一种基于Transformer的联合导频设计、反馈和信道估计方法

一种基于transformer的联合导频设计、反馈和信道估计方法
技术领域
1.本发明涉及无线通信技术领域，具体为一种基于transformer的联合导频设计、反馈和信道估计方法。


背景技术：

2.随着无线技术的快速发展，通信数据量和业务量呈现出激增的态势。大规模多输入多输出(multiple input multiple output，mimo)技术依靠多天线来传输数据，可以获得空间分集增益和阵列增益，因此成为无线通信的关键技术。
3.在大规模mimo系统中，基站端发送导频到用户端，用户端需要根据导频信号来估计下行信道，当天线数量增加时，信道维度也会增加，需要发送长度更长且数量更多的导频信号来估计信道，这会大幅增加导频开销，降低系统频谱效率，同时增加基站端的功耗。
4.在频分双工模式下，用户端获取到下行信道状态信息(channel state information，csi)后，需要将下行csi通过反馈链路反馈给基站端，基站端端根据反馈的csi来进行预编码设计，以减少干扰，提高系统整体性能。传统方法通常采用矢量量化或基于码本的方法来减少反馈开销。然而，在天线数量众多的情况下，反馈开销会变得巨大，这会增加系统时延，降低系统频谱效率。
5.传统的信道估计是在用户端进行，用户端需要根据导频信号来估计出下行信道，并将估计的信道信息通过反馈信道反馈回基站端，基站端需要根据反馈信息来恢复下行信道。在用户端的信道估计和基站端的信道恢复都会引入额外的误差，从而增加基站端估计出的信道的误差，降低系统整体性能。
6.卷积神经网络(convolutional neural network,cnn)由于其平移不变性与局部敏感性等特点，可以捕捉局部的时空信息，被广泛应用于各个领域。但是卷积操作缺乏全局理解，无法建模特征之间的依赖关系，从而不能充分地利用上下文信息，而且卷积的权重是固定的无法动态地适应输入的变化。transformer是一种基于自注意力机制、并行化处理数据的深度神经网络，已经成为了自然语言处理领域必不可少的神经网络组件。并且随着研究的推进，transformer技术已经跨领域地引入到计算机视觉等领域中。
7.为了实现导频设计、反馈和信道估计的一体化，降低导频开销、减少反馈信息量并提高信道估计精度，本发明提出了一种基于transformer的联合导频设计、反馈和信道估计方法。


技术实现要素：

8.本发明的目的在于提供一种基于transformer的联合导频设计、反馈和信道估计方法，以解决上述背景技术中提出的问题。
9.为实现上述目的，本发明提供如下技术方案：一种基于transformer的联合导频设计、反馈和信道估计方法，由离线训练阶段和在线预测阶段两部分实现；其特征在于，离线训练阶段包括如下步骤：
10.s11：在基站端构建导频设计网络，用于基站到用户的下行链路中下行导频的设计；
11.s12：在用户端构建导频反馈网络，用于将接收到的导频信号进行压缩，并通过反馈链路反馈回基站端；
12.s13：在基站端构建信道估计网络，利用接收到的压缩导频信号来重建信道；
13.s14：将所述导频设计网络、导频反馈网络和信道估计网络组合为端到端神经网络，制作端到端神经网络的数据集，对所述端到端神经网络进行训练。
14.在线预测阶段包括如下步骤：
15.s21：基站端将训练完成的导频设计网络的权重作为导频信号，将导频信号发送至用户端；
16.s22：用户端接收到导频信号后，将导频信号输入导频反馈网络，得到压缩的导频信号，并将压缩的导频信号通过反馈链路反馈回基站端；
17.s23：基站端将接收到的压缩的导频信号输入信道估计网络，得到基站端到用户端的下行实时估计信道。
18.优选的，所述步骤s11中，导频设计网络由全连接层#1和add操作构成，其中全连接层#1维度为l，无偏置，add操作将全连接层#1的输出信号与加性高斯白噪声相加，k为子载波数目，l为导频信号长度。
19.优选的，所述步骤s12中，导频反馈网络由flatten层和全连接层#2构成，其中flatten层将维度为2
×k×
l的三维矩阵变换为维度为2kl
×
1的向量，全连接层#2的维度设置为m，其中m为码字压缩长度。
20.优选的，所述步骤s13中，信道估计网络依次由全连接层#3、reshape#1、encoder和reshape#2构成，其中全连接层#3的维度为2kn
t
，无偏置；reshape#1将维度为2kn
t
×
1的向量变换为维度为2k
×nt
的矩阵；encoder由输入嵌入、位置编码、前馈网络、残差连接和层归一化、多头注意力机制组成，其中输入嵌入的维度为n
t
，前馈网络的维度为2048，多头注意力机制中多头数为4；reshape#2将维度为2k
×nt
的向量变换成维度为2
×k×nt
的矩阵，k为子载波数目，n
t
为基站天线数。
21.优选的，所述步骤s14中，端到端神经网络的数据集为{g,g}，其中为信道矩阵，表示对信道矩阵h取实部，表示对信道矩阵h取虚部，k为子载波数目，n
t
为基站天线数。
22.优选的，所述步骤s14中，训练端到端神经网络时，损失函数设置为均方误差优化器为adam，batchsize设置为400，学习率为0.00001，epoch设置为1000，其中为端到端神经网络训练过程中的数据集的标签，为端到端神经网络训练过程中模型的输出数据，为信道矩阵，表示对信道矩阵h取实部，表示对信道矩阵h取虚部，k为子载波数目，n
t
为基站天线数，n为训练样本个数。
23.优选的，所述步骤s14中，训练端到端神经网络时，开始训练时，将loss_best设置为100，每一轮训练完成后，将验证集输入训练完成的端到端神经网络，得到当前轮验证集的loss，若loss小于loss_best，则将loss赋值给loss_best，且保存本轮训练的模型权重作为最佳权重，继续下一轮训练；若loss大于loss_best，则直接进行下一轮训练。
24.优选的，所述步骤s23中，基站端将接收到的压缩的导频信号输入信道估计网络，得到网络的输出将v在第一个维度拆分成两个矩阵其中k为子载波数目，n
t
为基站天线数，计算即可得到下行实时估计信道
25.与现有技术相比，本发明的有益效果是：
26.1、本发明利用深度学习技术，根据信道状态信息来进行导频设计，相较于传统的固定导频码本，降低了导频长度和导频数量，减少了导频开销。
27.2、本发明利用深度学习技术，对用户端接收的导频信号进行压缩并反馈给发送端，相较于在用户端根据导频信号直接恢复出信道状态信息并反馈，减少了用户端的复杂度，且大大降低了反馈开销。
28.3、本发明利用深度学习技术，对导频设计、反馈和信道估计进行一体化设计，相较于将导频设计、信道估计、信道反馈分离进行设计，提升了系统的整体性能，且降低了复杂度。
29.4、本发明通过离线训练和在线预测，节省大量的计算开销，适用于室内和室外各种场景，并具有很好的鲁棒性。
附图说明
30.图1为本发明提出的流程图；
31.图2为本发明中基于transformer的联合导频设计、反馈和信道估计的端到端网络；
32.图3为本发明中基站端的导频设计网络的结构图；
33.图4为本发明中用户端的导频反馈网络的结构图；
34.图5为本发明中基站端的信道估计网络的结构图；
35.图6为本发明中信道估计网络中encoder的结构图。
具体实施方式
36.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
37.在大规模mimo系统中，基站端为n
t
个天线，用户端为单天线，ofdm系统中子载波数目为k。在导频训练阶段，基站端发送长度为l的导频信号，则在第k个子载波下用户端接收到的导频信号为：
38.yk＝phk+nk,
39.其中k＝1,...,k，为第k个子载波下用户端接收到的信号，为
基站发送的导频信号，为第k个子载波下基站到用户的信道，为第k个子载波下信道中的加性高斯白噪声。将k个子载波叠加在一起，则用户端接收到的所有载波下的导频信号为：
40.y＝ph+n,
41.其中
42.用户端接收到导频信号后，将导频信号输入导频反馈网络进行压缩，即
43.c＝f
cp
(y),
44.压缩后的导频信号c通过反馈信道反馈给基站端，基站端根据压缩后的导频信号c对基站端到用户的下行信道h进行估计，即
[0045][0046]
从而得到估计的信道矩阵
[0047]
基于以上系统，本发明提供的一种基于transformer的联合导频设计、反馈和信道估计方法，其步骤如图1所示，下面对步骤进行详细说明：
[0048]
由离线训练阶段和在线预测阶段两部分实现；离线训练阶段包括如下步骤：
[0049]
s11：在基站端构建导频设计网络，用于基站到用户的下行链路中下行导频的设计；
[0050]
s12：在用户端构建导频反馈网络，用于将接收到的导频信号进行压缩，并通过反馈链路反馈回基站端；
[0051]
s13：在基站端构建信道估计网络，利用接收到的压缩导频信号来重建信道；
[0052]
s14：将所述导频设计网络、导频反馈网络和信道估计网络组合为端到端神经网络，制作端到端神经网络的数据集，对所述端到端神经网络进行训练。
[0053]
在线预测阶段包括如下步骤：
[0054]
s21：基站端将训练完成的导频设计网络的权重作为导频信号，将导频信号发送至用户端；
[0055]
s22：用户端接收到导频信号后，将导频信号输入导频反馈网络，得到压缩的导频信号，并将压缩的导频信号通过反馈链路反馈回基站端；
[0056]
s23：基站端将接收到的压缩的导频信号输入信道估计网络，得到基站端到用户端的下行实时估计信道。
[0057]
基站端的导频设计网络的结构：
[0058]
如图3所示，导频设计网络由全连接层#1和add操作构成，其中全连接层#1维度为l，无偏置，add操作将全连接层#1的输出信号与加性高斯白噪声相加，k为子载波数目，l为导频信号长度。
[0059]
用户端的导频反馈网络的结构：
[0060]
如图4所示，导频反馈网络由flatten层和全连接层#2构成，其中flatten层将维度为2
×k×
l的三维矩阵变换为维度为2kl
×
1的向量，全连接层#2的维度设置为m，其中m为码字压缩长度。
[0061]
基站端的信道估计网络的结构：
[0062]
如图5所示，信道估计网络依次由全连接层#3、reshape#1、encoder和reshape#2构成，其中全连接层#3的维度为2kn
t
，无偏置；reshape#1将维度为2kn
t
×
1的向量变换为维度为2k
×nt
的矩阵；encoder由输入嵌入、位置编码、前馈网络、残差连接和层归一化、多头注意力机制组成，其中输入嵌入的维度为n
t
，前馈网络的维度为2048，多头注意力机制中多头数为4；reshape#2将维度为2k
×nt
的向量变换成维度为2
×k×nt
的矩阵，k为子载波数目，n
t
为基站天线数。
[0063]
基于transformer的联合导频设计、反馈和信道估计的端到端网络的数据集制作：
[0064]
端到端神经网络的数据集为{g,g}，其中端到端神经网络的数据集为{g,g}，其中为信道矩阵，表示对信道矩阵h取实部，表示对信道矩阵h取虚部，k为子载波数目，n
t
为基站天线数。
[0065]
基于transformer的联合导频设计、反馈和信道估计的端到端网络的训练：
[0066]
基于transformer的联合导频设计、反馈和信道估计的端到端网络如图2所示，训练端到端神经网络时，损失函数设置为均方误差优化器为adam，batchsize设置为400，学习率为0.00001，epoch设置为1000，其中为端到端神经网络训练过程中的数据集的标签，为端到端神经网络训练过程中模型的输出数据，为信道矩阵，表示对信道矩阵h取实部，表示对信道矩阵h取虚部，k为子载波数目，n
t
为基站天线数，n为训练样本个数。
[0067]
基于transformer的联合导频设计、反馈和信道估计的端到端网络最佳模型权重的保存：
[0068]
训练端到端神经网络时，开始训练时，将loss_best设置为100，每一轮训练完成后，将验证集输入训练完成的端到端神经网络，得到当前轮验证集的loss，若loss小于loss_best，则将loss赋值给loss_best，且保存本轮训练的模型权重作为最佳权重，继续下一轮训练；若loss大于loss_best，则直接进行下一轮训练。
[0069]
在线预测阶段下行实时估计信道的获取：
[0070]
基站端将接收到的压缩的导频信号输入信道估计网络，得到网络的输出将v在第一个维度拆分成两个矩阵其中k为子载波数目，n
t
为基站天线数，计算即可得到下行实时估计信道
[0071]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。