一种基于神经网络的多时隙信道估计方法及装置

1.本发明涉及通信传输技术领域，尤其涉及一种基于神经网络的多时隙信道估计方法及装置。


背景技术：

2.移动互联网的快速发展对现代无线网络的设计提出了新的挑战。信号传输过程中会受到阴影衰落、多径效应和多普勒频移的影响，导致信号的幅度、相位和频率失真。为了尽可能恢复原始信号，提高数据吞吐量，需要准确估计信道状态信息。
3.目前的信道估计方案一般为单时隙信道估计方案，没有考虑多时隙信道相关特征。
4.如论文1(deep learning-based channel estimation[soltani m,pourahmadi v,mirzaei a,et al.deep learning-based channel estimation[j].ieee communications letters,2019,23(4):652-655.])，该文章将信道的时频响应视作二维图像，提出了一种将超分辨率网络与去噪图像恢复网络级联的网络结构来估计信道。为了获得完整的信道图像，提出了一个两阶段的训练方法：在第一阶段，超分辨率网络将导频位置的信道估计值作为矢量化的低分辨率输入，并估计信道响应的未知值。在第二阶段，图像去噪网络与超分辨率网络级联来去除噪声的影响。然而，该论文所使用的信道模型简单，不能准确模拟真实的无线通信环境；其次，其网络结构没有针对信道估计任务做进一步优化。
[0005]
又如论文2(deep residual learning meets ofdm channel estimation[li l,chen h,chang h h,et al.deep residual learning meets ofdm channel estimation[j].ieee wireless communications letters,2019,9(5):615-618.])，该文章介绍了一种专门为信道估计设计的基于残差学习的深度神经网络reesnet，网络输入是导频位置处的估计信道响应，输出为全部的估计信道响应。由于其紧凑的网络结构，大大降低了计算成本。该论文所提算法虽然在保证估计精度的同时极大地降低了复杂度，但是其使用了反卷积层，导致该模型只能在特定带宽下工作。
[0006]
连续接收的多时隙导频信号中蕴含着信道的时域相关特征，可以被用来提高信道估计的准确性以及降低导频开销。然而，由于信道的多变，连续信道之间的相关信息难以通过传统方法进行提取。
[0007]
目前还没有使用神经网络评估多时隙导频信息对提高当前时隙的信道估计准确性的作用的方案。神经网络具有强大的学习和非线性拟合能力，可以凭借学习到的不同权重提取多时隙信道特征。此外，由于条件生成对抗网络具有优异的特征提取和数据生成能力，更适合于将导频位置处的信道响应视为低分辨率图像的基于深度学习的信道估计任务。
[0008]
基于以上考虑，本发明首次提出基于神经网络的多时隙信道估计架构，并利用条件生成对抗网络进行多时隙信道估计，以获得更准确的信道状态信息。


技术实现要素：

[0009]
本发明的目的是提出一种基于神经网络的多时隙信道估计方法及装置，以获得更准确的信道状态信息。
[0010]
为了实现上述目的，本发明的技术方案如下：
[0011]
一方面，本发明提供了一种基于神经网络的多时隙信道估计方法，包括以下步骤：
[0012]
s1、由最小二乘法(least square，ls)得到第i时隙的导频位置处的估计信道响应即：其中i＝[t,t-1,
…
t-t+1]，y
p,t
为第t时隙的导频位置处的接收信号，x
p,t
为第t时隙的导频位置处的发送信号，当前时隙为第t时隙，t为连续的时隙个数；公式下角标p是导频位置；
[0013]
s2、将t个连续的导频位置处的估计信道响应储存在存储队列中，表示为
[0014]
s3、将t个连续的导频位置处的估计信道响应输入生成器，输出第t时隙的实际信道响应h
t
的估计值
[0015]
s4、利用估计值和数据位置处的接收信号y
d,t
进行信号检测，公式下角标d是数据位置。
[0016]
进一步地，所述步骤s1中，接收信号是由发送信号经过资源分配、ofdm调制、信道和ofdm解调之后得到。
[0017]
进一步地，步骤s3中所述的生成器包括以下处理步骤：
[0018]
s31、多时隙信道特征提取网络提取多时隙的导频位置处的估计信道响应的特征，并将其映射到高维的特征空间，表示如下：
[0019][0020]
其中输出为多时隙信道特征fm，fm(
·
)代表多时隙信道特征提取网络；
[0021]
s32、深层信道特征提取网络从多时隙信道特征fm中提取深层信道特征fd，表示如下：
[0022]
fd＝fd(fm)
[0023]
其中fd(
·
)代表深层信道特征提取网络；
[0024]
s33、通过信道重建网络生成当前时隙的导频位置的估计信道响应与当前时隙的估计信道响应之间的差值。
[0025]
进一步地，步骤s3中所述生成器通过引入判别器构建条件生成对抗网络训练而成，所述的判别器用于区分真(h
t
，)和假()；
[0026]
进一步地，步骤s3中所述的判别器包括以下处理步骤：
[0027]
第一步，固定生成器，寻找最优的判别器；
[0028]
第二步，固定判别器，寻找最优的生成器；
[0029]
上述两步交替执行，直到到达纳什均衡点。
[0030]
进一步地，步骤s3中所述的条件生成对抗网络训练的训练目标是训练生成器产生估计信道响应来欺骗判别器，同时训练判别器来区分估计信道响应和实际信道响应。
[0031]
进一步地，步骤s3中通过下式得到训练后得到的最优生成器g*：
[0032][0033]
其中λ是一个常数参数，由设计者调参得到；为传统优化目标，为条件生成对抗网络的优化目标，表示如下：
[0034][0035]
其中g和d分别表示生成器和判别器，为数学期望函数。
[0036]
进一步地，步骤s3中所述的生成器在训练过程中使用数据增强方法。
[0037]
进一步地，数据增强方法为：将全带宽信道响应划分为多个窄带子信道响应。
[0038]
另一方面，本发明还提供一种基于神经网络的多时隙信道估计装置，包括ls估计器、存储队列和生成器，以实现上述任一项所述的方法，其中：
[0039]
所述ls估计器，用于由ls算法得到第i时隙的导频位置处的估计信道响应即：其中i＝[t,t-1,
…
t-t+1]，y
p,t
为第t时隙的导频位置处的接收信号，x
p,t
为第t时隙的导频位置处的发送信号，当前时隙为第t时隙，t为连续的时隙个数；
[0040]
所述存储队列，用于储存t个连续的导频位置处的估计信道响应，表示为
[0041]
所述生成器，用于信道估计推理，输入为t个连续的导频位置处的估计信道响应输出为第t时隙的实际信道响应h
t
的估计值
[0042]
与现有技术相比，本发明的有益效果为：
[0043]
本发明针对连续接收的导频信号中的信道的时域相关性特征用来进一步提高信道估计的准确性，提出的一种基于神经网络的多时隙信道估计方法，通过多时隙信道特征提取、深层信道特征提取和信道重建等步骤，充分利用信道的时域相关特征，提高信道估计的准确性。并通过神经网络的学习一系列参数，自适应地给不同的信道特征分配权重，使得其能应对多变的信道状况。此外，本发明基于条件生成对抗网络能够学习信道的概率分布特征，而不仅是数值对应，更适合于信道多变的现实情况，能够提高算法对不同信道的鲁棒性。
附图说明
[0044]
为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0045]
图1为本发明实施例提供的基于神经网络的多时隙信道估计方法流程图。
[0046]
图2为本发明实施例提供的生成器流程示意图。
[0047]
图3为本发明实施例提供的判别器流程示意图。
[0048]
图4为本发明实施例提供的生成器全貌图。
[0049]
图5为本发明实施例提供的swin transformer残差块(residual swin transformer block，rstb)结构图。
[0050]
图6为本发明实施例提供的swin transformer层(swin transformer layer，stl)结构图。
[0051]
图7为本发明实施例提供的判别器结构示意图。
具体实施方式
[0052]
我们提出了一个基于神经网络的多时隙信道估计架构，并设计了一种基于生成式对抗网络的多时隙信道估计方案。具体来说，提出的基于神经网络的多时隙信道估计方法可以通过多时隙信道特征提取、深层信道特征提取和信道重建等步骤，充分利用信道的时域相关特征，提高信道估计的准确性。此外，为了降低训练过程中的计算复杂度并提高模型的鲁棒性，并避免部署带宽和训练带宽不匹配导致的性能下降，提出了一种将全带宽信道响应划分为多个窄带子信道响应的数据增强方法。
[0053]
为了更好地理解本技术方案，下面结合附图对本发明的方法做详细的说明。
[0054]
本发明的实施例中系统模型采用正交频分复用(orthogonal frequency division multiplexing，ofdm)系统，ofdm是一种将传输信道划分为多个正交子信道的多载波传输方案。考虑一个大小nf×ns
的ofdm系统，其中nf是子载波的数量，ns是每个时隙中ofdm符号的数量。在时频域中，接收信号和发射信号之间的关系可以表示为：
[0055][0056]
其中分别代表接收信号、传输信号和信道的时频响应；代表均值为零、方差为σ2的加性高斯白噪声；代表hadamard乘积。
[0057]
本发明提供的一种基于神经网络的多时隙信道估计方法，整体架构参考图1所示，x
d,t
，x
p,t
，y
d,t
和y
p,t
分别代表第t时隙的数据位置处的发送信号，导频位置处的发送信号，数据位置处的接收信号和导频位置处的接收信号。接收信号是由发送信号经过资源分配、ofdm调制、信道和ofdm解调之后得到的。多时隙信道估计装置由生成器、ls估计器和一个存储队列组成。
[0058]
方法具体包括以下步骤：
[0059]
s1、由ls算法得到第i时隙的导频位置处的估计信道响应即：其中i＝[t,t-1,
…
t-t+1]，y
p,t
为第t时隙的导频位置处的接收信号，x
p,t
为第t时隙的导频位置处的发送信号，当前时隙为第t时隙，t为连续的时隙个数；
[0060]
s2、将t个连续的导频位置处的估计信道响应储存在存储队列中，表示为t的大小由使用者根据实际应用环境决定，主要考虑性能和计算复杂度。
[0061]
s3、将t个连续的导频位置处的估计信道响应输入生成器，输出第t时隙的实际信道响应h
t
的估计值所述生成器通过引入判别器构建条件生成对抗网络训练而成，所
述的判别器用于区分真(h
t
，)和假在信道估计后，利用和y
d,t
进行信号检测。
[0062]
为了训练生成器网络，引入判别器构建条件生成对抗网络。具体的网络结构和训练目标介绍如下。
[0063]
1、生成器
[0064]
如图2所示，生成器包括以下处理步骤：
[0065]
第一步，多时隙信道特征提取神经网络提取多时隙的导频位置处的估计信道响应的特征，并将其映射到高维的特征空间，这个过程表示如下：
[0066][0067]
其中输出为多时隙信道特征fm，fm(
·
)代表多时隙信道特征提取网络；
[0068]
第二步，从多时隙信道特征fm中提取深层信道特征fd，表示如下：
[0069]
fd＝fd(fm)
[0070]
其中fd(
·
)代表深层信道特征提取网络；
[0071]
第三步，通过信道重建网络生成当前时隙的导频位置的估计信道响应与当前时隙的估计信道响应之间的差值。
[0072]
该网络用于信道估计推理。卷积神经网络、transformer、各种激活函数、dropout等技术均可用于构建该生成器网络。
[0073]
2、判别器
[0074]
如图3所示，判别器包括以下处理步骤：
[0075]
第一步，固定生成器，寻找最优的判别器；
[0076]
第二步，固定判别器，寻找最优的生成器；
[0077]
上述两步交替执行，直到到达纳什均衡点。
[0078]
3、训练目标
[0079]
条件生成对抗网络训练的训练目标是训练生成器产生估计信道响应来欺骗判别器，同时训练判别器来区分估计信道响应和实际信道响应。
[0080]
条件生成对抗网络训练的优化目标如下：
[0081][0082]
其中g和d分别表示生成器和判别器，为条件生成对抗网络的优化目标，为数学期望函数。
[0083]
通过将该优化目标和传统优化目标结合的方式限定生成器，以免出现不确定输出。最终我们通过下式得到训练后得到的最优生成器g
*
：
[0084][0085]
其中λ是一个常数参数，由设计者调参得到；为传统优化目标，如l1范数、l2范数等。
relu激活函数2d卷积层，其使用64个大小为4
×
4的滤波器。接下来的部分是由两个分别有128、256个大小为4
×
4的滤波器的连着batchnorm层和leaky relu激活函数的2d卷积层。最后一层是使用一个大小为4
×
4的滤波器的2d卷积层。
[0101]
3训练目标
[0102]
生成式对抗网络目标是训练生成器产生估计信道响应来欺骗判别器，同时训练判别器来区分估计信道响应和实际信道响应。我们将l1范数添加到条件生成对抗网络的优化目标中。这个过程的数学表述如下：
[0103][0104]
其中g和d分别表示由发生器和判别器；是数学期望函数；λ是一个常数参数，通过参数调整被设置为10；代表l1范数；g*是训练后得到的最优生成器。
[0105]
4数据增强
[0106]
在模型训练过程中将大小为nf×ns
的全带宽信道响应随机划分为多个大小为32
×ns
的窄带子信道响应的进行数据增强。划分大小的具体数值由使用者自主决定。该方法能够降低训练的计算成本并提高模型的鲁棒性,也可以避免部署带宽和训练带宽不匹配导致的性能下降。
[0107]
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。