[发明专利]基于深度学习的量化信号重建方法及到达角估计方法

说明书

本发明公开了一种基于深度学习的量化信号重建方法及到达角估计方法，其中基于深度学习的量化信号重建方法包括：建立应用于天线阵列的信号模型；构造不同位数模数转换器产生的量化噪声模型，并将噪声模型施加于原信号模型以产生量化信号；构建基于深度学习的神经网络模型，该网络模型以量化信号为输入，输出为去除量化噪声的重建信号。神经网络模型一般包括一个输入层，一个输出层，以及多个隐藏层。通过训练学习该神经网络，最终可以实现在较低复杂度条件下对量化信号的有效重建。

技术领域

本发明涉及一种基于深度学习的量化信号重建方法，该方法属于阵列信号处理技术领域。

背景技术

在大型的MIMO系统，新型智能反射面系统中，常常会配备大量的天线及射频通道，减小射频链路的成本对于多通道系统来说至关重要。对上述系统来说，希望尽量去除模数转换器带来的量化噪声从而提高信道估计、到达角估计精度，同时又希望降低模数转换器的成本。常用的去除量化噪声的方法有提高采样率，重建协方差矩阵，改变阵列构型。采样率的提高，尽管可以有效去除量化噪声，但硬件上的成本会显著提升，基于神经网络的协方差矩阵重建会随着天线个数的增加使计算量急剧增加，且不能有效恢复信号，而改变阵列构型只适用于特定的结构，此方法不具备普适性。

综合考虑现有的量化信号重建领域，主要面临如下几个问题：

1)现有的技术手段普适性较差，只适用于特定场景，且不能有效降低成本。

2)现有基于深度学习的方法也是以协方差矩阵作为输入，导致神经网络的复杂度随着天线数量的增加而显著增加，导致训练难度增加，模型参数过多。

发明内容

本发明可用于解决现有技术中的不足，提供了一种基于深度学习的量化信号重建方法，解决现有方法中复杂度高、应用范围窄的问题，通过对神经网络结构的合理设计，达到较好的信号重建水平。

本发明具体采用以下技术方案解决上述技术问题：

一种基于深度学习的量化信号重建方法，其特征在于，包括：

构造接收信号的阵列模型；

构造模数转换器产生的量化噪声模型，并将量化噪声模型施加于阵列模型以产生量化信号；

构建基于深度学习的神经网络模型，该网络模型以量化噪声模型产生的量化信号为输入，输出为去除量化噪声的重建信号。

根据天线之间间隔和信号的波长构建已知结构阵列的阵列模型。

接收信号的阵列模型表示为：

x＝Ds+w

其中，x为接收到的量化信号向量，w为高斯白噪声，D为信号方位形成的导向矢量矩阵；

式中，d为阵元间距，λ为波长，M为阵元数量，K为信号数量，s为不同方位的信号，θ_1-θ_K分别为第1个到第K个信号的来波方向。

所述量化噪声模型为：

其中，q表示量化噪声矢量，量化噪声服从-0.5Δ(B)到0.5Δ(B)的均匀分布；round(·)进行四舍五入运算；ΔB为比特模数转换器的最小量化间隔。

最小量化间隔ΔB为：

ΔB＝2V/2^B

其中，B是模数转换器的量化位数，x的幅度范围在-V～V之间，V为信号接收最大幅度。

量化信号表达为：

y＝x+q

其中，y为量化信号。