[发明专利]一种基于深度学习网络的毫米波稀疏阵面信道估计方法

摘要

本发明公开了一种基于深度学习网络的毫米波稀疏阵面信道估计方法，以毫米波信道稀疏特性为先验信息，训练设计的全连接深度神经网络，用于毫米波阵面通信信道估计。首先采用全连接移相器网络，通过配置各移相器相位均匀分布来设计各向同性的模拟收发器；然后将获得的信道稀疏信息和设计的最优数字估计器作为全连接深度学习网络的训练数据。对于各信噪比下的稀疏信道，将信道的稀疏信息输入网络，得到相应的数字估计器，进而得到信道估计结果。本发明给出的稀疏信道估计器可以减小低精度模数转换器非线性量化带来的误差，并使用深度学习网络实现，从而降低信道估计复杂度，本发明性能能够逼近理论上最优的信道估计方法。

主权项

1.一种基于深度学习网络的毫米波稀疏阵面信道估计方法，其特征在于，所述方法包括以下步骤：步骤一：基站设计模拟预编码并发送导频信号，模拟预编码F_Am根据以下公式设计：其中，[]_ij表示矩阵的第i行、第j列的元素；F_Am表示维度为N_t×N_RFt的模拟预编码矩阵，N_t表示发射天线数，N_RFt表示发射端射频链路数；表示模拟预编码矩阵的第i行、第j列元素的相位；步骤二：接收端优化设计模拟估计器W_Am,W_Am根据以下公式计算：其中，W_Am表示维度为N_r×N_RFr的模拟估计矩阵，N_r表示接收天线数，N_RFr表示接收端射频链路数；表示模拟估计矩阵的第i行、第j列元素的相位；步骤三：接收端通过压缩感知技术，获得信道的稀疏特征信息，即稀疏信道矩阵中的非零元素位置，并以此作为后续信道估计的先验信息；步骤四：接收端对于稀疏信道特征信息所对应的所有可能的选择矩阵P_v[k]的集合进行存储，并根据每一个选择矩阵P_v[k]设计相应的数字估计矩阵步骤五：把上述选择矩阵P_v[k]的集合和与此对应的数字估计矩阵作为全连接神经网络的训练集，经过神经网络训练得到适用于各信噪比下的全连接的前向反馈网络，接收端根据稀疏信道相应的选择矩阵P_v[k]，应用网络结构，得到网络输出的数字估计矩阵用此数据估计矩阵对接收信号进行检测，从而得到信道估计值