[发明专利]基于深度神经网络的混合量化系统的信道估计方法

摘要

本发明公开了一种基于深度神经网络的混合量化系统的信道估计方法，首先，将基站天线分为高精度ADC天线和低精度ADC天线两个集合，在仿真环境根据系统传输模型和信道模型产生真实信道和接收并量化的导频信号作为训练数据；然后，将训练数据分别送入设计的深度神经网络1和2中进行离线训练，通过调整神经网络权重矩阵直至性能收敛，结束训练；最后，将训练好的神经网络1和2装配在基站端，分别用于估计高精度ADC天线和低精度ADC天线对应的信道。本发明的估计方法充分利用深度神经网络强大的学习能力，经过离线的基于大量数据的训练，深度神经网络能够发掘大规模天线系统中不同天线之间的空间相关性，从而实现从高精度ADC天线对应信道到低精度ADC天线对应信道的准确映射。

主权项

1.基于深度神经网络的混合量化系统的信道估计方法，其特征在于，包括如下步骤：第一步：将基站天线分为高精度ADC天线和低精度ADC天线两个集合，在仿真环境根据系统传输模型和信道模型产生真实信道和接收并量化的导频信号作为训练样本；信道模型为其中，h表示用户到基站的信道，L表示信道多径数目，α_l表示第l条传播路径的增益，表示第l条传播路径的到达角，表示第l条传播路径的导向矢量；根据信道模型产生N_tr个独立的真实信道，第n个信道h_n产生第n个训练样本，n＝1,2,…,N_tr；第n个训练样本的导频信号为：其中，P表示用户发射功率，n_n表示第n个信道的高斯白噪声；第n个训练样本包括和两种形式，其中，为第n个训练样本中集合中天线的接收信号经过高精度ADC量化后的信号，表示第n个训练样本中用户到集合中天线对应的信道，表示第n个训练样本中用户到集合中天线对应的信道，c₁、c₂均是缩放常数；第二步：将形式的训练样本送入第一深度神经网络进行离线训练，建立从高精度ADC天线的接收导频信号到高精度ADC天线的信道的映射：其中，表示输入第一深度神经网络后的输出数据，为的估计值，S表示第一深度神经网络的层数，f_s(·)表示第s层的激活函数，U_s表示第s层和第(s+1)层之间的权重矩阵，U_S‑1表示第(s‑1)层和第s层之间的权重矩阵，s＝1,...,S；训练的收敛条件为达到设定总迭代次数或前后两次迭代得到的第一均方误差MSE₁差值小于第一均方误差阈值ε₁，其中：第三步：将形式的训练样本送入第二深度神经网络进行离线训练，建立从高精度ADC天线的接收导频信号到低精度ADC天线的信道的映射，即其中，表示输入第二深度神经网络后的输出数据，为的估计值，Q表示第二深度神经网络的层数，g_q(·)表示第q层的激活函数，V_q表示第q层和第(q+1)层之间的权重矩阵，V_q‑1表示第(q‑1)层和第q层之间的权重矩阵，q＝1,...,Q；训练的收敛条件为达到设定总迭代次数或前后两次迭代得到的第二均方误差MSE₂差值小于第二均方误差阈值ε₂，其中：第四步：将训练好的第一和第二深度神经网络放置在基站，用于在线阶段的信道估计；第五步：用户向基站发送导频信号，基站仅使用集合中的天线接收导频信号，假设用户发送的导频信号为x＝1，则中天线接收到的导频信号表示为其中，P表示用户发射功率，表示用户到集合中天线对应的信道，表示集合中天线上的高斯白噪声；将送入高精度ADC进行量化，高精度ADC量化后的信号第六步：将量化后的导频信号送入到第一深度神经网络中得到集合中天线对应的估计信道将送入到第二深度神经网络中得到集合中天线对应的估计信道即第七步：将第六步中的和合并在一起得到完整的估计信道