CN113381952B - 基于深度学习的多天线***信道估计方法 - Google Patents

Abstract

本发明公开了基于深度学习的多天线***信道估计方法，适用于估计上行多径信道，本发明基于条件生成对抗网络实现，条件生成对抗网络包括基于深度学习网络的生成器与判别器两部分，该方法包括离线训练和在线测试两部分：离线训练首先根据真实信道测量值生成训练样本，然后利用生成器获得训练样本对应的估计信道；其次由判别器得到判别输出，计算损失函数更新判别器和生成器的网络参数；循环迭代完成后将训练完成的生成器神经网络存储于基站处；在线测试阶段，将量化后的导频信号和原导频信号输入训练完成的生成器，获得用户到所有天线的估计信道。与现有技术相比，能有效降低估计的归一化均方误差。

Description

基于深度学习的多天线***信道估计方法

技术领域

本发明属于无线通信中的信道估计领域，具体涉及基于深度学习的多天线***信道估计方法。

背景技术

大规模多天线(Multiple-Input-Multiple-Output,MIMO)技术是5G和未来通信当中的关键技术。在大规模MIMO***中，基站处天线数量大，为每根天线均配备高分辨率模拟数字转换器(Analog-to-Digital Converter,ADC)，会极大增加基站处的能耗与硬件成本。而若每根天线均使用低精度ADC，***性能会由于低分辨率ADC带来的量化失真而降低。仅少部分天线配备高分辨率ADC，其余天线配备低分辨率ADC的混合ADC结构能够实现基站处性能与功耗的良好折衷。

信道估计是在接收机处对无线信道进行估计的技术，是实现无线通信***的一项关键技术。深度学习(Deep Learning,DL)已经在无线通信中包括信道估计在内的多个领域有着广泛的应用。也已有研究将深度神经网络(Deep Neural Networks,DNN)或卷积神经网络(Convolutional Neural Networks,CNN)应用至配备混合精度ADC的大规模MIMO***中，利用经过ADC量化后的所有天线处接收的导频信号进行信道估计。

但由于熵与互信息非常容易在多层神经网络的连续层中丢失，现有的基于CNN和DNN的深度学习信道估计方法很难生成更加真实的信道矩阵。对于信道估计这类数据生成问题，信息丢失非常有可能造成性能损失。因此，必须认真对待这一问题。在处理数据生成问题时，需要对神经网络的损失函数进行精心设计和研究，以减少学习过程中的信息损失。但目前现有的深度学习信道估计方法，一般不研究损失函数，或是凭经验使用较为普通的L₁或L₂损失函数。此类损失函数不是针对大规模MIMO中的信道估计问题而设计的，会在很大程度上限制性能并导致较差的信道估计结果，仍有很大的改善空间。

发明内容

发明目的：为解决上述问题，本发明提出基于深度学习的多天线***信道估计方法，利用深度学习领域的条件生成对抗网络(Conditional Generative AdversarialNetwork,cGAN)解决信道估计问题，并在信道估计过程中运用一种对MIMO信道中不同信道关联性较强、存在明显结构性特征的特点所设计的损失函数；本发明较先前的深度学习估计方法能有效降低估计的归一化均方误差(Normalized Mean Square Error,NMSE)。

技术方案：为了实现上述目的，本发明采用一种基于深度学习的多天线***信道估计方法，该方法基于条件生成对抗网络实现，条件生成对抗网络包括基于深度学习网络的生成器与判别器两部分，其中生成器利用量化后的导频信号估计基站处天线信道并输出，而判别器对生成器输出的信道估计的真实性进行判别；

该信道估计方法分为离线训练和在线测试两部分：

第一部分：离线训练，包括以下步骤：

步骤1、根据真实信道测量值生成训练样本：设共有N_tr个真实信道测量值，每个真实信道测量值生成一个训练样本；设用户的导频信号长度为τ，生成器的第n个训练样本形式为(R_n,Φ_n)，其中，n∈{1,2,…,N_tr}，

为第n个训练样本中所有用户发送的导频信号即原导频信号，其中K是***中单天线用户个数，

为第n个训练样本量化后的导频信号，其中M为基站配备天线根数；

步骤2、将N_tr个训练样本输入生成器，输入第n个训练样本时生成器输出估计信道

n∈{1,2,…,N_tr}；

步骤3、对于所有的n∈{1,2,…,N_tr}，将估计信道

和第n个真实信道测量值H_n分别与Φ_n组成判别器的两个输入样本：(H_n,Φ_n)和

步骤4、对于所有的n∈{1,2,…,N_tr}，将(H_n,Φ_n)与

分别输入判别器获得相应的判别输出：D(H_n,Φ_n)和

其中D(·)表示判别器的判别函数；

步骤5、根据生成器输出的估计信道

判别器的判别输出D(H_n,Φ_n)和

以及训练样本计算损失函数包括生成对抗网络(Generative Adversarial Network,GAN)损失函数L_GAN、L₁损失函数和结构相似性(Structural Similarity,SSIM)损失函数L_SSIM；

步骤6、利用均方根反向传播优化器、批量梯度下降法和GAN损失函数，以最大化GAN损失函数为训练目标，更新判别器神经网络的网络参数；

步骤7、计算生成器损失函数L_Generator，并利用Adam优化器、批量梯度下降法和生成器损失函数，以最小化L_Generator为目标，更新生成器神经网络的网络参数；

步骤8、重复步骤2至步骤6的流程，每次循环中更新生成器和判别器神经网络的偏置向量与权重矩阵，直至达到总迭代循环次数后训练完成；将训练完成的生成器神经网络存储于基站处，用于在线测试阶段的信道估计；

第二部分：在线测试，包括以下步骤：

步骤9、基站接收用户发送的导频信号并量化：用户向基站发送的导频信号为Φ_u，基站天线接收到的导频信号Y_u经过模拟数字转换器量化后得到量化后的导频信号为R_u；

步骤10、将R_u和Φ_u输入训练完成的生成器，获得用户到所有天线的估计信道

进一步的，步骤2所述估计信道

用下式计算：

其中，T≥2，

为生成器总的神经网络层数量，对于t∈{2,…,T}，b_gen,t为生成器第t层网络的偏置向量，W_t为第(t-1)层和第t层之间的权重矩阵，g_gen,t(·)表示第t层所用的激活函数；T和g_gen,t(·)于设计时根据实际情况自行确定；b_gen,t和W_t于离线循环迭代训练中由优化器利用反向传播算法不断优化并更新取值，W_T是第(T-1)层和第T层之间的权重矩阵，b_gen,T为生成器第T层网络的偏置向量，g_gen,T(·)表示第T层所用的激活函数。

进一步的，步骤4所述D(H_n,Φ_n)和

分别表示为：

其中，K≥2，

为判别器总的神经网络层数量，对于k∈{2,…,K}，b_Disc,k和P_k为判别器神经网络的第k层的偏置向量和权重矩阵，g_Disc,k(·)表示判别器神经网络第k层所用的激活函数，K和g_Disc,k(·)于设计时根据实际情况自行确定，b_Disc,k和P_k于循环迭代训练中由优化器利用反向传播算法优化得到，b_Disc,K和P_K为判别器神经网络的第K层的偏置向量和权重矩阵，g_Disc,K(·)表示判别器神经网络第K层所用的激活函数。

进一步的，步骤5所述GAN损失函数L_GAN按下式计算：

所述L₁损失函数按下式计算：

其中，

表示

与H_n的差的模值；

所述SSIM损失函数L_SSIM按下式计算：

其中，μ_x和μ_y分别表示

与H_n的均值，σ_x和σ_y分别表示

与H_n的标准差，σ_xy表示

与H_n间的协方差，C₁、C₂是避免SSIM损失函数分母接近于0设置的常数，设A为所有训练样本的真实信道测量值H_n中最大元素与最小值的差，则C₁、C₂分别为：C₁＝(0.01×A)²，C₂＝(0.03×A)²。

进一步的，步骤7所述生成器损失函数L_Generator，如下式所示：

L_Generator＝L_GAN+λ_L1L₁+λ_SSIML_SSIM

其中，λ_L1和λ_SSIM为比例常数，确定规则为：通过调整λ_L1和λ_SSIM，确保在初始的前五个训练循环轮次内，L_GAN、λ_L1L₁、λ_SSIML_SSIM中最大项与最小项比值的绝对值均小于10。

进一步的，步骤9所述R_u的表达式为：

其中，[R_u]_a,b为R_u的第a行第b列的元素，Q_H和Q_L分别表示高分辨率ADC的量化函数和低分辨率ADC的量化函数，S_H、S_L分别是基站天线中的高精度ADC天线集合与低精度ADC天线集合。

进一步的，步骤10所述

表达式为：

有益效果：与现有技术相比，本发明的有益效果是：

1)本发明的基于深度学习的大规模多天线***信道估计方法，包括基于深度学习网络的生成器与判别器两部分。其中生成器利用量化后的导频信号估计基站处天线信道并输出，而判别器在训练中对生成器输出的信道估计的真实性进行判别，二者在离线训练中的不断对抗与博弈能有效提高估计精度；

2)同时估计方法中包括一种由生成对抗网络(Generative AdversarialNetwork,GAN)损失函数、L₁损失函数和结构相似性(Structural Similarity,SSIM)损失函数共同组成的损失函数，能够有效令生成器学习到不同基站天线处信道间的内在关系，并提升估计准确度、降低估计的NMSE；

3)相比现有的针对配备混合精度ADC的大规模多天线***中的深度学习上行信道估计方法，本发明的估计方法能在常见的0～30dB信噪比下使NMSE降低50％，且在不同高分辨率ADC比例下均能保持此种幅度的性能优势；同时本发明的估计网络与现有的深度学习估计方法计算用时相似，以较少的计算复杂度为代价获得了较大的性能增益。

附图说明

图1为配备混合分辨率ADC的大规模MIMO***；

图2为条件生成对抗估计网络；

图3为基于深度学习的大规模多天线***信道估计方法流程图。

具体实施例

下面结合附图和实施例对本发明作进一步说明。

配备混合分辨率ADC的大规模MIMO***结构如图1所示，基站配备M根天线，分成高精度ADC天线集合S_H与低精度ADC天线集合S_L两个集合。S_H和S_L满足

和S_H∪S_L＝{1,2,…,M}。每根天线配备两个ADC，分别量化接收到的信号的实部Re与虚部Im，***中有K个单天线用户。图2为本发明设计的条件生成对抗网络的简要示意图。

本发明设计了一种基于深度学习的大规模多天线***信道估计方法，该方法基于条件生成对抗网络实现，条件生成对抗网络包括基于深度学习网络的生成器与判别器两部分，其中生成器利用量化后的导频信号估计基站处天线信道并输出，而判别器对生成器输出的信道估计的真实性进行判别，二者在离线循环训练中的博弈和对抗能同时提升生成器的估计精度和判别器的判别准确度。

图3为本方法流程图，该方法第一部分为以循环方式进行离线训练，第二部分为在线测试。该方法步骤如下：

第一部分：以循环迭代方式在基站处进行离线训练。包括以下流程。

步骤1、根据真实信道测量值生成训练样本。本具体实施例中基站处有M＝64根天线，单天线用户总数量为K＝32，共有N_tr＝5000个真实信道测量值，每个真实信道测量值生成一个训练样本。设用户的导频信号长度为τ＝32，第n个训练样本中所有用户发送的导频信号即原导频信号组成的矩阵为

为第n个训练样本量化后的导频信号，则生成器的第n个训练输入样本形式为(R_n,Φ_n)，即R_n与Φ_n以类似双通道图像的形式同时输入生成器。

步骤2、将N_tr个训练样本输入生成器，获得每个输入训练样本对应的估计信道。本具体实施例中生成器具有U型结构的卷积神经网络，总层数为16层，卷积核大小为4×4，激活函数采用线性整流函数。对于生成器，设输入第n个训练样本时输出的估计信道为

可表示为：

对于t∈{2,…,16}，b_gen,t为生成器第t层网络的偏置向量，W_t为第(t-1)层和第t层之间的权重矩阵，g_gen,t(·)表示第t层所用的激活函数。生成器总神经网络层数量T和第t层激活函数g_gen,t(·)于设计时根据实际情况自行确定。偏置向量b_gen,t和权重矩阵W_t于循环迭代训练中由优化器利用反向传播算法优化得到。

步骤3、对于所有的n∈{1,2,…,5000}，将估计信道

以及第n个真实信道测量值H_n分别与Φ_n组成判别器的输入样本(H_n,Φ_n)与

步骤4、对于所有的n∈{1,2,…,5000}，将(H_n,Φ_n)与

分别输入判别器获得判别输出D(H_n,Φ_n)和

D(·)表示判别器的判别函数，作用为判定给定二元输入中除导频信号外另一输入为真实信道的概率。本具体实施例采用卷积神经网络作为判别器神经网络，总层数为6层，激活函数采用线性整流函数。D(H_n,Φ_n)和

分别表示为：

对于k∈{2,…,K}，b_Disc,k和P_k为判别器神经网络的第k层的偏置向量和权重矩阵，g_Disc,k(·)表示判别器神经网络第k层所用的激活函数。判别器总神经网络层数量K和第k层激活函数g_Disc,k(·)于设计时根据实际情况自行确定。偏置向量b_Disc,k和权重矩阵P_k于循环迭代训练中由优化器利用反向传播算法不断优化并更新取值，b_Disc,K和P_K为判别器神经网络的第K层的偏置向量和权重矩阵，g_Disc,K(·)表示判别器神经网络第K层所用的激活函数。

步骤5、计算GAN损失函数、L₁损失函数和SSIM损失函数。

GAN损失函数L_GAN表示如下：

L₁损失函数表示如下：

其中

表示

与H_n的差的模值。

设μ_x和μ_y分别表示

与H_n的均值，σ_x和σ_y分别表示

与H_n的标准差，σ_xy表示

与H_n间的协方差，则SSIM损失函数L_SSIM可表示为：

其中C₁、C₂是避免SSIM损失函数分母接近于0设置的常数。设A为所有训练样本中真实信道的动态范围，即所有训练样本的真实信道测量值H_n(n∈{1,2,…,5000})中最大元素与最小值的差，则C₁、C₂分别为：C₁＝(0.01×A)²，C₂＝(0.03×A)²。

步骤6、利用均方根反向传播(Root Mean Square Propagation,RMSProp)优化器、批量梯度下降法和GAN损失函数，以最大化GAN损失函数为训练目标，更新判别器神经网络的网络参数。

步骤7、计算生成器损失函数L_Generator，并利用Adam优化器、批量梯度下降法和生成器损失函数，以最小化L_Generator为目标，更新生成器神经网络的网络参数。L_Generator可表示为：

L_Generator＝L_GAN+λ_L1L₁+λ_SSIML_SSIM (6)

上式中λ_L1和λ_SSIM为比例常数，确定规则为，通过调整λ_L1和λ_SSIM，确保在初始的前五个训练循环轮次内，L_GAN、λ_L1L₁、λ_SSIML_SSIM中最大项与最小项比值的绝对值均小于10。本具体实施例中λ_L1和λ_SSIM分别为50与1。

步骤8、重复步骤2至步骤6的流程，每次循环中更新生成器和判别器神经网络的偏置向量与权重矩阵，直至达到总迭代循环次数后训练完成。总迭代循环次数可由使用者根据实际训练情况自行确定。将训练完成的生成器神经网络存储于基站处，用于在线阶段的信道估计。本具体实施例中训练采用的平台为Pytorch，生成器训练学习率设为3×10^-4，判别器训练学习率设为1×10^-5。训练批量梯度下降法的每个批量大小设为100，训练总迭代次数循环次数为30次。

第二部分：在线测试。包括以下流程：

步骤9、基站接收用户发送的导频信号并量化：在线测试时用户向基站发送的导频信号即原导频信号为Φ_u，基站天线接收到的导频信号Y_u需经过ADC量化，量化后的导频信号为R_u，[R_u]_a,b为R_u的第a行第b列的元素，Q_H和Q_L分别为高分辨率ADC的量化函数与低分辨率ADC的量化函数，则[R_u]_a,b可表示为：

步骤10、将量化后的导频信号R_u和原导频信号Φ_u输入训练完成的生成器，获得用户到所有天线的估计信道

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (7)

1.一种基于深度学习的多天线***信道估计方法，其特征在于，该方法基于条件生成对抗网络实现，条件生成对抗网络包括基于深度学习网络的生成器与判别器两部分，其中生成器利用量化后的导频信号估计基站处天线信道并输出，而判别器对生成器输出的信道估计的真实性进行判别；

该信道估计方法分为离线训练和在线测试两部分：

第一部分：离线训练，包括以下步骤：

步骤1、根据真实信道测量值生成训练样本：设共有N_tr个真实信道测量值，每个真实信道测量值生成一个训练样本；设用户的导频信号长度为τ，生成器的第n个训练样本形式为(R_n,Φ_n)，其中，n∈{1,2,…,N_tr}，

为第n个训练样本中所有用户发送的导频信号即原导频信号，其中K是***中单天线用户个数，

为第n个训练样本量化后的导频信号，其中M为基站配备天线根数；

步骤2、将N_tr个训练样本输入生成器，输入第n个训练样本时生成器输出估计信道

n∈{1,2,…,N_tr}；

步骤3、对于所有的n∈{1,2,…,N_tr}，将估计信道

和第n个真实信道测量值H_n分别与Φ_n组成判别器的两个输入样本：(H_n,Φ_n)和

步骤4、对于所有的n∈{1,2,…,N_tr}，将(H_n,Φ_n)与

分别输入判别器获得相应的判别输出：D(H_n,Φ_n)和

其中D(·)表示判别器的判别函数；

步骤5、根据生成器输出的估计信道

判别器的判别输出D(H_n,Φ_n)和

以及训练样本计算损失函数包括生成对抗网络GAN损失函数L_GAN、L₁损失函数和结构相似性SSIM损失函数L_SSIM；

步骤6、利用均方根反向传播优化器、批量梯度下降法和GAN损失函数，以最大化GAN损失函数为训练目标，更新判别器神经网络的网络参数；

步骤7、计算生成器损失函数L_Generator，并利用Adam优化器、批量梯度下降法和生成器损失函数，以最小化L_Generator为目标，更新生成器神经网络的网络参数；

步骤8、重复步骤2至步骤6的流程，每次循环中更新生成器和判别器神经网络的偏置向量与权重矩阵，直至达到总迭代循环次数后训练完成；将训练完成的生成器神经网络存储于基站处，用于在线测试阶段的信道估计；

第二部分：在线测试，包括以下步骤：

步骤9、基站接收用户发送的导频信号并量化：用户向基站发送的导频信号为Φ_u，基站天线接收到的导频信号Y_u经过模拟数字转换器量化后得到量化后的导频信号为R_u；

步骤10、将R_u和Φ_u输入训练完成的生成器，获得用户到所有天线的估计信道

2.根据权利要求1所述的基于深度学习的多天线***信道估计方法，其特征在于，步骤2所述估计信道

用下式计算：

其中，T≥2，

为生成器总的神经网络层数量，对于t∈{2,…,T}，b_gen,t为生成器第t层网络的偏置向量，W_t为第(t-1)层和第t层之间的权重矩阵，g_gen,t(·)表示第t层所用的激活函数；T和g_gen,t(·)于设计时根据实际情况自行确定；b_gen,t和W_t于离线循环迭代训练中由优化器利用反向传播算法不断优化并更新取值，W_T是第(T-1)层和第T层之间的权重矩阵，b_gen,T为生成器第T层网络的偏置向量，g_gen,T(·)表示第T层所用的激活函数。

3.根据权利要求1所述的基于深度学习的多天线***信道估计方法，其特征在于，步骤4所述D(H_n,Φ_n)和

分别表示为：

D(H_n,Φ_n)＝g_Disc,K(P_Kg_Disc,K-1(…g_Disc,k(P_k…g_Disc,2(P₂[H_n,Φ_n]+b_Disc,2)+…+b_Disc,k)+…+b_Disc,K))

其中，K≥2，

为判别器总的神经网络层数量，对于k∈{2,…,K}，b_Disc,k和P_k为判别器神经网络的第k层的偏置向量和权重矩阵，g_Disc,k(·)表示判别器神经网络第k层所用的激活函数，K和g_Disc,k(·)于设计时根据实际情况自行确定，b_Disc,k和P_k于循环迭代训练中由优化器利用反向传播算法优化得到，b_Disc,K和P_K为判别器神经网络的第K层的偏置向量和权重矩阵，g_Disc,K(·)表示判别器神经网络第K层所用的激活函数。

4.根据权利要求1所述的基于深度学习的多天线***信道估计方法，其特征在于，步骤5所述GAN损失函数L_GAN按下式计算：

所述L₁损失函数按下式计算：

其中，

表示

与H_n的差的模值；

所述SSIM损失函数L_SSIM按下式计算：

其中，μ_x和μ_y分别表示

与H_n的均值，σ_x和σ_y分别表示

与H_n的标准差，σ_xy表示

与H_n间的协方差，C₁、C₂是避免SSIM损失函数分母接近于0设置的常数，设A为所有训练样本的真实信道测量值H_n中最大元素与最小值的差，则C₁、C₂分别为：C₁＝(0.01×A)²，C₂＝(0.03×A)²。

5.根据权利要求1所述的基于深度学习的多天线***信道估计方法，其特征在于，步骤7所述生成器损失函数L_Generator，如下式所示：

L_Generator＝L_GAN+λ_L1L₁+λ_SSIML_SSIM

其中，λ_L1和λ_SSIM为比例常数，确定规则为：通过调整λ_L1和λ_SSIM，确保在初始的前五个训练循环轮次内，L_GAN、λ_L1L₁、λ_SSIML_SSIM中最大项与最小项比值的绝对值均小于10。

6.根据权利要求1所述的基于深度学习的多天线***信道估计方法，其特征在于，步骤9所述R_u的表达式为：

其中，[R_u]_a,b为R_u的第a行第b列的元素，Q_H和Q_L分别表示高分辨率模拟数字转换器ADC的量化函数和低分辨率模拟数字转换器ADC的量化函数，S_H、S_L分别是基站天线中的高精度模拟数字转换器ADC天线集合与低精度模拟数字转换器ADC天线集合。

7.根据权利要求1所述的基于深度学习的多天线***信道估计方法，其特征在于，步骤10所述

表达式为：

Images