[發(fā)明專利]基于壓縮感知和深度學(xué)習(xí)的信道估計(jì)方法、介質(zhì)及設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 202011488082.0
• 申請(qǐng)日: 2020-12-16
• 公開（公告）號(hào): CN112615801B
• 公開（公告）日: 2021-11-19
• 發(fā)明（設(shè)計(jì)）人: 范建存;梁培哲
• 申請(qǐng)（專利權(quán)）人: 西安交通大學(xué)
• 主分類號(hào): H04L25/02
• 分類號(hào): H04L25/02;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 高博

1.基于壓縮感知和深度學(xué)習(xí)的信道估計(jì)方法，其特征在于，包括以下步驟：

S1、正交頻分復(fù)用系統(tǒng)的基站端采用梳狀導(dǎo)頻形式向下行鏈路中的用戶端發(fā)送信號(hào)；

S2、下行鏈路中的用戶端獲得步驟S1發(fā)送的導(dǎo)頻接收信號(hào)y，并反饋回基站端；

S3、正交頻分復(fù)用系統(tǒng)的基站端根據(jù)步驟S2得到的接收導(dǎo)頻信號(hào)y，利用時(shí)延域稀疏信道的結(jié)構(gòu)化稀疏特性，進(jìn)行基于壓縮感知的AS-JOMP算法進(jìn)行信道估計(jì)，得到初始估計(jì)信道具體為：從感知矩陣X中找到與觀測(cè)向量y最相關(guān)的SN_BS列向量，S為稀疏信道的實(shí)際稀疏度，根據(jù)閾值ξ₁和ξ₂作為高低信噪比下迭代的停止條件，在不同信噪比條件下，當(dāng)?shù)螖?shù)等于真實(shí)稀疏度且信噪比高時(shí)，連續(xù)兩次迭代的最后相對(duì)殘差的改善幅度大于當(dāng)前殘差的改善幅度，當(dāng)信噪比低時(shí)，兩個(gè)連續(xù)迭代之間的最后相對(duì)殘差改進(jìn)小于當(dāng)前殘差的大小；最后得到待恢復(fù)稀疏信道中非零元素的位置集合Λ，采用LS算法估計(jì)出非零元素的值，恢復(fù)初始估計(jì)稀疏信道

S4、搭建基于深度學(xué)習(xí)的降噪神經(jīng)網(wǎng)絡(luò)，利用已有的樣本訓(xùn)練DnNet網(wǎng)絡(luò)，得到網(wǎng)絡(luò)參數(shù)Θ，降噪神經(jīng)網(wǎng)絡(luò)中，S1×S2×S3分別定義為特征圖的長(zhǎng)度，寬度和數(shù)量，根據(jù)步驟S3得到初始信道估計(jì)值大小為L(zhǎng)N_BS×1的復(fù)向量，將維度變換為2LN_BS×1的實(shí)向量，然后進(jìn)行歸一化；接著將歸一化后的實(shí)向量維度變換為兩個(gè)大小為的矩陣，視為兩通道圖片，其中

將維度變換后的初始估計(jì)CSI輸入到多個(gè)名為Resblock的基于殘差學(xué)習(xí)的網(wǎng)絡(luò)模塊中；每個(gè)Resblock模塊都包含四層；其中第一層為輸入層，第二層、第三層、第四層使用大小為3×3的卷積核分別生成16、32、2個(gè)特征圖，在卷積層和LeakeyReLU激活函數(shù)層之間加入批處理歸一化層；每個(gè)Resblock的輸出都為其輸入和第四個(gè)層的輸出之和；將最后一個(gè)Resblock輸出結(jié)果輸入到最后的卷積層，使用sigmoid函數(shù)將數(shù)值縮放到[0，1]；最后對(duì)網(wǎng)絡(luò)的輸出進(jìn)行維度變換，并進(jìn)行逆歸一化，得到最終的CSI估計(jì)結(jié)果

S5、根據(jù)步驟S4訓(xùn)練得到的DnNet網(wǎng)絡(luò)，對(duì)步驟S3中獲得的初始估計(jì)信道進(jìn)行去噪，得到最終估計(jì)的信道狀態(tài)信息

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟S1中，從第i跟發(fā)射天線到第用戶的導(dǎo)頻為i＝1，2...，N_BS，P為導(dǎo)頻數(shù)量，導(dǎo)頻序列c_i的元素具有隨機(jī)相位和隨機(jī)幅度。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟S2中，用戶端的接收導(dǎo)頻信號(hào)表示為壓縮感知模型：

v＝Xh+n

其中，X＝[C₁(F_L)_Ω，C₂(F_L)_Ω，...，C_M(F_L)_Ω]，為壓縮感知模型中的感知矩陣，n為噪聲。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟S4中，DnNet網(wǎng)絡(luò)的均方誤差損失函數(shù)計(jì)算如下：

其中，||·||為歐幾里得范數(shù)，Θ為參數(shù)集，T為訓(xùn)練集的樣本數(shù)，f(Y；Θ)為訓(xùn)練模型的輸出。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟S5中，定義S1×S2×S3分別為特征圖的長(zhǎng)度，寬度和數(shù)量，根據(jù)步驟S3得到初始信道估計(jì)值大小為L(zhǎng)N_BS×1的復(fù)向量，將維度變換為2LN_BS×1的實(shí)向量，然后進(jìn)行歸一化；將歸一化后的實(shí)向量維度變換為兩個(gè)大小為的矩陣，可視為兩通道圖片，將維度變換后的初始估計(jì)CSI輸入到多個(gè)基于殘差學(xué)習(xí)的網(wǎng)絡(luò)模塊中；將最后一個(gè)基于殘差學(xué)習(xí)的網(wǎng)絡(luò)模塊輸出結(jié)果輸入到最后的卷積層，使用sigmoid函數(shù)將數(shù)值縮放到[0，1]；最后對(duì)DnNet網(wǎng)絡(luò)的輸出進(jìn)行維度變換，并進(jìn)行逆歸一化，得到最終的CSI估計(jì)結(jié)果