[发明专利]一种大规模多输入多输出频分双工系统下行信道估计方法

权利要求书

1.一种大规模多输入多输出频分双工系统下行信道估计方法，其特征在于，是基于深度学习技术的，包括采用两个深度神经网络；其中，一个神经网络负责将上行信道信息映射成多径信息；另一个神经网络负责将上行多径信息映射成上行多径信息；方法的具体步骤如下：

步骤1：建立基于正交频分复用的大规模多输入多输出频分双工系统模型，初始化上行信道以及下行信道，具体流程为：

1.1、对于大规模多输入多输出频分复用系统，其接收信号为：

y_k＝h(f_DL+kΔf)s_u+n_k，(k＝0，…K-1) (1)

其中，k与K分别为载波序号和载波总数；f_DL和Δf分别为下行信道中心频率与子载波频率间隔；n_k是均值为0且方差为σ²的高斯白噪声；s_u为发送信号，y_k是接收信号；h为信道，表示为

其中，f为载波频率；l和L分别为路径序号和路径总数；φ_l为该路径上的相移；为该路径的复数增益；τ_l为该路径的时延；

1.2、下行信道为：

h(f_DL)＝[h(f_DL)，h(f_DL+2Δf)…，h(f_DL+(K-1)Δf)]^T (3)

其中，T表示向量或矩阵的转置；f_DL为下行载波中心频率；

1.3、上行信道为：

h(f_UL)＝[h(f_UL)，h(f_UL+2Δf)…，h(f_UL+(K-1)Δf)]^T (4)

其中，f_UL为上行载波中心频率；

步骤2：建立上行路径信息和下行路径信息之间的映射模型，具体流程为：

2.1、上行信道路径信息为：

2.2、上行信道路径矩阵为：

2.3、下行信道路径信息为：

2.4、下行信道路径矩阵为：

2.5、环境参数到信道路径的映射为：

Γ_f：{P，f}→C_f (9)

其中，C_f表示载波中心频率为f为信道矩阵；P为会对C_f造成影响的环境参数集合；

2.6、信道路径到环境参数的映射为：

Γ_f^-1(·)：C_f→{P，f} (10)

2.7、上行信道路径到下行信道路径的映射为：

步骤3：对接受信号进行预处理，构造深度神经网络，通过上行信道数据与上行信道路径矩阵数据训练更新神经网络权重，使基站能从接收到的上行信道得到上行信道路径矩阵，具体流程为：

3.1、设深度神经网络为：

其中，为估计的上行信道；为深度神经网络的输出；g¹、g²和g³分别表示神经网络的第一层、第二层和第三层全连接层，表示为：

gⁱ(x)＝σ(Wⁱx+bⁱ)，i＝1，2，3 (13)

其中，x为当前层的输入；Wⁱ为第i层权重；bⁱ为第i层偏置；σ为激活函数；q为神经网络的输出层，表示为：

q(x)＝Wx+b (14)

其中，W为输出层权重；b为输出层偏置；

3.2、深度神经网络的损失函数为：

其中，||·||_F表示矩阵的F范数；

3.3、深度神经网络的迭代方式为：

其中，α为神经网络的学习速率；t表示神经网络训练的迭代序号；经过不断迭代更新，当损失函数小于设定的阈值时停止更新；

步骤4：构造另一个与步骤3中结构相同的深度神经网络，其输入为步骤3中网络的输出输出为下行信道路径矩阵，通过上行信道路径矩阵与下行信道矩阵数据训练更新神经网络权重，根据万能逼近定理，使之逼近复杂的上下行信道路径映射；

步骤5：经过步骤3与步骤4对深度神经网络的离线训练，深度神经网络达到损失函数小于设定阈值，即可用于估计下行信道。