基于深度神经网络的毫米波信道估计和压缩方法与流程

本发明属于无线通信技术领域，具体来说，涉及一种基于深度神经网络的大规模多输入多输出系统毫米波信道估计和压缩方法。

背景技术：

大规模天线技术的突破之处在于其打破了传统多天线技术中天线数目和用户数目相当的关系，使得在基站天线数目很大时：1)信道的小尺度衰落会由于信道硬化效应而被平均掉；2)由于不同用户与基站之间的信道向量变得相互正交，小区内干扰、信道估计误差造成的干扰以及不相关噪声都逐渐消失；3)简单的预编码和检测方式，如匹配滤波和迫零处理将逐渐最优；4)基站或者每个用户的发射功率可随着基站天线数目的倒数成比例减小，同时保持恒定速率。

由于波长很短，毫米波通信使得收发两端都能够使用大规模天线阵列以充分利用空域资源，同时超宽的毫米波带宽能够进一步提升系统容量，因此毫米波通信是满足未来无线网络高速率要求的一项关键技术。然而，对于使用毫米波的大规模大规模多输入多输出(多输入多输出，文中简称：mimo)系统，大量的天线紧密放置在物理尺寸有限的收发端，同时考虑到适用于毫米波频段的射频链路器件一般成本和能耗很高，因此很难为每一根天线配置专门的射频链路。为了将大量的天线和较少数量的射频链路连接，一种常用的方法是使用移相器将收发端的处理分为两阶段，在基带进行数字域处理，通过调整移相器相位进行模拟域处理。对于上述两阶段的收发端处理方式，以较少的导频和反馈开销使得收发两端均获取较为准确的信道状态信息是一个极具挑战性的问题。

传统方法大多需要预先获取毫米波信道的稀疏性才能进行准确的信道估计，具有一定的局限性。神经网络能够通过基于对大量数据的学习，发掘内在模式和结构性，在遇到一个新的观测值时能够给出准确的预测，并且已经在无线通信的多个问题中取得了显著的成效。因此，利用深度神经网络进行大规模mimo系统的毫米波信道估计能够取得很好的性能，经过离线的基于大量数据的训练，深度神经网络能够发掘毫米波信道的内在结构性，在线估计时，即使信道的统计特性发生很大改变，深度神经网络依然能够准确估计信道而不需要任何先验知识。

技术实现要素：

本发明所要解决的技术问题是：提供一种基于深度神经网络的大规模多输入多输出系统毫米波信道估计和压缩方法，该方法利用深度神经网络进行基于数据的离线学习，发掘大规模天线系统毫米波信道的内在结构性，实现信道的压缩和估计，从而在有效降低反馈开销的情况下依然获得优于传统方案的信道估计性能。

为解决上述技术问题，本发明采用的技术方案是：

一种基于深度神经网络的毫米波信道估计和压缩方法，所述方法包括以下步骤：步骤1)基站通过有限的射频链路向用户发送导频，用户通过有限的射频链路收集合并基站发送的导频信号；步骤2)用户对接收导频信号做一系列预处理，以便其输入深度神经网络；步骤3)收集神经网络离线训练的样本；步骤4)进行具体的神经网络离线训练过程；步骤5)进行深度神经网络的在线装配和信道压缩与估计。

作为本发明的一种改进，步骤1)基站采用毫米波频段向单个用户传输数据，基站装备nb根天线和条射频链路，用户基站装备nu根天线和条射频链路，由于在毫米波频段进行通信，射频链路成本较高，所以基站和用户端的射频链路数目远小于天线数目，即射频链路和各个天线通过移相器相连；基站向用户发送导频信号用于估计信道，导频发射过程持续mb(mb≤nb)个时刻，其中第u(u＝1,2,…,mb)时刻由一个射频链路发送一个导频符号xu，与该射频链路相连接的移相器根据维数为nb的离散傅里叶变换矩阵的第u列调整相位，即发射xu采用的模拟域波束成形向量fu为维数为nb的离散傅里叶变换矩阵的第u列，对于基站发射的每个导频符号，用户使用mu(mu≤nu)个模拟域合并向量wv(v＝1,2,…,mu)进行处理，wv为维数为nu的离散傅里叶变换矩阵的第v列，因此，信道估计的导频开销为其中表示向上取整函数；

步骤2)经过p次信道使用，用户端经过模拟域合并处理后的导频信号矩阵为

其中和表示模拟域接收矩阵和波束成形矩阵，x是mb维对角矩阵，第u个对角元素为xu，表示合并后的等效噪声；由于导频矩阵x已知，令同时将y做向量化处理可得

其中表示克罗内克乘积，vec(·)表示对矩阵进行向量化操作；接下来，对做进一步处理，即将被输入到深度神经网络中用于信道压缩和估计；

步骤3)深度神经网络离线训练阶段使用ntr个训练样本，第n(n＝1,2,…,ntr)个样本的形式为其中c是一个缩放常数，用于保证样本的目标数据的取值范围与神经网络输出层使用的激活函数匹配，同时，相比于一般的归一化，采用这种简单的缩放方式可以方便地恢复出原始的数据；由得出，然后被输入到神经网络中用于近似相应的被缩放的原始信道同时提取低维的信道表示以降低反馈开销。离线训练的目标是在给定压缩比率的情况下最小化均方误差损失函数

其中为输入时神经网络的输出。

步骤4)将收集的样本送入深度神经网络进行训练，设计的深度神经网络采用对称自编码结构，由一个编码器和一个解码器构成，编码器包含输入层、一个全连接隐藏层和输出层，其中隐藏层和输出层均采用修正线性单元激活函数，编码器的作用是将预先处理的导频向量压缩为低维向量用于反馈，同时将压缩的低维向量传递给解码器，解码器包含输入层、一个全连接隐藏层和输出层，其中输入层和隐藏层采用修正线性单元激活函数，输出层采用双曲正切激活函数将输出数据的范围控制在-1到1之间，解码器的作用是利用压缩的低维向量估计出原始信道；得出估计的原始信道后，即可根据计算误差；

步骤5)深度神经网络经过集中化的离线训练，需要被装配到基站和用户，编码器和解码器均需要被放置到用户端以完成整个的信道压缩和恢复过程，基站端仅需要放置解码器；首先，基站向用户发送导频信号，用户收到导频信号进行一系列预处理，然后将处理后的导频信号送入深度神经网络，深度神经网络首先利用编码器提取出低维的信道向量并反馈给基站，同时利用解码器估计出原始信道，基站在收到用户反馈的低维信道表示后，利用与用户端相同的解码器获得与用户端相同的信道估计值。

与现有技术相比，本发明具有以下有益效果：

(1)该方案经过离线的基于大量数据的训练，能够发掘毫米波信道的内在结构性，进行准确的估计信道；

(2)该方案在信道估计的同时压缩信道，提取信道的低维表示来降低反馈开销，同时在减少导频开销的情况下，本发明依然能够取得较好的性能；

(3)相比于已有方案需要依赖信道统计信息才能获得准确的估计信道，该方案中由于设计的深度神经网络能够发掘毫米波信道的内在结构性，在在线估计时，即使信道的统计特性发生很大改变，深度神经网络依然能够准确估计信道而不需要任何先验知识。

附图说明

图1是本发明所提出的深度神经网络离线训练和在线装配示意图；

图2是本发明仿真试验1的与传统方法归一化均方误差性能随信噪比变化曲线图；

图3是本发明仿真试验2的归一化均方误差性能随压缩比率变化曲线图；

图4是本发明仿真试验3的与传统方法归一化均方误差性能随导频开销变化曲线图；

图5是本发明仿真试验4的在线估计阶段在不同信道统计特性下归一化均方误差性能曲线图。

具体实施方式

为了加深对发明的认识和理解，下面结合附图和具体实施例，对本发明做进一步阐述。

实施例1：参见图1-图5，一种基于深度神经网络的大规模多输入多输出系统毫米波信道估计和压缩方法，该信道估计和压缩方法包括以下过程：步骤1)基站通过有限的射频链路向用户发送导频，用户通过有限的射频链路收集合并基站发送的导频信号；步骤2)用户对接收导频信号做一系列预处理，以便其输入深度神经网络；步骤3)收集神经网络离线训练的样本；步骤4)进行具体的神经网络离线训练过程；步骤5)进行深度神经网络的在线装配和信道压缩与估计,具体如下：

步骤1)基站采用毫米波频段向单个用户传输数据，基站装备nb根天线和条射频链路，用户基站装备nu根天线和条射频链路，由于在毫米波频段进行通信，射频链路成本较高，所以基站和用户端的射频链路数目远小于天线数目，即射频链路和各个天线通过移相器相连；基站向用户发送导频信号用于估计信道，导频发射过程持续mb(mb≤nb)个时刻，其中第u(u＝1,2,…,mb)时刻由一个射频链路发送一个导频符号xu，与该射频链路相连接的移相器根据维数为nb的离散傅里叶变换矩阵的第u列调整相位，即发射xu采用的模拟域波束成形向量fu为维数为nb的离散傅里叶变换矩阵的第u列，对于基站发射的每个导频符号，用户使用mu(mu≤nu)个模拟域合并向量wv(v＝1,2,…,mu)进行处理，wv为维数为nu的离散傅里叶变换矩阵的第v列，因此，信道估计的导频开销为其中表示向上取整函数；

步骤2)经过p次信道使用，用户端经过模拟域合并处理后的导频信号矩阵为

其中和表示模拟域接收矩阵和波束成形矩阵，x是mb维对角矩阵，第u个对角元素为xu，表示合并后的等效噪声；由于导频矩阵x已知，令同时将y做向量化处理可得

其中表示克罗内克乘积，vec(·)表示对矩阵进行向量化操作；接下来，对做进一步处理，即将被输入到深度神经网络中用于信道压缩和估计；

步骤3)深度神经网络离线训练阶段使用ntr个训练样本，第n(n＝1,2,…,ntr)个样本的形式为其中c是一个缩放常数，用于保证样本的目标数据的取值范围与神经网络输出层使用的激活函数匹配，同时，相比于一般的归一化，采用这种简单的缩放方式可以方便地恢复出原始的数据；由得出，然后被输入到神经网络中用于近似相应的被缩放的原始信道同时提取低维的信道表示以降低反馈开销。离线训练的目标是在给定压缩比率的情况下最小化均方误差损失函数

其中为输入时神经网络的输出。

步骤4)将收集的样本送入深度神经网络进行训练，如图1所示，采用如下的参数设置：nb＝mb＝32，nu＝mu＝16，压缩比率设计的深度神经网络采用对称自编码结构，由一个编码器和一个解码器构成，编码器包含输入层、一个全连接隐藏层和输出层，首先收到512×1的复向量作为输入并取其实部虚部变形为1024×1的实向量，接下来的全连接隐藏层使用修正线性单元激活函数并输出1200×1的实向量，输出层采用全连接结构和修正线性单元激活函数，输出600×1的信道低维表示实向量；解码器包含输入层、一个全连接隐藏层和输出层，其可以看做是编码器的逆过程，首先600×1的信道低维表示经过使用修正线性单元激活函数的全连接隐藏层，然后变为1200×1的实向量，输出层采用全连接结构和双曲正切激活函数，输出1024×1的实向量，其中双曲正切激活函数用来将输出数据的范围控制在-1到1之间，最后，将1024×1的实向量变形为512×1的复向量，得到缩放到-1到1之间的信道，经过恢复即可得到最终估计信道；得出估计的原始信道后，即可根据计算误差；

步骤5)深度神经网络经过集中化的离线训练，需要被装配到基站和用户，编码器和解码器均需要被放置到用户端以完成整个的信道压缩和恢复过程，基站端仅需要放置解码器；首先，基站向用户发送导频信号，用户收到导频信号进行一系列预处理，然后将处理后的导频信号送入深度神经网络，深度神经网络首先利用编码器提取出低维的信道向量并反馈给基站，同时利用解码器估计出原始信道，基站在收到用户反馈的低维信道表示后，利用与用户端相同的解码器获得与用户端相同的信道估计值。

本发明的信道估计和压缩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毫米波信道的内在结构性，能够以较少的导频和反馈开销获得较好的信道估计性能。此外，在在线估计时，即使信道的统计特性发生很大改变，深度神经网络依然能够准确估计信道而不需要任何先验知识。

本发明的大规模mimo系统的毫米波信道估计和压缩方法，可以有效减少导频和反馈开销，还能够应对不同的信道统计特性。首先，在仿真环境根据系统传输模型和信道模型产生接收端收到的导频数据，并对其做一系列预先处理；然后，将处理好的数据送入设计的深度神经网络中进行离线训练；最后，将训练好的神经网络装配在用户和基站端，其中神经网络的编码器和解码器均需装配在用户端以实现信道的压缩和估计，而基站端仅需装配解码器来根据反馈的信道低维表示估计出原始信道。该方法利用深度神经网络强大的学习能力充分发掘毫米波信道的内在结构性，能够获得优于传统方法的性能。

下面列举一些实例，具体说明本发明的技术方案具有的优良性能。

仿真试验1

仿真场景参数：基站天线总数nb是32，射频链路数目是4，模拟域所用波束成形向量个数mb是32，用户天线总数nu是16，射频链路数目是4，模拟域所用合并向量个数mu是16；信道多径数目l是3，归一化最大时延τmax是10，各个路径的到达角和离开角从集合中随机选择；压缩比率导频开销p＝128。

图2给出了采用本发明方法以及采用传统法归一化均方误差性能随信噪比变化曲线图。图2中，横坐标表示信噪比，单位db，纵坐标表示归一化均方误差。从图中可以看出，当可以获得完全准确的信道协方差矩阵时，最小化均方误差(最小化均方误差，文中简称：mmse)能够取得优于本发明所提的基于深度神经网络的信道估计方法。然而实际系统中mmse只能利用估计的信道协方差矩阵，此时它的性能明显低于本发明所提方法。虽然压缩感知-正交匹配追踪(压缩感知-正交匹配追踪，文中简称：cs-omp)性能优于最小二乘(最小二乘，文中简称：ls)和非理想mmse，但仍然明显低于本发明所提方法。此外，本发明所提方法除了能够取得归一化均方误差性能上的优势，还以58.59％的压缩比率压缩了信道，有利于减少反馈开销。

仿真试验2

仿真场景参数：基站天线总数nb是32，射频链路数目是4，模拟域所用波束成形向量个数mb是32，用户天线总数nu是16，射频链路数目是4，模拟域所用合并向量个数mu是16；信道多径数目l是3，归一化最大时延τmax是10，各个路径的到达角和离开角从集合中随机选择；导频开销p＝128。

图3是本发明方法在信噪比0db、10db和20db时的归一化均方误差性能随压缩比率变化曲线图。图3中，横坐标表示压缩比率，纵坐标表示归一化均方误差。从图中可以看出，当压缩比率小于70％时，归一化均方误差随着压缩比率增加而下降，这是因为更多的信息被保留在信道的低维表示中，也就更有利于信道的恢复。当压缩比率从40％提高到50％时，归一化均方误差出现明显的下降。当压缩比率大于70％时，归一化均方误差随着压缩比率的增加出现略微地升高。当信噪比为10db和20db时，即使采用10％的压缩比率，本发明所提方法依然能够取得较好的性能。

仿真试验3

仿真场景参数：基站天线总数nb是32，射频链路数目是4，模拟域所用波束成形向量个数mb是32，用户天线总数nu是16，射频链路数目是4；信道多径数目l是3，归一化最大时延τmax是10，各个路径的到达角和离开角从集合中随机选择；压缩比率

图4给出了本发明方法与传统方法归一化均方误差性能随导频开销变化曲线图，其中模拟域所用合并向量个数mu在4到16之间变化。图4中，横坐标表示导频开销，纵坐标表示归一化均方误差。从图中可以看出，所有方案的归一化均方误差性能都随着导频开销的增加而提升。理想的mmse虽然在导频开销p＝128时性能最好，但是导频开销一旦减少，理想mmse的性能损失非常明显，而本发明方法能够始终保持很好的性能。

仿真试验4

仿真场景参数：基站天线总数nb是32，射频链路数目是4，模拟域所用波束成形向量个数mb是32，用户天线总数nu是16，射频链路数目是4，模拟域所用合并向量个数mu是16；信道多径数目l是3，归一化最大时延τmax是10，各个路径的到达角和离开角从集合中随机选择；压缩比率导频开销p＝128。

图5给出了本发明方法在在线估计阶段不同信道统计特性下归一化均方误差性能曲线图。图5中，横坐标表示信噪比，单位db，纵坐标表示归一化均方误差。从图中可以看出，当改变归一化最大时延τmax或者减少信道多径数目l时，本发明方法性能几乎不受影响，虽然增加信道多径数目l会对本发明方法的性能产生一定的影响，但是该影响非常有限，证明了本发明方法具有很好的鲁棒性。

需要说明的是上述实施例仅仅是本发明的较佳实施例，并没有用来限定本发明的保护范围，在上述技术方案的基础上做出的等同替换或者替代均属于本发明的保护范围。