[发明专利]一种基于迁移学习的多用户下行信道估计方法及装置

说明书

本发明实施例提供一种基于迁移学习的多用户下行信道估计方法及装置，该方法包括：获取多个用户上行信道信息；将所述多个用户上行信道信息输入预设下行信道估计模型，得到多个用户下行信道预估信息；其中，所述预设下行信道估计模型是通过带下行信道实数化向量标签的历史用户网络样本信息和带下行信道实数化向量标签的新用户网络样本信息训练得到的。将多个用户上行信道信息输入预设下行信道估计模型即可得到多个用户下行信道估计信息，本发明实施例通过训练好的预设下行信道估计模型能够实现高效率和高鲁棒性的多用户下行信道估计。

技术领域

本发明涉及通信技术领域，尤其涉及一种基于迁移学习的多用户下行信道估计方法及装置。

背景技术

大规模多输入多输出(Massive MIMO)以其高频谱、高能效，高空间分辨率和高波束增益等显著优势被广泛认为是未来无线通信系统中的一项有前途的技术。然而，由于下行训练和上行反馈开销巨大，难以实现高精度的多用户下行信道估计，从而极大影响了Massive MIMO系统的高效传输。

现有技术中，下行信道估计算法往往对于信道的特性具有严格的假设，例如假设信号传播路径是有限的可区分数条径或假设信道具有极大的稀疏性。相比于传统算法，基于深度学习的下行信道估计算法具有显著更低的复杂度且不受限于精确的信道模型假设。然而，现有基于深度学习的下行信道估计算法主要针对于单用户的下行信道估计，即系统中每一个用户需要单独收集数据并重新训练网络，从未导致了难以接受的时间和数据成本。

因此，如何更高效的实现对于用户的下行信道估计已经成为业界亟待解决的问题。

发明内容

本发明实施例提供一种基于迁移学习的多用户下行信道估计方法及装置，用以解决上述背景技术中提出的技术问题，或至少部分解决上述背景技术中提出的技术问题。

第一方面，本发明实施例提供一种基于迁移学习的多用户下行信道估计方法，包括：

获取多个用户上行信道信息；

将所述多个用户上行信道信息输入预设下行信道估计模型，得到多个用户下行信道预估信息；

其中，所述预设下行信道估计模型是通过带下行信道实数化向量标签的历史用户网络样本信息和带下行信道实数化向量标签的新用户网络样本信息训练得到的。

更具体的，在所述将所述多个用户上行信道信息输入预设下行信道估计模型的步骤之前，所述方法还包括：

根据多个带下行信道实数化向量标签的历史用户网络样本信息对预设深度神经网络进行预训练，当满足第一预设条件时，得到预训练神经网络；

根据多个下行信道实数化向量标签的新用户网络样本信息对预训练神经网络进行迁移训练，当满足第二预设条件时，得到预设下行信道估计模型。

更具体的，在所述根据多个带下行信道实数化向量标签的历史用户网络样本信息对预设神经网络进行预训练的步骤之前，所述方法还包括：

获取历史用户网络环境样本信息，通过随机选择上行载波频率和预设上下行频率差，得到带下行信道实数化向量标签的历史用户网络样本信息；

将所述带下行信道实数化向量标签的历史用户网络样本信息均等且不交叉的划分成支撑样本数据集和查询样本数据集。

更具体的，所述根据多个带下行信道实数化向量标签的历史用户网络样本信息对预设深度神经网络进行预训练，当满足第一预设条件时，得到预训练神经网络的步骤具体包括：

将任一历史用户的支撑样本数据集和多个历史用户的查询样本数据集分别输入预设深度神经网络模型，输出样本下行信道的实化向量预测值；

利用预设历史用户损失函数并根据所述样本下行信道的实数化向量预测值，结合下行信道实数化向量标签计算损失值；