[发明专利]一种基于深度学习的下行信道快速重建方法

说明书

本发明公开了一种基于深度学习的下行信道快速重建方法，在频分双工模式下的大规模多输入多输出系统中，利用空间互异性可以在上行信道中估计出角度和时延这类与频率无关的参数，采用深度学习可以加速这一估计过程，辅助完成下行信道快速重建。首先将上行信道转换并画成二维彩色图像，并利用方形框对已知的上行信道图像标注图像中光斑的位置，接着利用深度学习中的一种先进的目标检测算法you only look once(YOLO)对这些样本进行训练，然后利用训练好的YOLO网络对未知上行信道图像中的光斑进行位置检测，输出紧紧包围目标光斑的方形框，以及方形框左上角和右下角的坐标，最后将输出的坐标转换为对应传播路径的信息，包括角度和时延，辅助重建下行信道。

技术领域

本发明涉及一种基于深度学习的下行信道快速重建方法，特别涉及一种频分双工(FDD)大规模多输入多输出(MIMO)系统的基于深度学习的下行信道重建方法。

背景技术

大规模MIMO是第五代移动通信系统中的关键技术之一，该技术通过在相同的时频资源上对大量用户进行空间复用来提高频谱效率。如果在发射端获得了信道状态信息(CSI)，就可以根据当前的信道状况调整发送策略，从而提供高质量的移动服务。最小二乘(LS)和线性最小均方误差(LMMSE)是两种广泛使用的估计信道的线性方法。但是，当频分双工(FDD)与大规模MIMO结合使用时，空间互易性不成立。由于此时难以在信道相干时间内为基站(BS)上的大量天线设计正交的下行导频，而且需要消耗大量开销以反馈高维复信道矩阵，因此这些线性方法不再可行。针对下行链路CSI的获取已开展许多研究，目前广泛采用的策略是利用空间互易性来有效地重建FDD大规模MIMO下行链路信道。例如使用诸如牛顿正交匹配追踪(NOMP)，多重信号分类(MUSIC)和最小绝对值收敛和选择算法(LASSO)。然而，利用这些算法重建大规模MIMO下行链路信道需要巨大的计算复杂度和消耗较长的运算时间。因此，下行链路CSI的快速获取成为FDD大规模MIMO系统中的问题。

近年来深度学习的快速发展极大地提高了计算速度，深度学习的光明前景激发了基于深度学习的信道估计的大量研究。在处理信道估计问题时，可以利用深度学习中的目标检测算法，将上行信道转换并画成可识别的二维彩色图像，检测出图片中的信道信息，再将这些信息用于下行信道的重建。这种基于深度学习的信道估计比传统方法快得多，更健壮且更有前途。

综上所述，如何利用深度学习在FDD大规模MIMO快速准确地重建下行信道成为未来移动通信中的一个重要问题。

发明内容

为了克服现有技术存在的不足，本发明提供一种面向FDD系统的基于深度学习的下行信道快速重建方法，突破了FDD大规模MIMO系统下行信道重建计算复杂度过高的瓶颈，利用深度学习中的目标检测算法YOLO，实现FDD大规模MIMO系统下行信道的快速重建，同时保证了重建信道的可用性。

本发明为解决上述技术问题采用以下技术方案：

一种基于深度学习的下行信道快速重建方法，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(上行信道图像中的一个光斑对应信道中的一条传播路径，传播路径数目为L，满足L大于等于1，且光斑的位置坐标的标记包括但不限于以下实现形式：(x_l,min,y_l,min,x_l,max,y_l,max))；

(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；本发明中，训练的YOLO网络包括但不限于以下形式：YOLOv1，YOLOv2，YOLOv3，YOLO Nano。