一种非线性多输入多输出信道估计方法和估计系统

1.本公开涉及无线通信技术领域，尤其涉及一种非线性多输入多输出信道估计方法和估计系统。


背景技术：

2.非线性多输入多输出(non-linear multiple input multiple output， non-linear mimo)通信技术能够将射频信号直接下变频到基带，而传统mimo的接收机一般是将信号由高频变频到中频，再变频到低频后到基带，二者相比，非线性mimo简化了信号处理流程，在功耗方面具有明显优势。
3.目前，对非线性mimo系统的信道估计算法的研究，主要集中在对信息的传递算法上，但由于接收端相位观测值的均值、方差都没有封闭表达式，在进行采样技术迭代求解时，会导致收敛率变得不稳定，甚至在一些情况下该算法发散问题严重。此外，在实际应用中，信道特性会随着传输环境、工作频率等因素的变化而变化，这些因素通常又是未知的，无法用具体的分析方法来表示。因此，有必要改善上述相关技术方案中存在的一个或者多个问题。
4.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

5.本公开实施例的目的在于提供一种，以提高信道的均方误差性能和鲁棒性。
6.根据本公开实施例的第一方面，提供一种非线性多输入多输出 (non-linear multiple input multiple output，non-linear mimo)信道估计方法，包括：
7.利用调制解调器，将接收到的射频信号下变频到基带，根据基带信号获取复基带信号，并将所述复基带信号的幅度和预设相位作为观测值，进行基带信号处理；
8.将基带信号处理后的信息输入到非线性多输入多输出信道中，并对所述非线性多输入多输出信道进行初始信道估计，得到初始信道估计值；
9.利用gamp算法，将所述初始信道估计值作为深度神经网络和卷积神经网络的输入，将信道的实际响应作为标签，对所述深度神经网络和所述卷积神经网络进行训练，得到最终信道估计值。
10.本公开的一示例性实施例中，所述利用调制解调器，将接收到的射频信号下变频到基带，根据基带信号获取复基带信号，并将所述复基带信号的幅度和预设相位作为观测值，进行基带信号处理的步骤中，所述调制解调器包括同相正交调制解调器；利用包络检波器获取所述复基带信号的幅度，利用相位检测器获取所述复基带信号的预设相位，所述预设相位为π相位或2π相位。
11.本公开的一示例性实施例中，所述利用调制解调器，将接收到的射频信号下变频到基带，根据基带信号获取复基带信号，并将所述复基带信号的幅度和预设相位作为观测
值，进行基带信号处理的步骤包括：
12.构建广义线性混合模型，所述广义线性混合模型包括：
[0013][0014]
其中，z＝as表示噪声影响前的结果，表示待恢复的 m
×
n维度的观测矩阵，表示作为复基带信号的幅度和π相位的观测值，w表示加性复高斯噪声表示作为复基带信号的幅度和π相位的观测值，w表示加性复高斯噪声表示服从均值为0，方差为的复高斯分布；表示分量算子，第m个元素gm的定义包括：
[0015][0016]
其中，1(
·
)表示对复基带信号不做处理，∠
π
(
·
)表示复基带信号进行了π相位移动处理，t为矩阵转置。
[0017]
本公开的一示例性实施例中，将基带信号处理后的信息输入到非线性多输入多输出信道中，并对所述非线性多输入多输出信道进行初步信道估计，得到初步信道估计值的步骤包括：
[0018]
将复基带信号处理后的信息初始化，并利用先验模型和似然函数，得到先验概率，根据所述先验概率得到后验概率；
[0019]
对信息输出通道进行线性处理和非线性处理，同时对信息输入通道进行线性处理和非线性处理；
[0020]
重复对输出通道和输入通道进行线性和非线性处理，通过不断迭代过程，得到初始信道估计值。
[0021]
本公开的一示例性实施例中，所述将经基带信号处理后的信息初始化，并利用似然函数，得到先验概率，根据所述先验概率得到后验概率的步骤包括：
[0022]
所述先验概率包括：根据所述先验概率得到所述后验概率包括：
[0023][0024]
其中，zk表示z＝as的第k个值，z＝as表示噪声影响前的结果，rf链为射频链，表示以为变量，均值为zk，方差为的复高斯分布。
[0025]
本公开的一示例性实施例中，所述对信息输出通道进行线性处理和非线性处理，同时对信息输入通道进行线性处理和非线性处理得过程包括：
[0026]
进行输出通道的线性处理，计算zk的输出通道的方差公式包括：
[0027][0028]
计算zk的输出通道的估计值公式包括：
[0029][0030]
其中，a
kn
表示信道传输中的矩阵；表示第t次迭代s向量中第n个元素的方差列的值；表示第t次迭代p向量中第k个元素的方差；uk(t-1)表示中间变量；表示t时刻sn的均值；表示t时刻pk的估计值；
[0031]
进行输出通道的非线性处理包括：
[0032][0033][0034]
其中，uk(t)是通过后验概率估计的期望，其中是概率归一化常数，是以zk为变量，均值为方差为的复高斯分布；是通过后验概率估计的方差，估计的方差，估计的方差，表示来自功率分路器和传统射频链的方差；
[0035]
进行输入通道的线性处理，计算zk的输入通道的方差公式包括：
[0036][0037]
计算zk的输入通道的均值公式包括
[0038][0039]
其中，表示第t次迭代α向量中第k个元素的方差列的值；表示第t次迭代r向量中第n个元素的方差；uk(t)表示中间变量；表示t时刻sn的均值；表示t时刻rn的估计值；
[0040]
进行输入通道的非线性处理包括：
[0041][0042][0043]
其中，表示t+1个时刻的sn的均值，表示在和已知时sn的期望；表示t+1个时刻的sn的方差，表示在和已知时sn的方差。
[0044]
本公开的一示例性实施例中，所述重复对输出通道和输入通道进行线性和非线性处理，通过不断迭代过程，得到初始信道估计值。
[0045]
本公开的一示例性实施例中，所述利用gamp算法，将所述初始信道估计值作为深度神经网络和卷积神经网络的输入，将信道的实际响应作为标签，对所述深度神经网络和所述卷积神经网络进行训练，得到最终信道估计值的步骤包括：
[0046]
所述深度神经网络和所述卷积神经网络分别均包括输入层、隐含层和输出层，其中，所述深度神经网络中的隐含层和输出层均为全连接层；卷积神经网络中的输出层为全连接层；
[0047]
所述全连接层的神经元的计算公式包括：
[0048][0049]
其中，y
l
表示第l层神经元的值；w
kl
表示权重；b
l
表示偏差； xk表示前一层神经元的输出值；f表示激活函数，f＝max(0,w
t
x+b)；
[0050]
所述输出层的损失函数的计算公式包括：
[0051][0052]
其中，mse表示离线训练过程中的均方误差；yd表示所述深度神经网络和所述卷积神经网络的输出；xd表示标签，n表示样本总数。
[0053]
本公开的一示例性实施例中，还包括：利用rmsprop算法对深度神经网络的参数进行更新，利用adam算法对卷积神经网络的参数进行更新；
[0054]
所述rmsprop算法包括利用加权和偏差梯度的差分平方加权平均值，得到前一次迭代过程中损失函数累计的梯度动量，所述梯度动量包括：
[0055][0056]
其中，σ表示梯度下降的衰减因子；dw和db表示梯度；w和b 表示更新参数，η表示学习率；μ表示累积变量；
[0057]
所述adam算法包括计算梯度的指数移动均值，包括：
[0058][0059]
其中，v
dw
表示梯度的一阶矩；s
dw
表示梯度的二阶矩；表示v
dw
的偏置矫正；表示s
dw
的偏置矫正；
[0060]
对所述adam算法进行偏差修正得到包括：
[0061][0062]
更新权重得到包括：
[0063][0064]
其中，α表示学习率或步长因子；β1表示一阶矩估计的指数衰减率、β2表示二阶矩估计的指数衰减率；ε表示为数值很小的超参数。
[0065]
本公开实施例的第二方面，提供了一种非线性多输入多输出信道估计系统。包括：
[0066]
信号处理模块，所述信号处理模块包括利用调制解调器，将接收到的射频信号下变频到基带，根据基带信号获取复基带信号，并将所述复基带信号的幅度和预设相位作为观测值，进行复基带信号处理；
[0067]
初始信道估计模块，所述初始信道估计模块将经基带信号处理后的信息输入到非线性mimo信道中，并对所述非线性mimo信道进行初始信道估计，得到初始信道估计值；
[0068]
神经网络模块，所述神经网络模块包括利用gamp算法，将所述初始信道估计值作为深度神经网络和卷积神经网络的输入，将信道的实际响应作为标签，对所述深度神经网络和所述卷积神经网络进行训练，得到最终信道估计值。
[0069]
本公开提供的技术方案可以包括以下有益效果：
[0070]
本公开实施例提出一种非线性多输入多输出信道估计方法和估计系统，利用gamp算法，将产生的初步信道估计值作为深度学习的输入，通过深度神经网络和卷积神经网络进一步细化估计值，以获得更为精确的信道估计结果。本公开的信道估计方法和估计系统具有更为优异的均方误差性能和更强的鲁棒性。
[0071]
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0072]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见的，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0073]
图1示出本公开示例性实施例非线性mimo信道估计方法的步骤示意图；
[0074]
图2示出本公开示例性实施例非线性mimo信道估计系统的结构示意图；
[0075]
图3示出本公开示例性实施例非线性mimo信道估计方法的流程图；
[0076]
图4示出仿真实验中在不同信道估计算法下的均方误差曲线；
[0077]
图5示出仿真实验中本公开的非线性mimo信道估计方法在不同天线距离下的均方误差曲线；
[0078]
图6示出仿真实验中本公开的非线性mimo信道估计方法在不同天线数量时的均方误差曲线。
具体实施方式
[0079]
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
[0080]
本示例实施方式的第一方面提供了一种非线性mimo信道估计方法，该信道估计方法包括以下步骤：
[0081]
步骤s101：利用调制解调器，将接收到的射频信号下变频到基带，根据基带信号获取复基带信号，并将所述复基带信号的幅度和预设相位作为观测值，进行基带信号处理；
[0082]
步骤s102：将基带信号处理后的信息输入到非线性mimo信道中，并对所述非线性mimo信道进行初始信道估计，得到初始信道估计值；
[0083]
步骤s103：利用gamp算法，将所述初始信道估计值作为深度神经网络和卷积神经网络的输入，将信道的实际响应作为标签，对所述深度神经网络和所述卷积神经网络进行训练，得到最终信道估计值。
[0084]
下面，将对本示例实施方式中的上述方法的各个步骤进行更详细的说明。
[0085]
在步骤s101中，这里引入了低精度同相正交(inphasequadradure，iq)调制解调器，将信道接收到的射频信号直接下变频到基带，根据基带信号获取复基带信号，采用包络检波器获取复基带信号的幅度，采用相位检测器获取复基带信号的预设相位，本示例实施方式中的预设相位为π相位，也可以是2π相位。然后将获取到的复基带信号的幅度和预设相位作为观测值，进行基带信号处理。
[0086]
这里用到了广义近似消息传递算法(gamp算法)，将非线性 mimo的信道估计问题归类为广义线性混合问题，即由非线性 mimo构建出广义线性混合模型，该模型的计算公式包括：
[0087][0088]
其中，z＝as表示噪声影响前的结果，表示待恢复的 m
×
n维度的观测矩阵，表示作为复基带信号的幅度和π相位的观测值，w表示加性复高斯噪声表示作为复基带信号的幅度和π相位的观测值，w表示加性复高斯噪声表示服从均值为0，方差为的复高斯分布；表示分量算子，第m个元素gm的定义包括：
[0089][0090]
其中，1(
·
)表示对复基带信号不做处理，∠
π
(
·
)表示复基带信号进行了π相位移动处理，t为矩阵转置。
[0091]
在步骤s102中，具体包括以下步骤：
[0092]
步骤s1021：将基带信号处理后的信息进行初始化处理，并利用似然函数，得到先验概率，再根据先验概率得到后验概率；
[0093]
这里，先验概率包括：根据所述先验概率得到所述后验概率包括：
[0094][0095]
其中，其中，zk表示z＝as的第k个值，z＝as表示噪声影响前的结果，rf链为射频链，表示以为变量，均值为zk，方差为的复高斯分布。
[0096]
步骤s1022：所述对信息输出通道进行线性处理和非线性处理，同时对信息输入通道进行线性处理和非线性处理得过程包括：
[0097]
进行输出通道的线性处理，计算zk的输出通道的方差公式包括：
[0098][0099]
计算zk的输出通道的估计值公式包括：
[0100][0101]
其中，a
kn
表示信道传输中的矩阵；表示第t次迭代s向量中第n个元素的方差列的值；表示第t次迭代p向量中第k个元素的方差；uk(t-1)表示中间变量；表示t时刻sn的均值；表示t时刻pk的估计值；
[0102]
进行输出通道的非线性处理包括：
[0103][0104][0105]
其中，uk(t)是通过后验概率估计的期望，其中是概率归一化常数，是以zk为变量，均值为方差为的复高斯分布；是通过后验概率估计的方差，估计的方差，σ
2conv
表示来自功率分路器和传统射频链的方差；
[0106]
进行输入通道的线性处理，计算zk的输入通道的方差公式包括：
[0107][0108]
计算zk的输入通道的均值公式包括
[0109][0110]
其中，表示第t次迭代α向量中第k个元素的方差列的值；表示第t次迭代
r向量中第n个元素的方差；uk(t)表示中间变量；表示t时刻sn的均值；表示t时刻rn的估计值；
[0111]
进行输入通道的非线性处理包括：
[0112][0113][0114]
其中，表示t+1个时刻的sn的均值，表示在和已知时sn的期望；表示t+1个时刻的sn的方差，表示在和已知时sn的方差；
[0115]
对后验概率密度求得的期望，其中是概率归一化常数，ps(sn)表示sn的先验分布，表示以sn为变量的均值为方差为的复高斯分布。
[0116]
步骤s1023：重复对输出通道和输入通道进行线性和非线性处理，通过不断迭代过程，得到初始信道估计值。
[0117]
在步骤s103中，利用广义近似消息传递算法(gamp算法)，将步骤s102中得到的初始信道估计值作为深度神经网络(deepneural network，dnn)和卷积神经网络(convolutional neuralnetwork,cnn)的输入，将信道的实际响应作为标签，对dnn和 cnn进行离线训练，从而得到最终信道估计道。
[0118]
参照图3，本示例实施方式中，该dnn的结构包含六层，包括一个输入层、四个隐含层和一个输出层；其中，dnn的隐含层和输出层均为全连接层，用于提取最后一层的所有特征。该cnn的结构也包含六层，包括一个输入层、四个隐含层和一个输出层；其中， cnn的输出层为全连接层。全连接层的每个神经元都可以表示为前一层中所有神经元输出值的加权和，公式包括：
[0119][0120]
其中，y
l
表示第l层神经元的值；w
kl
表示权重；b
l
表示偏差； xk表示前一层神经元的输出值；f表示激活函数。这里在每个隐含层之后使用线性整流函数(linearrectification function,relu)作为激活函数，用于对前一层的加权输出值进行非线性决策，可以表示为：f＝max(0,w
t
x+b)。
[0121]
在dnn和cnn的结构中使用回归层作为输出层。初始信道估计值由damp算法经过信道估计产生，将初始信道估计值h作为 dnn和cnn的输入，可以有多种方法来描述dnn和cnn的输出与发送数据之间的误差，在离线训练过程中，选择采用均方误差 (mean square error，mse)作为损失函数。其计算公式为：
[0122]
[0123]
其中，l表示损失函数；mse表示离线训练过程中的均方误差； yd表示所述深度神经网络和所述卷积神经网络的输出；xd表示标签， n表示样本总数。
[0124]
该损失函数l就是最终信道估计值。
[0125]
为了得到更精确的信道估计，需要不断重复上面论述的步骤 s101和步骤s102，这样可以得到不断更新的初始信道估计值h，将h不断作为输入从而更新为更为精确的最终信道估计值。
[0126]
具体的，使用均方根传播(root mean square prop，rmsprop) 来更新dnn的参数。rmsprop利用加权和偏差梯度的差分平方加权平均值，在前一次迭代过程中损失函数累计的梯度动量，该梯度动量可以包括：
[0127][0128]
其中，σ表示梯度动量下降的衰减因子；dw和db表示梯度；
[0129]
rmsprop
[0130]
更新参数w和b可以表示为：η表示学习率；μ当的值很小时，可以防止分母为零。
[0131]
由于rmsprop是一种通过调整更新参数的步长来加速梯度下降的算法。在剧烈变化的方向上的速度较小，而在平缓变化的方向上速度较大，可以优化更新过度摆动问题的损失函数。因此，可以设置较大的学习率，来加快算法的收敛速度。
[0132]
使用自适应动量算法(adaptive momentum,adam)来更新cnn 的参数。一般的随机梯度下降算法是在随机梯度下降时，保持单一的学习率更新所有的权重，学习率在训练过程中并不会改变；而 adam算法通过计算梯度的一阶矩估计和二阶矩估计能为不同的参数涉及独立的自适应学习率。adam算法可以看成是两种随机梯度下降扩展式的优点集合，即:(1)适应性梯度算法(adagrad)为每一个参数保留一个学习率以提升在稀疏梯度(即自然语言和计算机视觉问题)上的性能。(2)均方根传播(rmsprop)基于权重梯度最近量级的均值为每一个参数适应性的保留学习率。这意味着算法在非稳态和在线问题上有很多优秀的性能。
[0133]
adam算法同时获得了adagrad和rmsprop算法的优点。adam 不仅如rmsprop算法那样基于一阶矩均值计算适应性参数学习率，它同时还充分利用了梯度的二阶矩均值。具体来说，该算法计算了梯度的指数移动均值，超参数β1和β2控制了这些移动均值的衰减率。该梯度的指数移动均值包括：
[0134]
[0135]
其中，v
dw
表示梯度的一阶矩；s
dw
表示梯度的二阶矩；表示v
dw
的偏置矫正；表示s
dw
的偏置矫正；
[0136]
对所述adam算法进行偏差修正得到包括：
[0137]
vdw＝β1vdw+(1-β1)dw
ꢀꢀ
(16)
[0138]
sdw＝β2sdw+(1-β2)dw2[0139]
更新权重得到包括：
[0140][0141]
其中，α为学习率或步长因子，它控制了权重的更新比率(如 0.001)，较大的值(如0.3)在学习率更新前会有更快的初始学习能力，而较小的值(如1.0e-5)会令训练收敛到更好的性能；β1为一阶矩估计的指数衰减率、β2为二阶矩估计的指数衰减率；ε表示为数值很小的超参数，目的是为了防止分母为0；
[0142]
本示例实施方式的第二方面提供了一种非线性mimo信道估计系统，该信道估计系统包括：
[0143]
信号处理模块，所述信号处理模块包括利用调制解调器，将接收到的射频信号下变频到基带，根据基带信号获取复基带信号，并将所述复基带信号的幅度和预设相位作为观测值，进行基带信号处理；
[0144]
初始信道估计模块，所述初始信道估计模块将经基带信号处理后的信息输入到非线性mimo信道中，并对所述非线性mimo信道进行初始信道估计，得到初始信道估计值；
[0145]
神经网络模块，所述神经网络模块包括利用gamp算法，将所述初始信道估计值作为深度神经网络和卷积神经网络的输入，将信道的实际响应作为标签，对所述深度神经网络和所述卷积神经网络进行训练，得到最终信道估计值。
[0146]
仿真实验
[0147]
参照图4，在用户密度为(100，5)、基站天线数为8、用户数为4、天线距离为1.5λ的场景下，将本公开提出的非线性mimo信道估计方法(记为a方法dnn-hpo)与b方法和c方法进行均方误差性能对比。po-mimo为纯相位mimo。b方法是指基于gamp 算法的非线性mimo信道估计方法(hpo-mimo)；c方法为传统 mimo信道估计方法(conv-mimo)。由图4可以看到，对比结果显示了本公开提出的a方法的均方误差性能明显优于其他两种方法。参照图5，对本公开提出的非线性mimo信道估计方法在不同天线距离情况下的均方误差性能，可以看到，当用户密度为(100，5)、基站天线数为32、用户数为4的场景下对比了5、15、30三种天线距离的均方误差曲线，由图5可以看到，但个信噪比增加时，本公开提出的非线性mimo信道估计方法的均方误差性能随着天线距离的增加而增加。
[0148]
参照图6，对本公开提出的非线性mimo信道估计方法在不同天线数量情况下的均方误差性能。可以看到，应用的gamp算法在 32x8场景时的均方误差性能要优于64x8，而且优于b方法和c方法的均方误差性能。
[0149]
综上所述，本公开的实施例中提出了一种非线性mimo信道估计方法和估计系统。该估计方法和估计系统利用gamp算法，将产生的初步信道估计值作为深入学习的输入，应用深度神经网络和卷积神经网络做进一步的信道估计，从而获得更精确的最终信道估计值
作为结果。并且作为一种模型驱动方案，所提出的dnn模型和cnn模型的输入可以直接从初步信道估计值中得到。本公开相较于现有算法具有更好的均方误差性能和更强的鲁棒性。
[0150]
关于上述实施例中的系统，其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0151]
应当注意，尽管在上文详细描述中提及了用于动作执行的系统的若干单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。可以根据实际的需要选择其中的部分或者全部单元来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0152]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。