[發明專利]基于壓縮感知和深度學習的信道估計方法、介質及設備

有效

• 申請號: 202011488082.0
• 申請日: 2020-12-16
• 公開（公告）號: CN112615801B
• 公開（公告）日: 2021-11-19
• 發明（設計）人: 范建存;梁培哲
• 申請（專利權）人: 西安交通大學
• 主分類號: H04L25/02
• 分類號: H04L25/02;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 高博

本發明公開了一種基于壓縮感知和深度學習的信道估計方法、介質及設備，正交頻分復用系統的基站端采用梳狀導頻形式向下行鏈路中的用戶端發送信號；下行鏈路中的用戶端獲得發送的導頻接收信號y，并反饋回基站端；正交頻分復用系統的基站端根據得到的接收導頻信號y，利用時延域稀疏信道的結構化稀疏特性，進行基于壓縮感知的AS?JOMP算法進行信道估計，得到初始估計信道搭建基于深度學習的降噪神經網絡，利用已有的樣本訓練DnNet網絡，得到網絡參數Θ；根據DnNet網絡對獲得的初始估計信道進行去噪，得到最終估計的信道狀態信息本發明采用了一種輕量級的網絡，使得訓練過程更加快速，減小計算量，最終得到準確的CSI估計值。

技術領域

本發明屬于通信技術領域，具體涉及一種基于壓縮感知和深度學習的信道估計方法、介質及設備。

背景技術

在頻分雙工(Frequency Division Duplexing，FDD)系統中，由于信道不具有互易性，不能通過上行估計直接得到下行信道信息。為了得到下行信道狀態信息(channelstate information，CSI)，必須進行下行導頻訓練下行信道。這種場景下，基站發送導頻給用戶，用戶接收到導頻后估計信道信息并反饋給基站，或者用戶直接將接收到的導頻信息反饋給基站，基站再聯合進行信道估計。在這種情況下，為了獲得較準確的信道信息，傳統的信道信息獲取方法需要導頻信號的長度與基站天線數有關，且不能小于基站天線數。在大規模多輸入多輸出(Multiple-input Multiple-output,MIMO)系統中，基站天線數是幾十到幾百根，若按照傳統的信道信息獲取方法，導頻長度將會很大，甚至超過信道的相干時間。這就表明，在大規模MIMO系統中，采用傳統的方法如最小二乘(Least Square，LS)或最小均方誤差(Minimum Mean Square Error，MMSE)進行信道信息獲取，不僅導頻訓練開銷大，而且很可能根本無法在相干時間內估計有效的信道信息。

很多研究表明，大規模MIMO信道在時延域具有稀疏性。在實際的場景中，由于散射體數目有限，且在基站與用戶之間隨機分布，最早到達接收端的多徑信號的到達時間和最后到達接收端的多徑信號的到達時間的時間差很大，即產生了很大的信道時延擴展。同時，由于基站與用戶之間的散射體數目有限，而能產生較強多徑信號的有效散射體的數目則是更少，故收發天線之間的時域信道的抽頭值大部分比較小，或者為零，只有少數幾個抽頭處的抽頭值較大，使得收發天線之間的信道具有稀疏特性。利用時延域信道的稀疏性，采用基于壓縮感知的方法，利用信息在信號內的結構和內容，在遠低于奈奎斯特頻率的采樣頻率下，仍可精確的恢復原始信號，從而能大大減少FDD系統進行下行信道訓練時所需的導頻長度。采用基于壓縮感知技術，在減少系統的CSI獲取開銷的同時，所獲取的CSI的質量也比較好。

傳統的基于壓縮感知的方法如正交匹配追蹤(Orthogonal Matching Pursuit，OMP)和壓縮采樣匹配追蹤算法(Compressive Sampling Matching Pursuit，CoSaMP)等方法，需要已知信道的先驗知識，如信道稀疏度等，同時估計得到的信道仍包含大量噪聲。而在實際場景下，基站端并不容易獲知信道的先驗知識，因此需要一種不需要已知信道先驗知識的基于壓縮感知的信道估計算法，同時結合深度學習方法對初步得到的估計結果進行去噪，提升CSI估計的精度。

發明內容

本發明所要解決的技術問題在于針對上述現有技術中的不足，提供一種基于壓縮感知和深度學習的信道估計方法、介質及設備，用于實現提升基站端估計信道狀態信息的精度的目的。

本發明采用以下技術方案：

一種基于壓縮感知和深度學習的信道估計方法，包括以下步驟：

S1、正交頻分復用系統的基站端采用梳狀導頻形式向下行鏈路中的用戶端發送信號；

S2、下行鏈路中的用戶端獲得步驟S1發送的導頻接收信號y，并反饋回基站端；