[發明專利]基于殘差DNN的1-比特大規模MIMO信道估計方法

有效

• 申請號: 202110064947.9
• 申請日: 2021-01-18
• 公開（公告）號: CN112865841B
• 公開（公告）日: 2022-04-19
• 發明（設計）人: 蒲旭敏;吳超;孫致南;景小榮;陳前斌
• 申請（專利權）人: 重慶郵電大學
• 主分類號: H04B7/0413
• 分類號: H04B7/0413;H04B17/391;H04L25/02
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 張晨

本發明屬于無線通信技術領域，具體涉及基于殘差DNN的1?比特大規模MIMO信道估計方法，用戶端所有天線向基站發送導頻信號，基站端天線接收到信號矩陣，將接收的信號矩陣向量化處理，分別對其實部和虛部進行量化，根據量化信號以及信道模型生成用于訓練深度殘差神經網絡的樣本集；將訓練樣本集送入深度殘差神經網絡進行離線階段訓練；再將訓練好的深度殘差神經網絡配置在基站端，用于在線階段的信道估計；本發明通過將殘差網絡的思想引入到深度神經網絡中，解決了直接使用深度神經網絡進行信道估計時梯度爆炸和梯度消失的問題，且由于殘差深度神經網絡具有強大的學習能力，使得1?比特大規模MIMO系統信道估計的性能得到了顯著提升。

技術領域

本發明屬于無線通信技術領域，尤其涉及基于殘差DNN的1-比特大規模MIMO信道估計方法。

背景技術

大規模MIMO是第五代通信系統的核心技術，大規模MIMO技術可以提供極高的空間分辨率和陣列增益，實現非常密集的空間復用，從而滿足快速增長的無線連接需求和高能效需求。然而，大量的天線也帶來了一系列新的問題。在大多數大規模MIMO的工作中，都假設了具有無限分辨率的模數轉換器(ADC)的完美硬件結構，其成本和功耗是非常龐大的，在大規模MIMO系統中使用1-比特ADC能在保持良好的可實現速率性能的同時降低功耗。

在1-比特MIMO系統中一個亟待解決的重要問題就是如何進行信道估計,現有的大多數1-比特MIMO系統信道估計方法，都是基于某種線性近似來進行估計，估計性能一般而且復雜度高，因此很難運用于實際系統。隨著算力的提升，深度學習方法由于在海量數據中的強大學習能力，在無線通信領域得到了廣泛的應用?，F有技術人員通常將深度神經網絡簡稱為“DNN”，由于深度神經網絡的非線性和泛化特性，已有相關研究將深度神經網絡應用于1-比特ADC大規模MIMO系統信道估計。如中國發明專利【公開號CN110661734A】公布的一種基于深度神經網絡的信道估計方法、設備和可讀存儲介質，通過深度神經網絡訓練得到基于導頻的信道估計系數后，再進行數據的信道估計，得到基于數據的信道估計系數，將二者的平均作為最終的信道估計系數，極大的提高了信道估計精度。

但該專利的深度神經網絡隨著網絡層數的增加會出現梯度消失和梯度爆炸等問題，這就限制了深度神經網絡在1-比特ADC大規模MIMO系統的廣泛應用。

發明內容

有鑒于此，本發明的目的是提供基于殘差DNN的1-比特大規模MIMO信道估計方法，解決現有技術中深度神經網絡隨著網絡層數的增加會出現梯度消失和梯度爆炸等問題的問題。

本發明通過以下技術手段解決上述技術問題：

基于殘差DNN的1-比特大規模MIMO信道估計方法，該方法基于單小區點對點大規模MIMO通信場景，考慮信道為平坦快衰落模型，基站端配備M根天線，用戶端配備N根天線，基站端的每根天線配備有一個1-比特ADC，分別量化接收到的信號的實部(Re)與虛部(Im)，其特征在于，所述方法包括以下步驟：

S1.用戶端所有天線向基站發送導頻信號，基站端天線接收到信號矩陣，將接收的信號矩陣向量化處理，得到向量化后的接收信號；

S2.對向量化后的接收信號進行1-比特ADC處理，分別對其實部和虛部進行量化，得到量化信號；

S3.根據量化信號以及信道模型生成用于訓練深度殘差神經網絡的樣本集；

S4.將S3中構建的訓練樣本集送入深度殘差神經網絡進行離線階段訓練；

S5.將S4中訓練好的深度殘差神經網絡配置在基站端，用于在線階段的信道估計；

S6.用戶向基站發送導頻信號，將由用戶發送且經基站天線接收并量化的導頻信號輸入配置在基站端的深度殘差神經網絡,獲得用戶到基站端的所有天線的估計信道。