[发明专利]基于深度神经网络的信道估计方法、设备和可读存储介质

说明书

本发明属于无线通信中信号处理技术领域，公开了一种基于深度神经网络的信道估计方法、设备和可读存储介质，包括通过通信信道中发送的导频序列和接收的量化后的导频信号，得到第一训练标签，并通过深度神经网络训练第一训练标签得到基于导频的信道估计系数，通过基于导频的信道估计系数和接收的量化数据得到发送数据，通过发送数据和接收的量化数据，得到第二训练标签，并通过深度神经网络训练第二训练标签得到基于数据的信道估计系数；将基于导频的信道估计系数和基于数据的信道估计系数求平均得到信道估计系数。通过深度神经网络训练得到基于导频的信道估计系数后，再进行数据的信道估计，得到基于数据的信道估计系数，将二者的平均作为最终的信道估计系数，极大的提高了信道估计精度。

技术领域

本发明属于信号处理技术领域，涉及一种基于深度神经网络的信道估计方法、设备和可读存储介质。

背景技术

大规模多输入多输出(MIMO)技术是在基站部署成百上千根天线的大规模天线阵列，在同一时频资源上服务更多的用户，以此来极大提高频谱效率。但是当基站采用128根天线所使用的硬件造价达数百万人民币，极大增加了系统部署成本。另一方面，大量的天线对应大量的射频链路，使得基站接收系统的功耗显著增加。上行链路的接收机功耗包括由模数转换器(ADC)处理单元功耗和基带数字处理单元功耗两个方面，其中，ADC的功耗正比于采样速率和量化间隔；而基带数字处理的数据量又由ADC的采样频率和量化比特数来决定。因此，基站端ADC的指标选取将直接决定大规模MIMO系统总的功率消耗。除此之外，ADC精度越低基带数据处理压力越小，并且单比特ADC无需自动增益控制和线性放大器，能够用简单的比较器实现，价格可大幅度降低。所以，在大规模MIMO系统中采用单比特ADC将会在很大程度上降低成本和能耗，符合当前绿色通信的要求。然而，使用低精度ADC对基站端射频输出的I路和Q路进行采样量化时，会造成接收信号中幅度信息和相位信息的丢失，从而导致上行信道估计和数据检测性能的严重损失。尤其在TDD系统中，上行信道估计精度的大幅度下降，不仅会影响上行数据检测的性能，还会严重影响基于信道状态信息的下行传输策略的实施，从而极大降低下行传输链路的可靠性。因此，上行信道估计一直是低精度量化大规模MIMO系统研究的热点。

目前，针对单比特量化大规模MIMO系统的上行信道估计，基本可划分为两类：基于导频序列的信道估计及导频和数据联合的信道估计。在导频信道估计方面，已有算法包括最小二乘估计(LS)，最大似然估计(ML)和线性最小均方误差估计(LMMSE)等。其中采用LMMSE的文献引入Bussgang分解方法将原非线性单比特量化过程等效为一个线性过程，再采用LMMSE算法解决该线性估计问题。该方法简化了信道估计问题，也获得了更高的信道估计精度，但将非线性过程等效为线性过程时拟合误差过大，量化噪声的影响不能得到有效降低。因此，信道估计的均方误差(MSE)存在着一个较高的下界，即：当信噪比趋于无穷大时，信道估计MSE将趋近于-4.40dB(即0.363)。还有一部分学者利用神经网络来估计信道，但是其训练标签是通过统计模型仿真得到的信道矩阵，但在实际系统中无法获得真实的信道参数，也就无法采用该方法对网络进行线下训练，所以在实际系统中难以运用。众所周知，增加导频序列的长度可以在一定程度上改善估计性能，但同时会导致系统传输效率的下降。为了缓解这个矛盾，另一类文献介绍了一种利用导频序列和检测后数据联合进行信道估计的算法。该算法在不增加导频序列长度的情况下提高了信道估计性能。然而，从已有研究工作的分析和实验结果来看，上述信道估计方案的估计精度均不理想，大部分估计算法在任意SNR取值下的MSE都在0.1以上。

由此可见，现有的信道估计算法并不能获得较高的估计精度，估计性能还存在较大的提升空间。

发明内容

本发明的目的在于克服上述现有技术中信道估计方案的估计精度较低的缺点，提供一种基于深度神经网络的信道估计方法、设备和可读存储介质。

为达到上述目的，本发明采用以下技术方案予以实现：

本发明一方面，一种基于深度神经网络的信道估计方法，包括以下步骤：