[发明专利]基于深度神经网络的混合量化系统的信道估计方法

说明书

本发明公开了一种基于深度神经网络的混合量化系统的信道估计方法，首先，将基站天线分为高精度ADC天线和低精度ADC天线两个集合，在仿真环境根据系统传输模型和信道模型产生真实信道和接收并量化的导频信号作为训练数据；然后，将训练数据分别送入设计的深度神经网络1和2中进行离线训练，通过调整神经网络权重矩阵直至性能收敛，结束训练；最后，将训练好的神经网络1和2装配在基站端，分别用于估计高精度ADC天线和低精度ADC天线对应的信道。本发明的估计方法充分利用深度神经网络强大的学习能力，经过离线的基于大量数据的训练，深度神经网络能够发掘大规模天线系统中不同天线之间的空间相关性，从而实现从高精度ADC天线对应信道到低精度ADC天线对应信道的准确映射。

技术领域

本发明涉及一种基于深度神经网络的混合量化系统的信道估计方法，属于无线通信技术领域。

背景技术

大规模天线系统在基站端配置天线数达数十甚至数百根以上的天线阵列，基站利用大规模天线阵列在相同的时频资源上同时与多个用户进行通信。利用基站大规模天线阵列提供的空间自由度，提高多用户之间的频谱资源复用能力、各个用户的频谱效率及抗小区间干扰能力，从而大幅度提升频谱资源整体利用率。同时，利用大规模天线阵列提供的阵列增益，进一步提升了整体功率效率。相比于传统多天线系统，大规模天线系统具有以下优点：大规模天线可以在将容量提升10倍甚至以上的同时将射频能效提高100倍，允许使用廉价低功耗的设备，可以显著降低接口延时，能够提高对抗恶意干扰的鲁棒性等。理论上，随着基站天线数目增加，不同用户与基站之间的信道呈现准正交性，使得大规模天线系统具有以下关键特性：1)简单的线性信号处理方式趋于最优；2)用户间干扰和信道估计误差造成的干扰与有用信号的比值趋于零；3)用户能够以极低的发射功率保持一定的传输速率，大幅提升能量效率，降低用户端功率放大器成本。虽然大规模天线技术具备大幅提升系统性能的潜力和广阔的应用前景，但仍有许多实际问题需要解决，如导频污染、频分双工大规模天线系统下行信道获取、硬件实现成本过高等，其中硬件实现成本问题直接决定了基于大规模天线技术的基站能否大范围部署以显著提升网络性能相。相比于传统多天线系统，大规模天线系统中天线数量巨大，考虑到当前硬件设计和制造水平，无法为每个天线装配昂贵且高能耗的射频链路器件，使用低成本的器件作为代替成为目前学术界和工业界关注的重点。已有文献分析了大规模天线系统中使用低成本硬件的各种硬件损伤对信道估计、系统容量和能量效率的影响。在各种射频链路器件中，高精度的模数转换器(analog-to-digital converter,ADC)是造成高成本的一个主要因素，它同时还会带来非常高的能耗。ADC的功耗可表示为P_ADC＝cf_s2^b，其中c为常数，f_s为采样频率，b为ADC精度，可见ADC精度每增加1比特，功耗变为原来的2倍，使用3比特ADC造成的能耗仅为常用的10比特ADC能耗的0.008。因此，在基站使用低精度的ADC来降低大量天线带来的能量消耗和设备成本。作为代价，经过低精度ADC量化的信号会出现严重的非线性失真，对信道估计和信号检测带来巨大挑战。

对于低精度ADC的非线性量化过程，直接处理较为困难，因此大部分文献将此非线性过程近似为线性过程，即把量化后的信号表示为量化增益乘以量化前信号加量化噪声，然后基于此模型进行了信道估计和信号检测的算法设计和性能分析。然而，基于此近似模型优化的结果应用到实际量化过程中无法取得较好的性能，使得传统方法受到很大局限性。深度神经网络通过多层采用非线性激活函数的隐藏层，能够非常准确地近似各种非线性函数。通过基于数据的训练发掘出输入输出之间的隐藏关系，能够有效地对抗低精度ADC等硬件损伤引入的非线性失真，从而得到更适用于实际大规模天线系统的方法。因此，对于存在低精度ADC的大规模天线系统，设计基于深度神经网络的信道估计和接收算法非常具有理论价值和实际意义。

发明内容