一种基于深度神经网络的智能MMSE信道估计方法

技术领域

本发明涉及大规模MIMO对流层散射通信技术领域，特别是指一种基于深度神经网络的智能MMSE信道估计方法，适用于各种需要低计算复杂度、高精度信道估计的大规模MIMO对流层散射通信应用场景。

背景技术

对流层散射通信是一种重要的应急保障通信手段，该技术通过对流层散射体进行通信，具有可靠性高、单跳距离远、保密性强的特点，同时，通信链路的路径损耗较大，信号衰落严重，频谱效率不高。

大规模MIMO对流层散射通信系统与传统散射通信系统相比，其频谱效率显著提升。采用传统MIMO技术散射通信系统，天线配置为2×2，不仅分集重数低，也不具备复用功能。而大规模MIMO对流层散射通信系统的天线数量可以是4×4、16×16、64×64等。从阵列形式上，传统散射通信系统只能构成线阵，而大规模MIMO散射通信系统既可以是线形阵列也可以是方形阵列。由于天线数量的显著增长，大规模MIMO对流层散射系统信道估计处理的复杂度也急剧增加，影响了传统信道估计方法的准确度与计算复杂度。

传统的信道估计方法有LS算法和MMSE算法，其算法如式1、式2所示。

其中，

其中，

LS算法实现简单但准确度低，MMSE算法虽然准确度高但需要难以获得的信道协方差矩阵R

发明内容

本发明所要解决的技术问题在于避免R

为了实现上述目的，本发明采用的技术方案为：

一种基于深度神经网络的智能MMSE信道估计方法，包括以下步骤：

(1)针对大规模MIMO对流层散射通信系统，在时隙T内收集N帧接收信号y，做自相关后获得接收信号自相关矩阵R

其中，y

计算信道协方差矩阵的粗略估计值

其中，X表示导频矩阵，X

(2)对信道协方差矩阵R

其中，SNR

使用样本数据s

(3)使用深度神经网络构造精炼子网，精炼子网用于数据精炼以去除信噪比影响；所述精炼子网由3个隐含层级联而成，分别含有12、8和7个双曲正切类型的神经元；设定最小传递误差目标，通过梯度下降法使用训练集U

(4)精炼子网的输出为

其中，d

使用样本数据g

(5)使用深度神经网络构造估计子网，估计子网用于估计R

将精炼子网和估计子网以级联的形式连接起来，构成完整的估计网络；

(6)在大规模MIMO对流层散射通信系统的工作过程中，接收端采集到接收导频信号后，按照步骤(1)的方式获得信道协方差矩阵的粗略估计值

(7)根据估计网络的输出

其中，d

然后根据

其中，

(8)将

其中，

完成大规模MIMO对流层散射通信系统的信道估计。

本发明的有益效果在于：

1、本发明算法简单、性能稳定可靠、实时性能好；

2、本发明采用双子网架构，具有很强的稳健性，可以对不同子网分开训练，加快了收敛速度，减少了训练时间；

3、本发明将不同功能划分为不同子网，降低了网络的深度，避免了由于网络过深而带来的过拟合、梯度爆炸等问题；

4、本发明独立于通信系统中的数据调制及编码方式，适用范围广、可移植性好。

附图说明

图1是大规模MIMO散射通信系统框图；

图2是智能MMSE方法示意图；

图3是采用方形阵列的元素分布；

图4是子网1的结构配置；

图5是子网2的结构配置；

图6是双子网架构深度神经网络；

图7是R

图8(a)和图8(b)是训练中子网1和子网2的收敛情况；其中，图8(a)是数据精炼子网训练迭代过程，图8(b)是信道估计子网训练迭代过程(图中训练与测试的曲线重合)；

图9(a)-图9(d)是不同相关性下NMSE对比；其中，图9(a)为不相关情况(a＝0)，图9(b)为弱相关情况(a＝0.2)，图9(c)为中等相关情况(a＝0.5)，图9(d)为强相关情况(a＝0.8)；

图10是本发明应用于实际通信系统的一种可能的方式。

具体实施方式

一种基于深度神经网络的智能MMSE信道估计方法，该方法用于如图1所示的大规模MIMO对流层散射通信应用场景。本方法的基本原理如图2所示。

具体来说，本方法包括如下步骤：

(1)时隙平均法估计信道协方差矩阵

使用时隙平均法估计信道协方差矩阵，大规模MIMO对流层散射通信系统接收端在时隙T内收集N帧接收信号y，做自相关后获得接收信号自相关矩阵R

其中，X表示导频矩阵，X

(2)基于矩阵位置标定的关键元素提取

大规模MIMO对流层散射通信系统的信道协方差矩阵R

S＝{s

其中，SNR

(3)用于数据精炼的深度神经网络的构造与训练

使用深度神经网络构造精炼子网，该子网用于数据精炼去除信噪比影响，U

其中，L

(4)用于估计关键元素的深度神经网络的构造与训练

精炼子网输出为

G＝{g

使用深度神经网络构造估计子网，该子网用于估计R

(5)信道协方差矩阵的恢复

精炼子网输出为

其中，

若发送端与接收端天线数量、电磁环境一致，可以认为两者相等，并按下式进行估计：

其中，d

(6)获得信道系数估计值

将

一般来说，天线维度或地理环境变化后，样本集和输入层神经元需要更新，网络需要再度训练。本发明由于采用线下训练的方式，天线维度变化后网络可以及时加载相应参数，并不影响使用。此外，本方法能够在深度神经网络的基础上，通过双子网架构，获得高精度的信道协方差矩阵的估计值，使得智能MMSE算法性能逼近理想MMSE算法，从而为通信系统提供更加准确的信道状态信息(CSI)。

下面结合收发两端天线数目为16×16时的大规模MIMO散射信道估计通信系统利用智能MMSE算法进行信道估计的过程，对本方法做进一步描述：

(1)矩阵关键元素位置标定

当收发天线阵元数均为16时，其信道协方差阵的关键元素

(2)子网的训练参数配置与收敛情况

按照表1和对子网1和子网2进行训练，收敛情况如图8(a)和图8(b)所示。

表1子网1的训练参数设置表

表2子网2的训练参数设置表

(3)效果对比

训练完成后，我们恢复出更加精确的信道协方差矩阵，代入式(11)中获得信道矩阵的估计值。我们将此信道估计方法的NMSE与改进MMSE(通过

将本方法应用于实际通信系统的一种可能的方式如图10所示。

总之，本发明可以克服传统线性信道估计方法在信道先验信息估计不准确时信道估计精度低、计算复杂度高的问题，能够通过双子网架构的深度神经网络获得更加准确的信道先验信息，从而提高估计精度，使得大规模MIMO对流层散射通信系统能够获得更加准确的信道信息。

本发明实现简便，稳健性强，采用双子网架构降低了训练难度并节省了训练时间，避免了因网络深度的加深出现的梯度爆炸和过拟合问题，可适用于各种相关性下的大规模MIMO对流层散射通信系统。