[发明专利]大规模MIMO信道估计模型的构建方法、装置及介质

权利要求书

1.一种大规模MIMO信道估计模型的构建方法，其特征在于，包括：

接收n组在线信号数据；其中，所述在线信号数据包含所述在线信号数据的误码率；n为大于等于1的自然数；

通过深度学习提取预先获取的离线信号数据的高层语义特征和n组所述在线信号数据的高层语义特征，得到离线高层语义特征和n组在线高层语义特征；其中，所述离线信号数据包含所述离线信号数据的误码率；

将所述离线高层语义特征和n组所述在线高层语义特征分别输入至预先构建的n+1个神经网络中进行训练，得到初始信道估计模型和n个在线信道估计模型；

基于所述离线信号数据的误码率和n个所述在线信号数据的误码率，对所述初始信道估计模型和n个所述在线信道估计模型进行集成学习，得到最优信道估计模型。

2.如权利要求1所述的大规模MIMO信道估计模型的构建方法，其特征在于，所述通过深度学习提取预先获取的离线信号数据的高层语义特征和n组所述在线信号数据的高层语义特征，得到离线高层语义特征和n组在线高层语义特征，具体为：

通过深度学习提取预先获取的所述离线信号数据在发送端的离线语义特征和在接收端的离线语义特征，将所述发送端的离线语义特征和所述接收端的离线语义特征进行拼接，得到所述离线信号数据的离线高层语义特征；

通过深度学习提取n组所述在线信号数据在发送端的在线语义特征和接收端的在线语义特征，将所述发送端的在线语义特征和所述接收端的在线语义特征进行拼接，得到n组所述在线信号数据的在线高层语义特征。

3.如权利要求1所述的大规模MIMO信道估计模型的构建方法，其特征在于，所述将所述离线高层语义特征和n组所述在线高层语义特征分别输入至预先构建的n+1个神经网络中进行训练，得到初始信道估计模型和n个在线信道估计模型，具体为：

将所述离线高层语义特征输入至一个预先构建的神经网络中，以所述离线信号数据的信道状态信息为标签，对所述神经网络进行训练，得到初始信道估计模型；

将n组所述在线高层语义特征分别输入至其他预先构建的n个神经网络中，分别以n组所述在线信号数据的信道状态信息为标签，对n个所述神经网络进行训练，得到n个在线信道估计模型。

4.如权利要求1所述的大规模MIMO信道估计模型的构建方法，其特征在于，所述基于所述离线信号数据的误码率和n个所述在线信号数据的误码率，对所述初始信道估计模型和n个所述在线信道估计模型进行集成学习，得到最优信道估计模型，具体为：

基于所述离线信号数据的误码率和n个所述在线信号数据的误码率，计算所述初始信道估计模型的准确率和n个所述在线信道估计模型的准确率；

基于所述初始信道估计模型的准确率和n个所述在线信道估计模型的准确率，通过加权平均的方式计算所述初始信道估计模型的权重和n个所述在线信道估计模型的权重；

根据所述初始信道估计模型的权重和n个所述在线信道估计模型的权重，对所述初始信道估计模型和n个所述在线信道估计模型进行集成学习，得到最优信道估计模型。

5.一种大规模MIMO信道估计模型的构建装置，其特征在于，包括：

信号接收模块，用于接收n组在线信号数据；其中，所述在线信号数据包含所述在线信号数据的误码率；n为大于等于1的自然数；

高层语义提取模块，用于通过深度学习提取预先获取的离线信号数据的高层语义特征和n组所述在线信号数据的高层语义特征，得到离线高层语义特征和n组在线高层语义特征；其中，所述离线信号数据包含所述离线信号数据的误码率；

信道模型构建模块，用于将所述离线高层语义特征和n组所述在线高层语义特征分别输入至预先构建的n+1个神经网络中进行训练，得到初始信道估计模型和n个在线信道估计模型；

模型优化模块，用于基于所述离线信号数据的误码率和n个所述在线信号数据的误码率，对所述初始信道估计模型和n个所述在线信道估计模型进行集成学习，得到最优信道估计模型。