[发明专利]一种大规模MIMO稀疏信道估计方法及相关设备

说明书

本发明公开了一种大规模MIMO稀疏信道估计方法及相关设备，所述方法包括：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；终端将OFDM信号输入到信道稀疏度认知神经网络中得到信道稀疏度；基站根据信道稀疏度确定下行传输信号中导频序列的长度；基站接收到下行传输信号后，根据信道稀疏度选择相应的信道稀疏表示字典进行信道稀疏表示，并根据信道稀疏重构神经网络一起进行信道稀疏重构。通过终端将OFDM信号输入到信道稀疏度认知神经网络中得到信道稀疏度，基站根据信道稀疏度进行信道稀疏表示，并根据信道稀疏重构神经网络一起进行信道稀疏重构，实现了高精度、低复杂度的信道估计。

技术领域

本发明涉及宽带通信技术领域，特别涉及一种大规模MIMO稀疏信道估计方法及相关设备。

背景技术

在大规模多入多出(Multiple-Input Multiple-Output,MIMO)系统中，获取准确的信道状态信息(Channel State Information，CSI)是信道均衡、预编码、波束赋形及资源分配等技术实现的基础，对于保障大规模MIMO信号的有效传输及获取大规模MIMO系统增益至关重要，因此，如何通过高精度、低复杂度的信道估计方法获取准确的CSI是大规模MIMO系统有效存储的关键问题之一。与此同时，对于未来6G智能通信而言，针对人工智能(Artificial Intelligence，AI)技术与当前信道估计技术相融合以赋能移动通信的迫切需求。

当前研究中针对传统的正交导频辅助信道估计的方法中存在的导频开销大、高维信道矩阵处理复杂度高等问题，利用无线信道具有的稀疏性，基于压缩感知的大规模MIMO稀疏信道估计成为了近十年来的研究重点。

虽然该领域的研究已取得了许多成果，但是依然存在以下三个关键问题有待深入研究：

(1)、信道稀疏度无法主动认知。信道稀疏度定义为具有显著值的多径数目。信道稀疏度直接影响信道稀疏重构算法设计与算法复杂度，因为导频数目、稀疏重构矩阵维度均与信道稀疏度成正比。此外，根据压缩感知理论，若将信道稀疏度作为先验条件，能够大幅度提升信道稀疏重构的稳定性。然而，当前研究中对信道稀疏度的认知都采用被动方式，即通过预设阈值与步长进行信道稀疏重构的同时逐渐逼近信道稀疏度，无法实现信道稀疏度的主动认知；

(2)、空域信道稀疏表示不准确。精确的空域信道稀疏表示是实现信道稀疏重构的基础，其核心是获取准确性高、泛化能力强的信道稀疏表示字典。目前的研究中大部分将离散傅里叶变换矩阵作为信道稀疏表示字典进行空域信道稀疏表示，但是存在真实到达角的方向与预设的量化网格点不匹配所引起的网格失配问题，导致原先网格点上的功率泄露到临近的格点之上，破坏信道原有的稀疏性，使得信道稀疏表示不准确，进而造成稀疏重构算法的性能受限，甚至完全失效；

(3)、高维信道稀疏重构复杂度高。基于压缩感知的信道稀疏重构算法(包括凸优化类算法、贪婪类算法和贝叶斯类算法)均为迭代算法，需要经过多次循环迭代，收敛慢且算法复杂度高，尤其对于大规模MIMO信道高维矩阵的处理会更加困难，极大地限制了它们在实际中的应用。

因而现有技术还有待改进和提高。

发明内容

本发明的主要目的在于提供一种大规模MIMO稀疏信道估计方法及相关设备，旨在解决现有技术中在对大规模MIMO稀疏信道估计中，无法准确且高效地获取信道状态信息的问题。

为了达到上述目的，本发明采取了以下技术方案：

一种大规模MIMO稀疏信道估计方法，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；