4至10中任一项所述的方法,其中针对单层通信,由所述发射机侧天线阵列在频域中的一帧内发射至少两个导频音,并且在所述帧之内在频域中的所述导频音之间发射所述虚拟导频音。

12.根据权利要求4至10中任一项所述的方法,其中针对两层通信,由所述发射机侧天线阵列针对每一层,在时域上发射至少两个导频音,并且针对时域中的每一层在针对每一层的所述导频音之间发射所述虚拟导频音。

13.根据权利要求4至10、12中任一项所述的方法,其中针对两层通信,由所述发射机侧天线阵列针对每一层,在频域上发射至少两个导频音,并且在针对频域中的每一层的所述导频音之间发射所述虚拟导频音。

14.根据权利要求4至10中任一项所述的方法,其中针对两层通信,由所述发射机侧天线阵列针对每一层,在时域上发射至少两个导频音,并且在针对时域中的每一层的所述导频音之间针对两个层发射所述虚拟导频音。

15.根据权利要求4至10、14中任一项所述的方法,其中,针对两层通信,由所述发射机侧天线阵列针对每一层,在频域上发射至少两个导频音,并且在针对频域中的每一层的所述导频音之间针对两个层发射所述虚拟导频音。

16.根据权利要求14或15所述的方法,其中由所述两个层共享的所述虚拟导频音是正交覆盖码。

17.根据权利要求10至16中任一项所述的方法,其中所述帧中的导频音的数目和排列根据所述发射器侧天线阵列的移动速度而改变。

18.一种非暂时性计算机可读存储介质,存储用于针对接收机侧天线阵列的信道估计的程序,所述程序当由计算机执行时,使所述计算机至少:

19.一种用于针对接收机侧天线阵列的信道估计的装置,所述装置包括至少一个处理器和至少一个存储器,所述至少一个存储器包括计算机程序代码,所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述装置至少:

20.根据权利要求19所述的装置,其中所述至少一个存储器以及所述计算机程序代码被配置为与所述至少一个处理器一起使所述装置进一步:

21.根据权利要求19或20所述的装置,其中所述第一组的所述神经网络模型包括针对频域、空间域和时域的神经网络模型,并且所述第二组的所述神经网络模型包括至少针对空间域的神经网络模型。

22.根据权利要求19至21中任一项所述的装置,其中所述至少一个存储器以及所述计算机程序代码被配置为与所述至少一个处理器一起使所述装置进一步:

23.根据权利要求22所述的装置,其中所述第二组包括针对每个一维插值分别训练的所述神经网络模型的多个集合,其中所述多个集合中的每一个集合被用于校正针对所述一维插值的所述插值信道估计,该集合已经针对所述一维插值被训练。

24.根据权利要求22所述的装置,其中所述第二组的所述神经网络模型针对每个所述一维插值进行训练,并且被用于校正每个所述插值...

【技术特征摘要】
【国外来华专利技术】

1.一种针对接收机侧天线阵列的信道估计的方法,所述方法包括:

2.根据权利要求1所述的方法,还包括:

3.根据权利要求1或2所述的方法,其中所述第一组的所述神经网络模型包括针对频域、空间域和时域的神经网络模型,并且所述第二组的所述神经网络模型包括至少针对空间域的神经网络模型。

4.根据权利要求1至3中任一项所述的方法,还包括:

5.根据权利要求4所述的方法,其中所述第二组包括针对每个一维插值分别训练的所述神经网络模型的多个集合,其中所述多个集合中的每一个集合被用于校正针对所述一维插值的所述插值信道估计,该集合已经针对所述一维插值被训练。

6.根据权利要求4所述的方法,其中所述第二组的所述神经网络模型针对每个所述一维插值进行训练,并且被用于校正每个所述插值信道估计。

7.根据权利要求4至6中任一项所述的方法,其中针对两个第一信号之间的n+n个第二信号重复所述一维插值n次,从而获取与两个相邻导频音之间的每个数据音相关联的校正插值信道估计。

8.根据权利要求7所述的方法,还包括:

9.根据权利要求4至8中任一项所述的方法,其中所述第一组的所述神经网络模型包括针对频域、空间域和时域的神经网络模型,所述第二组的所述神经网络模型包括至少针对空间域的神经网络模型,所述第三组的所述神经网络模型包括针对空间域的神经网络模型,并且所述第四组的所述神经网络模型包括至少针对空间域的神经网络模型。

10.根据权利要求4至9中任一项所述的方法,其中针对单层通信,由所述发射机侧天线阵列在时域中的一帧内发射至少两个导频音,并且在所述帧之内在时域中的所述导频音之间发射所述虚拟导频音。

11.根据权利要求4至10中任一项所述的方法,其中针对单层通信,由所述发射机侧天线阵列在频域中的一帧内发射至少两个导频音,并且在所述帧之内在频域中的所述导频音之间发射所述虚拟导频音。

12.根据权利要求4至10中任一项所述的方法,其中针对两层通信,由所述发射机侧天线阵列针对每一层,在时域上发射至少两个导频音,并且针对时域中的每一层在针对每一层的所述导频音之间发射所述虚拟导频音。

13.根据权利要求4至10、12中任一项所述的方法,其中针对两层通信,由所述发射机侧天线阵列针对每一层,在频域上发射至少两个导频音,并且在针对频域中的每一层的所述导频音之间发射所述虚拟导频音。

14.根据权利要求4至10中任一项所述的方法,其中针对两层通信,由所述发射机侧天线阵列针对每一层,在时域上发射至少两个导频音,并且在针对时域中的每一层的所述导频音之间针对两个层发射所述虚拟导频音。

<...

【专利技术属性】
技术研发人员:陈晔健J·穆罕默迪S·韦斯曼T·威尔德
申请(专利权)人:诺基亚通信公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1