[發明專利]大規模MIMO信道估計模型的構建方法、裝置及介質

有效

• 申請號: 202111057350.8
• 申請日: 2021-09-09
• 公開（公告）號: CN113890795B
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 杜翠鳳;鄭家兵;李宗;燕賓朋;張英孔;江瑞宇;張振;梁暉;查中泉;胥小偉
• 申請（專利權）人: 廣州杰賽科技股份有限公司;廣州杰賽通信規劃設計院有限公司
• 主分類號: H04L25/02
• 分類號: H04L25/02;H04B7/0413
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 麥小嬋;郝傳鑫

1.一種大規模MIMO信道估計模型的構建方法，其特征在于，包括：

接收n組在線信號數據；其中，所述在線信號數據包含所述在線信號數據的誤碼率；n為大于等于1的自然數；

通過深度學習提取預先獲取的離線信號數據的高層語義特征和n組所述在線信號數據的高層語義特征，得到離線高層語義特征和n組在線高層語義特征；其中，所述離線信號數據包含所述離線信號數據的誤碼率；

將所述離線高層語義特征和n組所述在線高層語義特征分別輸入至預先構建的n+1個神經網絡中進行訓練，得到初始信道估計模型和n個在線信道估計模型；

基于所述離線信號數據的誤碼率和n個所述在線信號數據的誤碼率，對所述初始信道估計模型和n個所述在線信道估計模型進行集成學習，得到最優信道估計模型。

2.如權利要求1所述的大規模MIMO信道估計模型的構建方法，其特征在于，所述通過深度學習提取預先獲取的離線信號數據的高層語義特征和n組所述在線信號數據的高層語義特征，得到離線高層語義特征和n組在線高層語義特征，具體為：

通過深度學習提取預先獲取的所述離線信號數據在發送端的離線語義特征和在接收端的離線語義特征，將所述發送端的離線語義特征和所述接收端的離線語義特征進行拼接，得到所述離線信號數據的離線高層語義特征；

通過深度學習提取n組所述在線信號數據在發送端的在線語義特征和接收端的在線語義特征，將所述發送端的在線語義特征和所述接收端的在線語義特征進行拼接，得到n組所述在線信號數據的在線高層語義特征。

3.如權利要求1所述的大規模MIMO信道估計模型的構建方法，其特征在于，所述將所述離線高層語義特征和n組所述在線高層語義特征分別輸入至預先構建的n+1個神經網絡中進行訓練，得到初始信道估計模型和n個在線信道估計模型，具體為：

將所述離線高層語義特征輸入至一個預先構建的神經網絡中，以所述離線信號數據的信道狀態信息為標簽，對所述神經網絡進行訓練，得到初始信道估計模型；

將n組所述在線高層語義特征分別輸入至其他預先構建的n個神經網絡中，分別以n組所述在線信號數據的信道狀態信息為標簽，對n個所述神經網絡進行訓練，得到n個在線信道估計模型。

4.如權利要求1所述的大規模MIMO信道估計模型的構建方法，其特征在于，所述基于所述離線信號數據的誤碼率和n個所述在線信號數據的誤碼率，對所述初始信道估計模型和n個所述在線信道估計模型進行集成學習，得到最優信道估計模型，具體為：

基于所述離線信號數據的誤碼率和n個所述在線信號數據的誤碼率，計算所述初始信道估計模型的準確率和n個所述在線信道估計模型的準確率；

基于所述初始信道估計模型的準確率和n個所述在線信道估計模型的準確率，通過加權平均的方式計算所述初始信道估計模型的權重和n個所述在線信道估計模型的權重；

根據所述初始信道估計模型的權重和n個所述在線信道估計模型的權重，對所述初始信道估計模型和n個所述在線信道估計模型進行集成學習，得到最優信道估計模型。

5.一種大規模MIMO信道估計模型的構建裝置，其特征在于，包括：

信號接收模塊，用于接收n組在線信號數據；其中，所述在線信號數據包含所述在線信號數據的誤碼率；n為大于等于1的自然數；

高層語義提取模塊，用于通過深度學習提取預先獲取的離線信號數據的高層語義特征和n組所述在線信號數據的高層語義特征，得到離線高層語義特征和n組在線高層語義特征；其中，所述離線信號數據包含所述離線信號數據的誤碼率；

信道模型構建模塊，用于將所述離線高層語義特征和n組所述在線高層語義特征分別輸入至預先構建的n+1個神經網絡中進行訓練，得到初始信道估計模型和n個在線信道估計模型；

模型優化模塊，用于基于所述離線信號數據的誤碼率和n個所述在線信號數據的誤碼率，對所述初始信道估計模型和n個所述在線信道估計模型進行集成學習，得到最優信道估計模型。