[发明专利]一种大规模MIMO稀疏信道估计方法及相关设备

权利要求书

1.一种大规模 MIMO 稀疏信道估计方法，其特征在于，所述大规模 MIMO 稀疏信道估计方法包括：

本地服务器进行离线训练，得到信道稀疏度认知神经网络、信道稀疏表示字典和信道稀疏重构神经网络，将所述信道稀疏度认知神经网络存储在终端，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在基站；

所述终端接收到所述基站发送的OFDM信号后，将所述OFDM信号输入到所述信道稀疏度认知神经网络中，得到信道稀疏度，并将所述信道稀疏度传输至所述基站；

所述基站根据所述信道稀疏度确定下行传输信号中导频序列的长度，并将所述下行传输信号传输至所述终端；

所述基站接收到所述终端回传的所述下行传输信号后，根据所述信道稀疏度选择相应的所述信道稀疏表示字典进行信道稀疏表示，并根据所述信道稀疏度和所述信道稀疏重构神经网络进行信道稀疏重构；

所述本地服务器进行离线训练，得到信道稀疏度认知神经网络、信道稀疏表示字典和信道稀疏重构神经网络，将所述信道稀疏度认知神经网络存储在终端，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在基站的步骤具体包括：

所述本地服务器建立基于射线追踪方法的确定性信道模型，得到信道参数后，根据所述信道参数训练得到所述信道稀疏度认知神经网络；

所述本地服务器根据所述信道特征构建所述信道稀疏表示字典的目标函数，并进行基于字典学习的目标函数求解与训练，得到所述信道稀疏表示字典；

所述本地服务器构建基于广义近似消息传递的信道稀疏重构模型，并设计基于广义近似消息传递网络化展开的信道稀疏重构神经网络，得到所述信道稀疏重构神经网络；

所述本地服务器将所述信道稀疏度认知神经网络存储在所述终端，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在所述基站；

所述本地服务器建立基于射线追踪方法的确定性信道模型，得到信道参数后，根据所述信道参数训练得到所述信道稀疏度认知神经网络的步骤具体包括：

所述本地服务器创建仿真场景和参数数据库，并搜索计算得到基于射线追踪仿真射线传播路径后，获取得到多径参数，并根据所述多径参数计算得到信道频域冲激响应；

所述本地服务器利用所述信道频域冲激响应对信道进行稀疏表示得到信道稀疏度标记样本，并将所述信道稀疏度标记样本输入至卷积神经网络进行训练，得到所述信道稀疏度认知神经网络；

所述本地服务器根据所述信道特征构建所述信道稀疏表示字典的目标函数，并进行基于字典学习的目标函数求解与训练，得到所述信道稀疏表示字典的步骤具体包括：

所述本地服务器将上下行信道空域互易性导致的上下行信道稀疏性相同，以及信道传输经过某一散射体到达客户端的方向近似所导致的稀疏向量中非零项呈块结构稀疏分布作为信道特征，并将所述信道特征耦合进约束项，以构建所述信道稀疏表示字典的目标函数；

所述本地服务器利用字典学习方法对所述目标函数进行稀疏编码和字典更新操作，分别推导参数更新表达式，并进行交叉迭代求解与训练，得到所述信道稀疏表示字典；

所述本地服务器构建基于广义近似消息传递的信道稀疏重构模型，并设计基于广义近似消息传递网络化展开的信道稀疏重构神经网络，得到所述信道稀疏重构神经网络的步骤具体包括：

所述本地服务器根据所述信道稀疏表示字典求解得到稀疏向量，并根据所述稀疏向量构建先验分布函数，得到基于广义近似消息传递的信道稀疏重构模型；

所述本地服务器对所述先验分布函数进行更新输出标尺函数，利用所述标尺函数进行算法迭代得到信道估计值；

所述本地服务器利用深度学习将基于广义近似消息传递的信道稀疏重构模型网络化展开成层状网络结构，得到信道稀疏重构子网；

所述本地服务器利用级联卷积神经网络估计残差噪声，得到基于卷积神经网络的去噪子网。

2.根据权利要求1所述的大规模 MIMO 稀疏信道估计方法，其特征在于，所述本地服务器将所述信道稀疏度认知神经网络存储在所述终端，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在所述基站的步骤具体包括：

所述本地服务器将所述信道稀疏度认知神经网络传输至所述终端，所述终端对所述信道稀疏度认知神经网络进行存储；

所述本地服务器将所述信道稀疏表示字典和所述信道稀疏重构神经网络传输至所述基站，所述基站对所述信道稀疏表示字典和所述信道稀疏重构神经网络进行存储。