[发明专利]大规模MIMO信道估计模型的构建方法、装置及介质

说明书

本发明公开了一种大规模MIMO信道估计模型的构建方法、装置及介质，首先，接收n组在线信号数据；其次，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；然后，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；最后，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。本发明能够减小系统开销，降低计算复杂度，实现自适应更新模型。

技术领域

本发明涉及通信技术领域，尤其涉及一种大规模MIMO信道估计模型的构建方法、装置、计算机存储介质及终端设备。

背景技术

导频是目前进行信道估计最普遍的方法，该方法简单，复杂度低，但存在导频污染和噪音等影响。因此，很多学者采用导频设计和估计算法来实现信道的高精度估计。传统的导频设计和估计算法都是基于小规模MIMO-OFDM或者SISO-OFDM信道系统进行设计的，并未考虑大规模多天线系统中环境的动态变化、系统开销和计算复杂度的影响，导致无法直接扩展到大规模MIMO系统中。

发明内容

本发明实施例提供一种大规模MIMO信道估计模型的构建方法、装置、计算机存储介质及终端设备，能够减小系统开销，降低计算复杂度，实现自适应更新模型。

为实现上述目的，本发明实施例提供了一种大规模MIMO信道估计模型的构建方法，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。

作为上述方案的改进，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。

作为上述方案的改进，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。

作为上述方案的改进，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：