本发明涉及通信,尤其涉及一种信道估计方法及装置。
背景技术:
1、大规模mimo(multiple-input multiple-output,多输入多输出)是第五代移动通信(5th generation mobile communication technology,5g)中的关键技术之一。正交频分复用(orthogonal frequency division multiplexing,ofdm)是一种多载波调制技术,对频率选择性具有鲁棒性。大规模mimo与ofdm的结合可以充分发挥这两种技术的巨大潜力。近年来,大规模mimo-ofdm被认为是宽带无线通信的一种十分有前景的技术,已经在5g系统中被广泛使用。
2、大规模mimo-ofdm系统的性能与信道估计的质量高度相关。在实际系统中,通常通过周期性地发送导频信号,接收端根据接收到的导频信号进行信道估计。然而随着大规模mimo-ofdm系统中信道矩阵维数的显著增加,传统信道估计算法,如最小均方误差信道估计算法,在计算复杂度上是不可承受的。
3、近似信息几何(approximate information geometry,aig)信道估计算法具有较低复杂度的优势。该算法通过获取信道参数的后验信息进行信道估计,即在信息几何框架下计算出一个近似的后验边缘概率分布。aig算法将这种计算转化为一个迭代过程。为了提高算法稳定性,在迭代过程中引入了阻尼因子。传统方法选取阻尼值是尝试所有可行的阻尼因子值,然后选取其中的最优值。然而,由于这些阻尼因子的取值是连续的,只能通过“网格”式的搜索寻找最优值,因此复杂度较高,且如果网格不够密集,通过网格搜索找到的值可能会导致性能损失。
技术实现思路
1、本发明提供一种信道估计方法及装置,能够有效避免现有技术中存在的信道估计性能损失,提升信道估计性能。
2、第一方面,本发明实施例提供一种信道估计方法,包括:
3、基于优化的近似信息几何aig信道估计算法对目标信道的目标数据进行处理,得到所述目标信道的信道估计结果;
4、其中,所述优化的aig信道估计算法包括:
5、在每一次迭代中,基于目标阻尼因子对目标流形参数和辅助流形参数进行更新;所述目标流形参数用于将信道估计对应的n个非线性项进行近似处理,所述辅助流形参数用于将n-1个非线性项进行近似处理,所述目标流形参数是基于所述辅助流形参数得到的;所述目标阻尼因子是提高所述优化的aig信道估计算法的收敛性的参数;所述目标数据包括接收信号向量、发送信号矩阵、信道的能量矩阵、噪声方差;
6、基于最后一次迭代得到的目标流形参数对所述目标信道进行信道估计;
7、所述目标阻尼因子是基于信道样本对目标模型进行训练得到的,所述目标模型是基于迭代过程建立的。
8、在一个实施例中,所述目标阻尼因子的数量为4t,t为所述aig信道估计算法中的迭代次数;
9、对于第t次迭代,所述目标阻尼因子分别为其中,与用于对所述目标流形参数进行更新,与用于对所述辅助流形参数进行更新。
10、在一个实施例中,所述目标模型包括t层级联的网络;每层网络包括m投影模块和更新模块;
11、对于第t层网络,所述m投影模块用于基于信道样本将第t-1层网络输出的辅助流形参数向目标流形参数进行m投影,得到流形参数;
12、所述更新模块用于基于训练阻尼因子对所述流形参数进行更新,得到第t层网络的辅助流形参数和目标流形参数;
13、其中,训练阻尼因子为第t层网络在目标模型训练过程中得到的阻尼因子;在所述目标模型收敛后,第t层网络的训练阻尼因子为第t次迭代所使用的目标阻尼因子;
14、所述m投影指将辅助流形参数的分布向目标流形参数的分布进行投影。
15、在一个实施例中,所述目标模型的损失函数是基于所述信道样本以及所述目标模型当前估计出的信道系数确定的。
16、在一个实施例中,所述方法还包括:
17、基于所述损失函数以及目标流形参数表达式,得到第t层网络的与的梯度公式;
18、基于所述损失函数以及辅助流形参数表达式,得到第t层网络的与的梯度公式;
19、在对所述目标模型进行当前轮训练的过程中,基于上一轮训练得到的与以及所述与的梯度公式,得到当前轮训练得到的与基于上一轮训练得到的与以及所述与的梯度公式,得到当前轮训练得到的与
20、在一个实施例中,所述目标模型的损失函数是基于所述信道样本以及所述目标模型当前估计出的信道系数的均方误差确定的。
21、在一个实施例中,所述基于上一轮训练得到的与以及所述与的梯度公式,得到当前轮训练得到的与包括:
22、基于所述与的梯度公式,构建梯度下降算法,基于所述梯度下降算法以及上一轮训练得到的与得到当前轮训练得到的与
23、第二方面,本发明实施例提供一种信道估计装置,包括:
24、估计模块,用于基于优化的近似信息几何aig信道估计算法对目标信道的目标数据进行处理,得到所述目标信道的信道估计结果;
25、其中,所述优化的aig信道估计算法包括:
26、在每一次迭代中,基于目标阻尼因子对目标流形参数和辅助流形参数进行更新;所述目标流形参数用于将信道估计对应的n个非线性项进行近似处理,所述辅助流形参数用于将n-1个非线性项进行近似处理,所述目标流形参数是基于所述辅助流形参数得到的;所述目标阻尼因子是提高所述优化的aig信道估计算法的收敛性的参数;所述目标数据包括接收信号向量、发送信号矩阵、信道的能量矩阵、噪声方差;
27、基于最后一次迭代得到的目标流形参数对所述目标信道进行信道估计;
28、所述目标阻尼因子是基于信道样本对目标模型进行训练得到的,所述目标模型是基于迭代过程建立的。
29、第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的方法。
30、第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的方法。
31、第五方面,本发明实施例提供一种计算机程序产品,包括计算机程序,所述计算机程序存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时实现如第一方面所述的方法。
32、本发明实施例提供的信道估计方法及装置,通过先对阻尼因子进行训练,再将训练好的阻尼因子用于优化aig信道估计算法的迭代过程,可以提高信道估计的稳定性和准确性,从而避免信道估计的性能损失,有效提高信道估计性能。
1.一种信道估计方法,其特征在于,包括:
2.根据权利要求1所述的信道估计方法,其特征在于,所述目标阻尼因子的数量为4t,t为所述aig信道估计算法中的迭代次数;
3.根据权利要求2所述的信道估计方法,其特征在于,所述目标模型包括t层级联的网络;每层网络包括m投影模块和更新模块;
4.根据权利要求3所述的信道估计方法,其特征在于,所述目标模型的损失函数是基于所述信道样本以及所述目标模型当前估计出的信道系数确定的。
5.根据权利要求4所述的信道估计方法,其特征在于,所述方法还包括:
6.根据权利要求4所述的信道估计方法,其特征在于,所述目标模型的损失函数是基于所述信道样本以及所述目标模型当前估计出的信道系数的均方误差确定的。
7.根据权利要求4所述的信道估计方法,其特征在于,所述基于上一轮训练得到的与以及所述与的梯度公式,得到当前轮训练得到的与包括:
8.一种信道估计装置,其特征在于,包括:
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的信道估计方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的信道估计方法。
11.一种计算机程序产品,包括计算机程序,所述计算机程序存储在非暂态计算机可读存储介质上,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的信道估计方法。