信道估计模型的训练方法、信道估计方法、装置及设备

技术领域

本公开涉及人工智能技术领域，具体涉及一种信道估计模型的训练方法、信道估计方法、装置及设备。

背景技术

信道估计是指在通信领域，从信道接收到的信号中将假定的某个信道模型的模型参数估计出来的过程。而估计的准确性决定了通信双方对于信息传输环境的认知程度，因此，信道估计的精度将直接影响整个通信系统的性能与通信质量。然而，现有的信道估计方式通常存在诸多的受限条件，无法灵活有效地使用。

发明内容

本公开提供了一种信道估计模型的训练方法、信道估计方法、装置及设备。

根据本公开的第一方面，提供了一种信道估计模型的训练方法，包括：

获取通过目标信道传输的原始信号，对原始信号进行采样和融合以得到样本信号，其中，原始信号包含多种类型的待估计信道参数；

获取样本信号对应的自相关信号；

确定样本信号的伪标签数据，其中，伪标签数据包括多种类型的待估计信道参数中的预设类型的待估计信道参数的期望值；

基于样本信号、自相关信号、伪标签数据和预设的第一损失函数迭代训练初始信道估计模型，得到第一信道估计模型；其中，初始信道估计模型为预先构建的无监督神经网络模型，第一损失函数至少用于计算预设类型的待估计信道参数的期望值和估计值之间的差异结果；

基于样本信号、自相关信号和预设的第二损失函数迭代训练第一信道估计模型，得到目标信道估计模型；其中，第二损失函数用于计算所有类型的待估计信道参数的实际值和估计值之间的融合差异结果。

在本公开实施例中，对所述原始信号进行采样和融合以得到样本信号，包括：

对原始信号的每个类型的待估计信道参数进行取样，得到每个类型的待估计信道参数的预设数量的信道参数采样值；

基于每个类型的待估计信道参数对应的信道参数采样值，生成预设数量的信道参数融合值，其中，每个信道参数融合值包括各个类型的待估计信道参数的一个信道参数采样值；

确定预先配置的加权矩阵、以及由预设数量的信道参数融合值组成的信道参数融合值组合；

基于信道参数融合值组合和加权矩阵生成样本信号；其中，样本信号表征为包括预设数量的子样本信号组成的矩阵。

在本公开实施例中，多种类型的待估计信道参数的包括信号到达角度；样本信号表征为预设数量的子样本信号组成的矩阵；

确定样本信号的伪标签数据，包括：

针对样本信号中的每个子样本，从预设的伪标签参数集合中选取对应的目标到达角取值，伪标签参数集合包括多个由小至大排列的到达角取值；

基于子样本对应的目标到达角取值，通过预设的运算规则确定出子样本对应的中的信号到达角度对应的期望值。

在本公开实施例中，基于样本信号、自相关信号、伪标签数据和预设的第一损失函数迭代训练初始信道估计模型，得到第一信道估计模型，包括：

步骤a：将样本信号和自相关信号输入至初始信道估计模型，基于初始信道估计模型输出至少包括预设类型的待估计信道参数的估计值的第一估计结果；

步骤b：基于伪标签数据、第一估计结果和预设的第一损失函数确定第一损失，其中，第一损失至少包括预设类型的待估计信道参数的期望值和估计值之间的差异结果；

步骤c：基于第一损失调整初始信道估计模型的参数；

迭代执行步骤a-步骤c，得到第一信道估计模型。

在本公开实施例中，基于样本信号、自相关信号和预设的第二损失函数迭代训练第一信道估计模型，得到目标信道估计模型，包括：

步骤d：将样本信号和自相关信号输入至第一信道估计模型，基于第一信道估计模型输出包括所有类型的待估计信道参数的估计值的第二估计结果；

步骤e：基于样本信号、第二估计结果和预设的第二损失函数确定第二损失，其中，第二损失至少包括所有类型的待估计信道参数的实际值和估计值之间的融合差异结果；

步骤f：基于第二损失调整第一信道估计模型的参数；

迭代执行步骤d-步骤f，得到目标信道估计模型。

根据本公开的第二方面，提供了一种信道估计方法，包括：

获取待进行信道估计的目标接收信号，目标接收信号包含多种类型的待估计信道参数；

将目标接收信号输入到目标信道估计模型，基于目标信道估计模型得到目标接收信号的信道估计结果，其中，目标信道估计模型是根据上述第一方面提供的信道估计模型的训练方法训练得到的。

根据本公开的第三方面，提供了一种信道估计模型的训练装置，包括：

原始信号处理模块，用于获取通过目标信道传输的原始信号，对原始信号进行采样和融合以得到样本信号，其中，原始信号包含多种类型的待估计信道参数；

自相关信号获取模块，用于获取样本信号对应的自相关信号；

伪标签确定模块，用于确定样本信号的伪标签数据，其中，伪标签数据包括多种类型的待估计信道参数中的预设类型的待估计信道参数的期望值；

初始训练模块，用于基于样本信号、自相关信号、伪标签数据和预设的第一损失函数迭代训练初始信道估计模型，得到第一信道估计模型；其中，初始信道估计模型为预先构建的无监督神经网络模型，第一损失函数至少用于计算预设类型的待估计信道参数的期望值和估计值之间的差异结果；

优化训练模块，用于基于样本信号、自相关信号和预设的第二损失函数迭代训练第一信道估计模型，得到目标信道估计模型；其中，第二损失函数用于计算所有类型的待估计信道参数的实际值和估计值之间的融合差异结果。

在本公开实施例中，原始信号处理模块在用于对所述原始信号进行采样和融合以得到样本信号时，具体用于：

对原始信号的每个类型的待估计信道参数进行取样，得到每个类型的待估计信道参数的预设数量的信道参数采样值；

基于每个类型的待估计信道参数对应的信道参数采样值，生成预设数量的信道参数融合值，其中，每个信道参数融合值包括各个类型的待估计信道参数的一个信道参数采样值；

确定预先配置的加权矩阵、以及由预设数量的信道参数融合值组成的信道参数融合值组合；

基于信道参数融合值组合和加权矩阵生成样本信号；其中，样本信号表征为包括预设数量的子样本信号组成的矩阵。

在本公开实施例中，多种类型的待估计信道参数的包括信号到达角度；样本信号表征为预设数量的子样本信号组成的矩阵；

伪标签确定模块在用于确定样本信号的伪标签数据时，具体用于：

针对样本信号中的每个子样本，从预设的伪标签参数集合中选取对应的目标到达角取值，伪标签参数集合包括多个由小至大排列的到达角取值；

基于子样本对应的目标到达角取值，通过预设的运算规则确定出子样本对应的中的信号到达角度对应的期望值。

在本公开实施例中，初始训练模块在用于基于样本信号、自相关信号、伪标签数据和预设的第一损失函数迭代训练初始信道估计模型，得到第一信道估计模型时，具体用于：

步骤a：将样本信号和自相关信号输入至初始信道估计模型，基于初始信道估计模型输出至少包括预设类型的待估计信道参数的估计值的第一估计结果；

步骤b：基于伪标签数据、第一估计结果和预设的第一损失函数确定第一损失，其中，第一损失至少包括预设类型的待估计信道参数的期望值和估计值之间的差异结果；

步骤c：基于第一损失调整初始信道估计模型的参数；

迭代执行步骤a-步骤c，得到第一信道估计模型。

在本公开实施例中，优化训练模块在用于基于样本信号、自相关信号和预设的第二损失函数迭代训练第一信道估计模型，得到目标信道估计模型时，具体用于：

步骤d：将样本信号和自相关信号输入至第一信道估计模型，基于第一信道估计模型输出包括所有类型的待估计信道参数的估计值的第二估计结果；

步骤e：基于样本信号、第二估计结果和预设的第二损失函数确定第二损失，其中，第二损失至少包括所有类型的待估计信道参数的实际值和估计值之间的融合差异结果；

步骤f：基于第二损失调整第一信道估计模型的参数；

迭代执行步骤d-步骤f，得到目标信道估计模型。

根据本公开的第四方面，提供了一种信道估计装置，包括：

目标信号获取模块，用于获取待进行信道估计的目标接收信号，目标接收信号包含多种类型的待估计信道参数；

估计结果获取模块，用于将目标接收信号输入到目标信道估计模型，基于目标信道估计模型得到目标接收信号的信道估计结果，其中，目标信道估计模型是根据上述第一方面提供的信道估计模型的训练方法训练得到的。

根据本公开的第五方面，提供了一种电子设备，包括：

至少一个处理器；以及与至少一个处理器通信连接的存储器；

其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述第一方面提供的信道估计模型的训练方法或第二方面提供的信道估计方法。

根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述第一方面提供的信道估计模型的训练方法或第二方面提供的信道估计方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

本公开提供的技术方案带来的有益效果是：

本公开的技术方案提供了基于无监督学习的信道估计模型的训练方法，使用信道估计模型进行信道估计，不再受限于传统方法中的相关信源和信道强假设的限制，使用更加灵活；无监督学习的训练过程无需预先标记数据，极大地降低了训练成本；而且，使用了两个不同的训练过程对模型进行训练，并为两个不同的训练过程配置了不同的损失函数，不同维度训练过程和损失函数确保了训练后的信道估计模型的准确性和稳定性。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1示出了本公开实施例提供的一种信道估计模型的训练方法的流程示意图；

图2示出了本公开实施例提供的一种信道估计模型的结构示意图；

图3示出了本公开实施例提供的一种信道估计方法的流程示意图；

图4示出了本公开实施例提供的一种信道估计模型的训练装置的流程示意图；

图5示出了本公开实施例提供的一种信道估计装置的流程示意图；

图6示出了可以用来实施本公开实施例提供的点云地图的渲染方法的示例电子设备的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

信道估计是指在通信领域，从信道接收到的信号中将假定的某个信道模型的模型参数估计出来的过程。而估计的准确性决定了通信双方对于信息传输环境的认知程度，因此，信道估计的精度将直接影响整个通信系统的性能与通信质量。

然而，现有的信道估计方式通常存在诸多的受限条件，无法灵活有效地使用。具体来说，现有的基于子空间的信号参数估计算法，诸如多信号分类(MUSIC)算法能够实在非相关信源情况下实现对多个重叠的不同的用户信号做信道参数估计，但是具有较高的计算复杂度，且无法实现相关信源情况下的高精度估计；现有的基于压缩感知的信道估计算法能够有效降低计算复杂度，但是这类技术对信道有着较强的稀疏性假设，无法使用于诸如瑞利衰落等信道情况；近年来出现的基于神经网络的信道参数估计算法普遍为有监督学习的方式，有监督学习模型训练的过程需要大量的标记数据，训练成本较高。

本公开实施例提供的信道估计模型的训练方法、信道估计方法、装置及设备，旨在解决现有技术的如上技术问题中的至少一个。

本公开实施例将以同时发送信号用户个数K＝3，接收天线数量N＝64，信号的采样数为M＝40的场景为例，对估计模型的训练方法和信道估计方法的具体步骤进行介绍，可以理解，当时同时发送信号用户个数、接收天线数量和信号的采样数为其它值时，本公开提供的估计模型的训练方法和信道估计方法同样适用。

图1示出了本公开实施例提供的一种信道估计模型的训练方法的流程示意图，如图1示，该方法主要可以包括以下步骤：

S110：获取通过目标信道传输的原始信号，对原始信号进行采样和融合以得到样本信号。

本公开实施例中，信道是指以传输媒质为基础的信号通路。具体的信道是指由有线或无线电线路提供的信号通路。在通信系统中，信道的作用是用来传输信号，它提供一段频带让信号通过，同时又由于信道中通常存在噪声干扰，经过信道传输后的信号会出现失真等影响。目标信道可以是预先指定的信道，原始信号包含多种类型的待估计信道参数，例如，多种类型的待估计信道参数可以包含信号到达角度、路径增益和路径相移等，当然，还可以包括其它类型的待估计信道参数，此处不再列举。这里，可以实时地通过目标信道接收原始信号，也可以在通过目标信道传输的历史信号中解析出原始信号。

本公开实施例在对原始信号进行预设处理时，可以对原始信号的每个类型的待估计信道参数进行取样，得到每个类型的待估计信道参数的预设数量的信道参数采样值。

可选地，可以基于每个类型的待估计信道参数预设的取样范围，对对原始信号的每个类型的待估计信道参数进行取样。例如，本公开实施例可以配置信号到达角的取样范围为-30°～30°，路径增益的取样范围为0～1，路径相移的取样范围为-180°～180°。以预设数量是40000为例，对于信号到达角度，可以从原始信号的-30°～30°的到达角范围内，均匀地获取40000个信号到达角度取样值，40000个信号到达角度取样值可以构成一个信号到达角度取样矩阵θ，θ

在得到每个类型的待估计信道参数的预设数量的信道参数采样值之后，可以基于每个类型的待估计信道参数对应的信道参数采样值，生成预设数量的信道参数融合值。其中，每个信道参数融合值包括各个类型的待估计信道参数的一个信道参数采样值。

具体地，在信号到达角度取样矩阵θ、路径增益取样矩阵α和路径相移取样矩阵ψ中选取次序相同的信号到达角度取样值、路径增益取样值和路径相移取样值组成一个信道参数融合值，这里，每种矩阵均包含40000个元素，因此可以获得40000个信道参数融合值。其中，第i个信道参数融合值可以定义为

在生成预设数量的信道参数融合值之后，可以确定预先配置的加权矩阵、以及由预设数量的信道参数融合值组成的信道参数融合值组合，基于信道参数融合值组合和加权矩阵生成样本信号。这里，样本信号表征为包括预设数量的子样本信号组成的矩阵。

本公开实施例通过对原始信号的每个类型的待估计信道参数进行取样，可以获取较多的信道参数采样值，从而便于快速地获取到多个样本。另外，将采样得到的各个类型的信道参数采样融合为一个信道参数融合值，信道估计模型基于一个信道参数融合值即可实现对多个类型的信道参数估计能力的学习，能够提升模型的训练效率。

在本公开实施例中，可以基于接收天线数量N预先配置一个扇区化加权向量ω

H＝[h

第m个采样点的信道增益可表示为

S120：获取样本信号对应的自相关信号。

可选地，实施例可以基于预设的自相关函数和样本信号，计算出所述样本信号对应的自相关信号。具体地，可以将自相关信号定义为R

S130：确定样本信号的伪标签数据。

在本公开实施例中，伪标签数据包括多种类型的待估计信道参数中的预设类型的待估计信道参数的期望值。在本公开实施例中，预设类型的待估计信道参数估计过程与其他类型信道参数的估计过程互不影响，也就是说，预设类型的待估计信道参数的估计过程相对独立。

如前文所示，多种类型的待估计信道参数的包括信号到达角度，样本信号表征为预设数量的子样本信号组成的矩阵，这里，预设类型的待估计信道参数是信号到达角度，伪标签数据包括信号到达角度的期望值。可选地，本公开实施例在确定样本信号的伪标签数据时，针对样本信号中的每个子样本，从预设的伪标签参数集合中选取对应的目标到达角取值；基于子样本对应的目标到达角取值，通过预设的运算规则确定出子样本对应的中的信号到达角度对应的期望值。信号到达角度的估计过程与其他类型信道参数的估计过程互不影响，信号到达角度的估计过程相对独立，因此，针对信号到达角度配置伪标签数据，在模型过程中可以基于伪标签数据评价估计模型对信号到达角度的估计结果的准确度，从而针对性地提升估计模型对信号到达角度的估计能力，避免估计模型对信号到达角度的估计能力存在严重的缺失。

这里，伪标签参数集合包括多个由小至大排列的到达角取值，例如，伪标签参数集合

针对样本信号Y中的第i个子样本，可以表征为Y

其中，

S140：基于样本信号、自相关信号、伪标签数据和预设的第一损失函数迭代训练初始信道估计模型，得到第一信道估计模型。

图2示出了本公开实施例提供的一种信道估计模型的结构示意图，步骤S140为图2中的参数初始化阶段。初始信道估计模型为预先构建的无监督神经网络模型。这里，信号到达角θ，与路径增益α和路径相移ψ之间相互独立，即对它们的估计不会互相影响，因此，无监督神经网络模型采用两个18层残差网络(ResNet18)——通用神经网络框架，组成双路编码器(Encoder)分别使用样本信号估计信号到达角估计值

在本公开实施例中，第一损失函数至少用于计算预设类型的待估计信道参数的期望值和估计值之间的差异结果。例如，可以将第一损失函数配置为

在上述的第一损失函数中，

可选地，步骤S140可以包括步骤a-步骤c，通过迭代执行步骤a-步骤c得到第一信道估计模型，迭代次数可以基于实际的设计需要而定，例如，可以将迭代次数设置为200。步骤S140用于完成对初始信道估计模型的参数的初始化，步骤a-步骤c的内容如下：

步骤a：将样本信号和自相关信号输入至初始信道估计模型，基于初始信道估计模型输出至少包括预设类型的待估计信道参数的估计值的第一估计结果。

步骤b：基于伪标签数据、第一估计结果和预设的第一损失函数确定第一损失。

可以理解，将样本信号、伪标签数据和第一估计结果的相关数值代入到将第一损失函数

步骤c：基于第一损失调整初始信道估计模型的参数。

在步骤c中，可以将第一损失输入自适应矩估计优化器，基于通用的网络参数更新方法更新两个18层残差网络的参数，该网络参数更新方法可以是反向传播(backpropagation)。

由于预设类型的待估计信道参数的估计过程相对独立，因此在第一训练阶段使用，使用计算预设类型的待估计信道参数的期望值和估计值之间的差异结果的第一损失函数来计算损失，侧重训练估计模型对预设类型的待估计信道参数的估计学习，确保训练估计模型针对预设类型的待估计信道参数具有较佳的估计能力。

S150：基于样本信号、自相关信号和预设的第二损失函数迭代训练第一信道估计模型，得到目标信道估计模型。

在本公开实施例中，第二损失函数用于计算所有类型的待估计信道参数的实际值和估计值之间的融合差异结果。例如，可以将第二损失函数配置为

如前文所述，

可选地，步骤S150可以包括步骤d-步骤f，通过迭代执行步骤d-步骤f得到目标信道估计模型，迭代次数可以基于实际的设计需要而定，例如，可以将迭代次数设置为800。步骤S150用于完成对第一信道估计模型的参数的优化，将参数优化后的第一信道估计模型作为目标信道估计模型，步骤d-步骤f的内容如下：

步骤d：将样本信号和自相关信号输入至第一信道估计模型，基于第一信道估计模型输出包括所有类型的待估计信道参数的估计值的第二估计结果。

步骤e：基于样本信号、第二估计结果和预设的第二损失函数确定第二损失。

可以理解，将样本信号和第二估计结果的相关数值代入到将第一损失函数

步骤f：基于第二损失调整第一信道估计模型的参数。

在步骤f中，可以将第二损失输入自适应矩估计优化器，基于通用的网络参数更新方法更新两个18层残差网络的参数，该网络参数更新方法可以是反向传播(backpropagation)。

在确保训练估计模型针对预设类型的待估计信道参数具有较佳的估计能力之后，第二个模型训练阶段使用计算所有类型的待估计信道参数的实际值和估计值之间的融合差异结果的第二损失函数来计算损失，均衡地训练估计模型对各类型的待估计信道参数的估计学习，确保训练估计模型针对各类型的待估计信道参数均具有较佳的估计能力。

本公开的技术方案提供的信道估计模型的训练方法，不再受限于传统方法中的相关信源和信道强假设的限制，使用更加灵活；无监督学习的训练过程无需预先标记数据，极大地降低了训练成本；而且，使用了两个不同的训练过程对模型进行训练，并为两个不同的训练过程配置了不同的损失函数，不同维度训练过程和损失函数确保了训练后的信道估计模型的准确性和稳定性。

图3示出了本公开实施例提供的一种信道估计方法的流程示意图，如图3示，该方法主要可以包括以下步骤：

S310：获取通过目标信道传输的原始信号，对原始信号进行采样和融合以得到样本信号。

目标接收信号包含多种类型的待估计信道参数，例如，多种类型的待估计信道参数可以包含信号到达角度、路径增益和路径相移等，当然，还可以包括其它类型的待估计信道参数，此处不再列举。

S320：将目标接收信号输入到目标信道估计模型，基于目标信道估计模型得到目标接收信号的信道估计结果。

可以理解，步骤S320使用的目标信道估计模型是根据上述的信道估计模型的训练方法训练得到的。

本公开的技术方案提供的信道估计方法，不再受限于传统方法中的相关信源和信道强假设的限制，使用更加灵活；模型的训练过程无需预先标记数据，极大地降低了训练成本；而且，使用了两个不同的训练过程对模型进行训练，并为两个不同的训练过程配置了不同的损失函数，确保了信道估计模型的准确性和稳定性。

基于与上述的信道估计模型的训练方法相同的原理，本公开实施例提供了一种信道估计模型的训练装置，图4示出了本公开实施例提供的一种信道估计模型的训练装置的示意图。如图4所示，信道估计模型的训练装置400包括原始信号处理模块410、自相关信号获取模块420、伪标签确定模块430、初始训练模块440和优化训练模块450。

原始信号处理模块410用于获取通过目标信道传输的原始信号，对原始信号进行采样和融合以得到样本信号，其中，原始信号包含多种类型的待估计信道参数。

自相关信号获取模块420用于获取样本信号对应的自相关信号。

伪标签确定模块430用于确定样本信号的伪标签数据，其中，伪标签数据包括多种类型的待估计信道参数中的预设类型的待估计信道参数的期望值。

初始训练模块440用于基于样本信号、自相关信号、伪标签数据和预设的第一损失函数迭代训练初始信道估计模型，得到第一信道估计模型；其中，初始信道估计模型为预先构建的无监督神经网络模型，第一损失函数至少用于计算预设类型的待估计信道参数的期望值和估计值之间的差异结果。

优化训练模块450用于基于样本信号、自相关信号和预设的第二损失函数迭代训练第一信道估计模型，得到目标信道估计模型；其中，第二损失函数用于计算所有类型的待估计信道参数的实际值和估计值之间的融合差异结果。

本公开的技术方案提供的信道估计模型的训练装置，不再受限于传统方法中的相关信源和信道强假设的限制，使用更加灵活；无监督学习的训练过程无需预先标记数据，极大地降低了训练成本；而且，使用了两个不同的训练过程对模型进行训练，并为两个不同的训练过程配置了不同的损失函数，确保了信道估计模型的准确性和稳定性。

在本公开实施例中，原始信号处理模块410在用于对所述原始信号进行采样和融合以得到样本信号时，具体用于：

对原始信号的每个类型的待估计信道参数进行取样，得到每个类型的待估计信道参数的预设数量的信道参数采样值；

基于每个类型的待估计信道参数对应的信道参数采样值，生成预设数量的信道参数融合值，其中，每个信道参数融合值包括各个类型的待估计信道参数的一个信道参数采样值；

确定预先配置的加权矩阵、以及由预设数量的信道参数融合值组成的信道参数融合值组合；

基于信道参数融合值组合和加权矩阵生成样本信号；其中，样本信号表征为包括预设数量的子样本信号组成的矩阵。

在本公开实施例中，多种类型的待估计信道参数的包括信号到达角度；样本信号表征为预设数量的子样本信号组成的矩阵；

伪标签确定模块430在用于确定样本信号的伪标签数据时，具体用于：

针对样本信号中的每个子样本，从预设的伪标签参数集合中选取对应的目标到达角取值，伪标签参数集合包括多个由小至大排列的到达角取值；

基于子样本对应的目标到达角取值，通过预设的运算规则确定出子样本对应的中的信号到达角度对应的期望值。

在本公开实施例中，初始训练模块440在用于基于样本信号、自相关信号、伪标签数据和预设的第一损失函数迭代训练初始信道估计模型，得到第一信道估计模型时，具体用于：

步骤a：将样本信号和自相关信号输入至初始信道估计模型，基于初始信道估计模型输出至少包括预设类型的待估计信道参数的估计值的第一估计结果；

步骤b：基于伪标签数据、第一估计结果和预设的第一损失函数确定第一损失，其中，第一损失至少包括预设类型的待估计信道参数的期望值和估计值之间的差异结果；

步骤c：基于第一损失调整初始信道估计模型的参数；

迭代执行步骤a-步骤c，得到第一信道估计模型。

在本公开实施例中，优化训练模块450在用于基于样本信号、自相关信号和预设的第二损失函数迭代训练第一信道估计模型，得到目标信道估计模型时，具体用于：

步骤d：将样本信号和自相关信号输入至第一信道估计模型，基于第一信道估计模型输出包括所有类型的待估计信道参数的估计值的第二估计结果；

步骤e：基于样本信号、第二估计结果和预设的第二损失函数确定第二损失，其中，第二损失至少包括所有类型的待估计信道参数的实际值和估计值之间的融合差异结果；

步骤f：基于第二损失调整第一信道估计模型的参数；

迭代执行步骤d-步骤f，得到目标信道估计模型。

可以理解的是，本公开实施例中的信道估计模型的训练装置的上述各模块具有实现上述的信道估计模型的训练方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述信道估计模型的训练装置的各模块的功能描述具体可以参见上述的信道估计模型的训练方法的对应描述，在此不再赘述。

基于与上述的信道估计方法相同的原理，本公开实施例提供了一种道估计装置，图5示出了本公开实施例提供的一种道估计装置的示意图，如图5所示，信道估计装置500包括目标信号获取模块510和估计结果获取模块520。

目标信号获取模块510用于获取待进行信道估计的目标接收信号，目标接收信号包含多种类型的待估计信道参数。

估计结果获取模块520用于将目标接收信号输入到目标信道估计模型，基于目标信道估计模型得到目标接收信号的信道估计结果。目标信道估计模型是根据上述第一方面提供的信道估计模型的训练方法训练得到的。

本公开的技术方案提供的信道估计装置，不再受限于传统方法中的相关信源和信道强假设的限制，使用更加灵活；模型的训练过程无需预先标记数据，极大地降低了训练成本；而且，使用了两个不同的训练过程对模型进行训练，并为两个不同的训练过程配置了不同的损失函数，确保了信道估计模型的准确性和稳定性。

可以理解的是，本公开实施例中的信道估计装置的上述各模块具有实现上述的信道估计方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述信道估计装置的各模块的功能描述具体可以参见上述的信道估计方法的对应描述，在此不再赘述。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如信道估计模型的训练方法或信道估计方法。例如，在一些实施例中，信道估计模型的训练方法或信道估计方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的信道估计模型的训练方法或信道估计方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行信道估计模型的训练方法或信道估计方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。