[发明专利]一种基于深度学习的下行信道快速重建方法

权利要求书

1.一种基于深度学习的下行信道快速重建方法，其特征在于，具体步骤如下：

(1)用户设备在带外发送上行导频信号，将从基站接收到的带外上行导频信号映射在时延-角度域，并转化为实矩阵，然后将实矩阵画成二维彩色图像，得到上行信道图像，将这些上行信道图像分为训练集、验证集和测试集，使用围绕光斑的方形框的左上角和右下角坐标对训练集和验证集图像中光斑的位置坐标进行标记；

其中，将从基站接收到的带外上行导频信号[Y]∈C^M×N映射在时延-角度域得到其中和U_T分别是αM和βN维DFT矩阵的前M和N行，M和N分别是基站天线数和子载波数，α和β均为过采样因子；然后对中的每一个元素取模并归一化，然后乘以δ＝255，得到其中表示中第i行第j列的元素，将画成二维彩色图像，得到对应的上行信道图像；

(2)利用训练集对目标检测系统YOLO进行训练，并通过验证集进行验证；

(3)利用训练好的YOLO检测测试集上行信道图像中光斑的位置坐标，并对应地计算出上行信道中各个传播路径的角度和时延；其中，上行信道中第l条传播路径的角度和时延的关系是：

式中，(x_l,min,y_l,min)和(x_l,max,y_l,max)分别为上行信道图像中围绕第l个光斑的方形框的左上角坐标和右下角坐标；

(4)利用牛顿正交匹配追踪算法估计上行信道增益，然后在下行链路发送上行导频信号，使用最小二乘法根据反馈信号对上行信道的增益进行优化，得到下行信道增益；

(5)将YOLO检测并计算出的上行信道中各个传播路径的角度和时延，以及在下行信道中得到的下行信道增益输入下行信道模型中，完成下行信道重建。

2.根据权利要求1所述的一种基于深度学习的下行信道快速重建方法，其特征在于，步骤(2)中通过验证集的验证应满足以下条件：(1)输入验证集图像，得到的输出图像中应包含所有光斑的方形框；(2)输出图像中任意一个方形框都能够包围光斑；(3)检测出的光斑中心点坐标与其真实坐标的差异不大于0.5。