[发明专利]一种基于深度学习网络的毫米波稀疏阵面信道估计方法

说明书

本发明公开了一种基于深度学习网络的毫米波稀疏阵面信道估计方法，以毫米波信道稀疏特性为先验信息，训练设计的全连接深度神经网络，用于毫米波阵面通信信道估计。首先采用全连接移相器网络，通过配置各移相器相位均匀分布来设计各向同性的模拟收发器；然后将获得的信道稀疏信息和设计的最优数字估计器作为全连接深度学习网络的训练数据。对于各信噪比下的稀疏信道，将信道的稀疏信息输入网络，得到相应的数字估计器，进而得到信道估计结果。本发明给出的稀疏信道估计器可以减小低精度模数转换器非线性量化带来的误差，并使用深度学习网络实现，从而降低信道估计复杂度，本发明性能能够逼近理论上最优的信道估计方法。

技术领域

本发明涉及通信领域，涉及信道估计方法，更为具体的说是涉及一种基于深度学习网络的毫米波稀疏阵面信道估计方法。

背景技术

近年来，通信技术取得了突破性的进展并逐步趋于成熟，全球范围内的移动通信产业已经得到了迅猛的发展。多输入多输出(MIMO)技术是通信技术发展的关键技术之一，提高了系统的数据传输速率。通过系统的发送端以及接收端配备多根天线，利用收发两端的多天线形成分集，可以提高系统稳定性。与此同时，由于收发两端天线间的独立信道数目的大大增加，单位时间内系统发送的数据量也得以提升，进而提高了系统的频谱利用效率。

Massive MIMO(即大规模天线)技术在传输速率，能量效率，传输可靠性等方面相较于MIMO技术有了大幅改进，而毫米波大规模MIMO技术大大减小了大规模天线阵面的配置难度，而大规模MIMO技术则解决了毫米波信号高损耗易被阻挡的问题。为了减小毫米波大规模MIMO系统中的功耗和硬件复杂度，可以使用少量射频链路的数模混合架构。

为了进行高性能传输，需要首先进行信道估计。传统的大规模多天线技术系统的信道估计本身就是一大挑战，混合架构下低精度模数转换器的使用在降低成本和功耗的同时让信道估计变得更加困难。同时，如何在利用毫米波信道稀疏性的同时降低估计复杂度和导频开销，并获得高精度信道估计也是一大挑战。

发明内容

为解决上述问题，本发明提出一种的稀疏信道估计方法，用于低精度模数转换器以及混合构架的宽带mmWave大规模多天线技术系统中。以毫米波信道稀疏特性为先验信息，将稀疏信道的选择矩阵及其对应的数字估计器作为输入对设计的全连接深度神经网络进行训练，得到适用于不同信噪比的深度神经网络，用于毫米波阵面通信信道估计。首先采用全连接移相器网络，通过配置各移相器相位均匀分布来设计各向同性的模拟收发器；然后将获得的信道稀疏信息作为先验知识，设计最优的数字估计器，将二者作为全连接深度学习网络的训练数据。对于各信噪比下的稀疏信道，将信道的稀疏信息输入网络，可以获得相应的数字估计器，从而得到信道估计结果。本发明给出的稀疏信道估计器可以减小低精度模数转换器非线性量化带来的误差，并使用深度学习网络实现从而降低信道估计复杂度。在采用低精度模数转换器的混合构架多天线系统中，本发明性能能够逼近理论上最优的信道估计方法。

为了达到上述目的，本发明提供如下技术方案：

一种基于深度学习网络的毫米波稀疏阵面信道估计方法，包括：

发射端发送导频信号，经过全连接的移相器组成的模拟预编码器经由信道到达接收机，接收端使用模拟估计器、低精度模数转换器量化器和深度学习网络获得信道估计；

其特征在于：在所述硬件架构基础上的信道估计方法包括以下步骤：

步骤一：基站设计模拟预编码并发送导频信号，模拟预编码F_Am根据以下公式设计：

其中，[]_ij表示矩阵的第i行、第j列的元素；F_Am表示维度为N_t×N_RFt的模拟预编码矩阵，N_t表示发射天线数，N_RFt表示发射端射频链路数；表示模拟预编码矩阵的第i行、第j列元素的相位；