一种特征通道和空间域双注意力驱动的超大规模MIMO信道估计方法技术

本发明专利技术公开了一种特征通道和空间域双注意力驱动的超大规模MIMO信道估计方法，包括：对超大规模MIMO系统中的信道特性进行建模，构建信道矩阵，并对基站接收到的信号进行预处理；基于卷积网络和编码器构建深度卷积神经网络模型，其中卷积网络通过多个卷积层对信道矩阵的局部特征进行提取，使用批归一化层加速网络的收敛，并通过残差连接与层归一化提高网络的稳定性；编码器融入特征通道和空间通道双注意力机制，获得不同信息的注意力权重，增强对其中重要特征的提取与利用；对深度卷积神经网络模型进行训练和测试；将带噪信道矩阵输入深度卷积神经网络模型，输出估计信道矩阵。本发明专利技术不依赖于先验知识，增强了特征提取和表示能力，显著提高了信道估计的准确性和稳定性。

【技术实现步骤摘要】

本专利技术属于无线通信，具体涉及一种特征通道和空间域双注意力驱动的超大规模mimo信道估计方法。

技术介绍

1、超大规模多输入多输出(extra-large multiple input multiple output，xl-mimo)技术是第六代无线通信的一项创新技术。xl-mimo通过在基站部署大量天线，显著提高了通信容量和可靠性，其得益于广泛的天线，在频谱效率、能源效率和干扰缓解方面表现出色。在xl-mimo中，基站需要获取大量天线的信道状态信息，从而产生高维信道矩阵。与传统的大规模mimo系统相比，xl-mimo中的信道矩阵不仅具有更高的维度，而且具有更棘手的特性。在处理大规模的天线系统时，计算负荷急剧增加，需要高效的算法和强大的计算资源来进行信道估计。在xl-mimo系统中，由于天线阵列庞大，近场效应更加明显，影响了估计精度。

2、传统的信道估计方法通常依赖于线性模型和统计假设。基于最小二乘方法(theleast square,ls)的方案只能实现低接收信噪比，并导致相当大的导频开销。为了减少信道估计中较高的导频开销，在当前的大规模m本文档来自技高网...

【技术保护点】

1.一种特征通道和空间域双注意力驱动的超大规模MIMO信道估计方法，其特征在于，包括：

2.根据权利要求1所述的一种特征通道和空间域双注意力驱动的超大规模MIMO信道估计方法，其特征在于，所述步骤1包括如下子步骤：

3.根据权利要求1所述的一种特征通道和空间域双注意力驱动的超大规模MIMO信道估计方法，其特征在于，所述深度卷积神经网络模型的输入为张量Hinput，张量Hinput的获取方式为：将信道矩阵h的最小二乘估计复矩阵拆分为相同维数的实部和虚部，然后将其连接并重塑为一个的张量Hinput。

4.根据权利要求1所述的一种特征通道和空间域双注意力驱动...

【技术特征摘要】

1.一种特征通道和空间域双注意力驱动的超大规模mimo信道估计方法，其特征在于，包括：

2.根据权利要求1所述的一种特征通道和空间域双注意力驱动的超大规模mimo信道估计方法，其特征在于，所述步骤1包括如下子步骤：

3.根据权利要求1所述的一种特征通道和空间域双注意力驱动的超大规模mimo信道估计方法，其特征在于，所述深度卷积神经网络模型的输入为张量hinput，张量hinput的获取方式为：将信道矩阵h的最小二乘估计复矩阵拆分为相同维数的实部和虚部，然后将其连接并重塑为一个的张量hinput。

4.根据权利要求1所述的一种特征通道和空间域双注意力驱动的超大规模mimo信道估计方法，其特征在于，所述深度卷积神经网络模型依次包括四个卷积核大小为3×3，卷积核数量为64的二维卷积层、两个编码器、一个卷积核大小为3×3，卷积核数量为2的二维卷积层、层归一化与残差连接模块；

5.根据权利要求4所述的一种特征通道和空间域双注意力驱动的超大规模mimo信道估计方法，其特征在于，所述四个卷积核大小为3×3，卷积核数量为64的二维卷积层对张量hinput提取特征后重塑为适合编码器输入的张量h1，大小为m×64，m为xl-mimo系统中基站的天线数量；

6.根据...

【专利技术属性】
技术研发人员：董培浩，李双双，王靖淳，李仁彬，吴少杰，贾继斌，何超伟，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：