CN114079599A - Pdsch的信道估计方法、***及ue - Google Patents
Pdsch的信道估计方法、***及ue Download PDFInfo
- Publication number
- CN114079599A CN114079599A CN202010844021.7A CN202010844021A CN114079599A CN 114079599 A CN114079599 A CN 114079599A CN 202010844021 A CN202010844021 A CN 202010844021A CN 114079599 A CN114079599 A CN 114079599A
- Authority
- CN
- China
- Prior art keywords
- channel estimation
- pdsch
- prbs
- data
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 224
- 101150071746 Pbsn gene Proteins 0.000 claims abstract description 190
- 238000013135 deep learning Methods 0.000 claims abstract description 178
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims description 46
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 48
- 230000005540 biological transmission Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种PDSCH的信道估计方法、***及UE,信道估计方法包括:判断待处理PRB数目是否小于一预设的第一PRB数目,若是,则先对当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至训练好的用于PDSCH的信道估计的第一深度学习算法模型进行信道估计;待处理PRB数目为当前PDSCH的数据对应的PRB数目;第一深度学习算法模型的输入尺寸对应第一PRB数目,第一PRB数目为根据业务需求从所有允许的PRB数目中选取的一相适配的中间值。本发明在保证信道估计的性能的前提下能降低网络训练复杂度,并能减少网络部署的数量。
Description
技术领域
本发明涉及无线通信的信道估计技术领域,特别涉及一种PDSCH(PhysicalDownlink Shared Channel,物理下行共享信道)的信道估计方法、***及UE(UserEquipment,用户终端)。
背景技术
信道估计就是从接收数据中将假定的某个信道模型的模型参数估计出来的过程。从公式上Y=HX+N来讲,信道估计就是对特定的传输信道,找到一个H*的值的过程,使之与这个特定的传输信道H相近似。因此,在发送端一般都发送已知的信号X,然后通过接收端得到的Y,就可以求出H来了。但是传输过程不可能都传已知信号,这样传输就没有意义;对于那部分不知道的信号,可以根据已知H来近似的作为未知信号的H;这样H和Y知道了,就可以求出发送的X,达到通信的目的。
常见的基于参考信号的信道估计算法有LS(Least Square,最小二乘估计),MMSE(Minimum Mean Square Error,最小均方误差估计)等。LS信道估计算法为利用接收到的导频位置信息以及已知的导频序列先估计导频位置信道信息,再通过线性插值得到数据加导频位置的信道信息的方法。LS信道估计算法由于估计时忽略了噪声的影响,所以信道估计值得对噪声的影响较为敏感,信道估计的性能不好。MMSE信道估计算法是以LS估计算法为基础,同时又考虑噪声的影响,估计的性能比LS好,但矩阵求逆运算较复杂。
随着AI(Artificial Intelligence,人工智能)技术在通信领域的应用越来越广泛,基于AI的信道估计算法也开始有较多研究。可以把信道估计过程类比为传统的图像恢复过程,利用深度学习算法在图像恢复的应用实现信道估计,其中应用较多的深度学习算法包括CNN(Convolutional Neural Networks,卷积神经网络)算法。
基于CNN的信道估计算法的输入为LS信道估计后的信道信息,即矩阵数据,输入尺寸是二维的子载波数×符号数目,矩阵每个元素为LS信道估计后的每个RE(ResourceElement,资源元素)的信道信息,网络的输出的为CNN模型估计后的信道信息,输出尺寸也为子载波数×符号数目,矩阵每个元素为经过CNN模型后的每个RE的信道信息。在基于CNN的信道估计算法中,输入的尺寸取决于想要完成信道估计的PDSCH的子载波数和符号数目,其中每个PRB(Physical Resource Block,物理资源块)对应频域12个子载波,符号数目为小于等于14的整数。
由于CNN算法自身的特性使得其应用到信道估计中时存在一些问题。具体为,一个CNN算法的网络的输入和输出的尺寸的大小是固定的,当训练了一个CNN模型,在使用时,输入尺寸必须和CNN模型的输入尺寸相同。而实际上,UE每一次接收的PDSCH的数据对应的PRB数目不是固定的,而现有的基于CNN的信道估计算法的研究未考虑PDSCH的大小可以是很多种可能。
针对上述情况,一种比较直接的想法是训练一个支持最大的PRB数目的CNN模型,使用时,当UE接收的PDSCH的PRB数目小于最大的PRB数目时采用直接补齐的方式。该方式有两大缺点:(1)PRB数目越大,CNN模型训练的复杂度越高;(2)在使用训练好的CNN模型进行信道估计时,若PDSCH的PRB数目过小,此时采用直接补齐的方式存在CNN算法能够提取到的特征有限,影响信道估计的性能的问题。另外一种方式是针对每种子载波数和符号数目的组合所对应的输入尺寸都训练一个CNN模型,这些CNN模型在部署到UE上时存在占用内存较大、部署不灵活、训练工作量大的问题。
发明内容
本发明要解决的技术问题是为了克服现有技术中基于深度学习算法的信道估计方法对于PDSCH的PRB数目存在多种可能的情况存在网络训练复杂度高、针对PRB数目过小时信道估计性能欠佳、以及为了保证性能需要部署多种尺寸的网络的缺陷,提供一种使得深度学习算法更适用于信道估计过程,在不影响信道估计的性能的前提下能降低网络训练复杂度,并能减少网络部署的数量的PDSCH的信道估计方法、***及UE。
本发明是通过下述技术方案来解决上述技术问题:
本发明第一方面提供了一种PDSCH的信道估计方法,包括以下步骤:
判断待处理PRB数目是否小于一预设的第一PRB数目,若是,则先对当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至训练好的用于PDSCH的信道估计的第一深度学习算法模型进行信道估计;
所述待处理PRB数目为所述当前PDSCH的数据对应的PRB数目;
所述第一深度学习算法模型的输入尺寸对应所述第一PRB数目,所述第一PRB数目为根据业务需求从所有允许的PRB数目中选取的一相适配的中间值。
本方案中,针对业务需求所允许的多种PRB数目,根据需要从中选取一个和具体业务需求相适配的中间值作为第一PRB数目,选择该第一PRB数目对应的子载波数作为训练好的用于PDSCH的信道估计的第一深度学习算法模型的输入尺寸中的一个维度。其中,中间值是指处于所有允许的PRB数目中最大值和最小值之间的一个值,该中间值根据具体的业务需求进行配置。本方案中,通过选择第一PRB数目实现了对于用于PDSCH的信道估计的第一深度学习算法模型的输入尺寸的选择,避免了现有技术中要么选择支持最大的PRB数目的深度学习算法模型存在的训练复杂度高的问题,也解决了现有技术中针对每种子载波数和符号数目的组合所对应的输入尺寸都训练一个深度学习算法模型带来的问题。
本方案中,当当前PDSCH的数据对应的待处理PRB数目与训练好的用于PDSCH的信道估计的第一深度学习算法模型的输入尺寸不一致时,对于待处理PRB数目小于第一PRB数目的情况采用对当前PDSCH的数据直接补齐的方式进行优化,补齐后的数据与训练好的第一深度学习算法模型的输入尺寸一致,由此解决了在不影响信道估计的性能的前提下降低网络训练复杂度,并能减少网络部署的数量的问题。
可选的,当所述判断待处理PRB数目是否小于所述第一PRB数目的步骤的结果为否时,则使用传统的信道估计算法对所述当前PDSCH的数据进行信道估计。
传统的信道估计算法指LS信道估计算法等,这类算法不基于深度学习算法实现信道估计。本方案中,当待处理PRB数目大于第一深度学习算法模型对应的第一PRB数目,可以采用现有的信道估计算法对当前PDSCH的数据进行信道估计。
本方案针对当前PDSCH的数据对应的待处理PRB数目与训练好的第一深度学习算法模型的输入尺寸不一致的情况,能够灵活选择信道估计的方式,达到了保证信道估计的性能的前提下能降低网络训练复杂度,并能减少网络部署的数量的效果。
可选的,当所述判断待处理PRB数目是否小于所述第一PRB数目的步骤的结果为否时,则先按照所述第一PRB数目对所述当前PDSCH的数据进行分割,然后将分割后得到的数据按需补齐后输入至所述第一深度学习算法模型进行信道估计。
本方案中,当待处理PRB数目大于第一深度学习算法模型对应的第一PRB数目时,采用先对PDSCH的数据分割为多个部分然后再补齐至第一深度学习算法模型的输入尺寸后再使用第一深度学习算法模型进行信道估计。
可选的,在所述判断待处理PRB数目是否小于一预设的第一PRB数目的步骤之前还包括以下步骤:
判断所述待处理PRB数目是否小于预设的第二PRB数目,若是,则先对所述当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至训练好的用于PDSCH的信道估计的第二深度学习算法模型进行信道估计;若否,则继续执行所述判断待处理PRB数目是否小于一预设的第一PRB数目的步骤;
所述第二深度学习算法模型的输入尺寸对应所述第二PRB数目,所述第二PRB数目小于所述第一PRB数目。
本方案中,通过设置两个输入尺寸不同的深度学习算法模型,使得执行信道估计时选择的网络的输入尺寸和当前PDSCH的数据对应的输入尺寸更加靠近,能够在兼顾网络训练复杂度及网络部署的数量的前提下进一步提升信道估计的性能。
可选的,所述第二PRB数目小于等于10。
本方案中,针对当前PDSCH的数据对应的PRB数量过小的极端情况进行优化,提供了PRB数目小于等于10的第二深度学习算法模型供其进行信道估计。本方案通过设置两个训练好的深度学习算法模型,一个输入尺寸为较小值,另外一个输入尺寸为中间值,解决了当前PDSCH的数据对应的PRB数量波动范围比较大且存在与第一PRB数目差异较大的过小值时信道估计的性能欠佳的问题。
可选的,所述信道估计方法还包括以下步骤:
训练得到预设数量的所述第一深度学习算法模型;
所述预设数量大于1且小于所述所有允许的PRB数目中的最大值;
每个所述第一深度学习算法模型对应不同的所述第一PRB数目;
所述判断待处理PRB数目是否小于一预设的第一PRB数目,若是,则先对所述当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至训练好的用于PDSCH的信道估计的第一深度学习算法模型进行信道估计的步骤包括:
从所有的所述第一PRB数目中选择大于或等于所述待处理PRB数目且最接近所述待处理PRB数目的所述第一PRB数目作为待使用第一PRB数目;
先对所述当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至所述待使用第一PRB数目对应的所述第一深度学习算法模型进行信道估计。
本方案中采用预先训练预设数量个第一深度学习算法模型,该预设数量小于所有允许的PRB数目中的最大值。在具体进行信道估计时,从中选择大于或等于待处理PRB数目且最接近待处理PRB数目的第一PRB数目对应的深度学习算法模型进行信道估计,能够更好地在保证信道估计的性能的前提下降低网络训练复杂度,并能减少网络部署的数量。
可选的,所述补齐包括重复补齐、补零和尾部重复中的一种;
和/或,所述分割包括平均分割;
和/或,所述第一深度学习算法模型为CNN模型。
本方案中,补齐方式可以采用重复补齐、补零和尾部重复。重复补齐是指对于相对于第一深度学习算法模型的输入尺寸中的子载波数缺少的部分,采用从当前PDSCH的数据的头部开始的对应长度的部分的数据补齐。譬如当前PDSCH的数据的尺寸为600×14,而第一深度学习算法模型的输入尺寸为612×14,那么当前PDSCH的数据欠缺的601行到612行的数据采用当前PDSCH的数据的第1行到第12行的数据进行补齐,其中600和612表示的是子载波数,14代表的是符号数目。补零是指对于当前PDSCH的数据中缺少的部分全部填0。尾部重复是指对于相对于第一深度学习算法模型的输入尺寸中的子载波数缺少的部分,采用从当前PDSCH的数据的尾部对应长度的部分的数据补齐。譬如当前PDSCH的数据的尺寸为600×14,而第一深度学习算法模型的输入尺寸为612×14,那么当前PDSCH的数据欠缺的601行到612行的数据采用当前PDSCH的数据的第598行到第610行的数据进行补齐。
可选的,所述信道估计方法应用于UE上,所述第一深度学习算法模型部署在所述UE上或服务器上;
当所述第一深度学习算法模型部署在所述服务器上时,所述信道估计方法还包括:
在使用所述第一深度学习算法模型进行信道估计之前从所述服务器下载所述第一深度学习算法模型。
本方案中,基于深度学习算法的信道估计算法,需要提前训练好深度学习算法模型,可以在服务器上进行训练,也可以在具体使用的UE上训练,训练后的模型可以部署在UE上,也可以部署在服务器上,部署在服务器上时需要在使用时实时下载。
本发明第二方面提供了一种PDSCH的信道估计***,包括第一判断模块和第一处理模块;
所述第一判断模块用于判断待处理PRB数目是否小于一预设的第一PRB数目,若是,则调用所述第一处理模块;
所述第一处理模块用于先对当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至训练好的用于PDSCH的信道估计的第一深度学习算法模型进行信道估计;
所述待处理PRB数目为所述当前PDSCH的数据对应的PRB数目;
所述第一深度学习算法模型的输入尺寸对应所述第一PRB数目,所述第一PRB数目为根据业务需求从所有允许的PRB数目中选取的一相适配的中间值。
可选的,所述信道估计***还包括第二处理模块;
所述第一判断模块还用于在判断的结果为否时调用所述第二处理模块;
所述第二处理模块用于使用传统的信道估计算法对所述当前PDSCH的数据进行信道估计。
可选的,所述信道估计***还包括第三处理模块;
所述第一判断模块还用于在判断的结果为否时调用所述第三处理模块;
所述第三处理模块用于先按照所述第一PRB数目对所述当前PDSCH的数据进行分割,然后将分割后得到的数据按需补齐后输入至所述第一深度学习算法模型进行信道估计。
可选的,所述信道估计***还包括第二判断模块和第四处理模块;
所述第二判断模块用于在调用所述第一判断模块之前判断所述待处理PRB数目是否小于预设的第二PRB数目,若是,则调用所述第四处理模块;若否,则调用所述第一判断模块;
所述第四处理模块用于先对所述当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至训练好的用于PDSCH的信道估计的第二深度学习算法模型进行信道估计;
所述第二深度学习算法模型的输入尺寸对应所述第二PRB数目,所述第二PRB数目小于所述第一PRB数目。
可选的,所述第二PRB数目小于等于10。
可选的,所述信道估计***还包括训练模块;
所述训练模块用于训练得到预设数量的所述第一深度学习算法模型;
所述预设数量大于1且小于所述所有允许的PRB数目中的最大值;
每个所述第一深度学习算法模型对应不同的所述第一PRB数目;
所述第一判断模块用于从所有的所述第一PRB数目中选择大于或等于所述待处理PRB数目且最接近所述待处理PRB数目的所述第一PRB数目作为待使用第一PRB数目,调用所述第一处理模块;
所述第一处理模块用于先对所述当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至所述待使用第一PRB数目对应的所述第一深度学习算法模型进行信道估计。
可选的,所述补齐包括重复补齐、补零和尾部重复中的一种;
和/或,所述分割包括平均分割;
和/或,所述第一深度学习算法模型为CNN模型。
可选的,所述信道估计***应用于UE上,所述第一深度学习算法模型部署在所述UE上或服务器上;
所述信道估计***还包括下载模块;
所述下载模块用于在使用所述第一深度学习算法模型进行信道估计之前从所述服务器下载所述第一深度学习算法模型。
本发明第三方面提供了一种UE,包括第二方面所述的PDSCH的信道估计***。
本发明的积极进步效果在于:本发明提供的PDSCH的信道估计方法、***及UE,通过选择第一PRB数目实现了对于用于PDSCH的信道估计的第一深度学习算法模型的输入尺寸的选择,避免了现有技术中要么选择支持最大的PRB数目的深度学习算法模型存在的训练复杂度高的问题,要么针对每种子载波数和符号数目的组合所对应的输入尺寸都训练一个深度学习算法模型带来的问题。本发明在保证信道估计的性能的前提下能降低网络训练复杂度,并能减少网络部署的数量。
附图说明
图1为本发明实施例1的PDSCH的信道估计方法的流程图。
图2为待处理PRB数目为21时采用实施例1的PDSCH的信道估计方法及现有的五种信道估计方法进行信道估计后的性能对比图。
图3为待处理PRB数目为21时采用现有的基于CNN的PDSCH的信道估计方法及现有的五种信道估计方法进行信道估计后的性能对比图。
图4为待处理PRB数目为100时采用实施例1的PDSCH的信道估计方法及现有的三种信道估计方法进行信道估计后的性能对比图。
图5为本发明实施例2的PDSCH的信道估计方法的流程图。
图6为本发明实施例3的PDSCH的信道估计方法的流程图。
图7为本发明实施例4的PDSCH的信道估计***的模块示意图。
图8为本发明实施例5的PDSCH的信道估计***的模块示意图。
图9为本发明实施例6的PDSCH的信道估计***的模块示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1所示,本实施例提供了一种PDSCH的信道估计方法,包括以下步骤:
步骤101、获取接收的当前PDSCH的数据对应的PRB数目作为待处理PRB数目。
步骤102、判断待处理PRB数目是否小于一预设的第一PRB数目,若是,则执行步骤103,若否则执行步骤104。
步骤103、先对当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至训练好的用于PDSCH的信道估计的第一深度学习算法模型进行信道估计,流程结束。
步骤104、使用传统的信道估计算法对当前PDSCH的数据进行信道估计,流程结束。其中,传统的信道估计算法指LS信道估计算法及MMSE信道估计算法等,这类算法不基于深度学习算法实现信道估计。
其中,第一深度学习算法模型可以为CNN模型、DNN模型等。本实施例中采用CNN模型实现。第一深度学习算法模型的输入尺寸对应第一PRB数目,第一PRB数目为根据业务需求从所有允许的PRB数目中选取的一相适配的中间值。
本发明中补齐包括重复补齐、补零和尾部重复中的一种。重复补齐是指对于相对于第一深度学习算法模型的输入尺寸中的子载波数缺少的部分,采用从当前PDSCH的数据的头部开始的对应长度的部分的数据补齐。譬如当前PDSCH的数据的尺寸为600×14,而第一深度学习算法模型的输入尺寸为612×14,那么当前PDSCH的数据欠缺的601行到612行的数据采用当前PDSCH的数据的第1行到第12行的数据进行补齐,其中600和612表示的是子载波数,14代表的是符号数目。补零是指对于当前PDSCH的数据中缺少的部分全部填0。尾部重复是指对于相对于第一深度学习算法模型的输入尺寸中的子载波数缺少的部分,采用从当前PDSCH的数据的尾部对应长度的部分的数据补齐。譬如当前PDSCH的数据的尺寸为600×14,而第一深度学习算法模型的输入尺寸为612×14,那么当前PDSCH的数据欠缺的601行到612行的数据采用当前PDSCH的数据的第598行到第610行的数据进行补齐。本实施例中采用重复补齐的方式实现。
本实施例中,对于每一次下行传输接收到的PDSCH的数据所对应的PRB数目,其获得方式说明如下:PRB数目是从控制信息中获取的,UE先监听PDCCH(Physical DownlinkControl Channel,物理下行控制信道),监听到后在PDCCH中会指示UE要接收的PDSCH在时间和频域上的位置,其中就包括了PRB数目。具体的获取当前PDSCH的数据对应的PRB数目的方式为现有的技术手段,在此不再赘述。
本实施例中,针对业务需求所允许的多种PRB数目,根据需要从中选取一个和具体业务需求相适配的中间值作为第一PRB数目,选择该第一PRB数目对应的子载波数作为训练好的用于PDSCH的信道估计的第一深度学习算法模型的输入尺寸中的一个维度。其中,中间值是指处于所有允许的PRB数目中最大值和最小值之间的一个值,该中间值根据具体的业务需求进行配置,针对的业务不同,选取的中间值的数值也不同,具体选取方式为现有方式,在此不再赘述。本实施例中,通过选择第一PRB数目实现了对于用于PDSCH的信道估计的第一深度学习算法模型的输入尺寸的选择,避免了现有技术中要么选择支持最大的PRB数目的深度学习算法模型存在的训练复杂度高的问题,要么针对每种子载波数和符号数目的组合所对应的输入尺寸都训练一个深度学习算法模型带来的问题。
本实施例中,当当前PDSCH的数据对应的待处理PRB数目与训练好的用于PDSCH的信道估计的第一深度学习算法模型的输入尺寸不一致时,对于待处理PRB数目小于第一PRB数目的情况采用对当前PDSCH的数据直接补齐后再输入至第一深度学习模型进行信道估计,补齐后的数据与训练好的第一深度学习算法模型的输入尺寸一致,由此解决了在不影响信道估计的性能的前提下降低网络训练复杂度,并能减少网络部署的数量的问题。当待处理PRB数目大于第一深度学习算法模型对应的第一PRB数目,采用现有的信道估计算法对当前PDSCH的数据进行信道估计。
使用本实施例公开的PDSCH的信道估计方法和现有的信道估计方法分别进行仿真,仿真结果参见图2、图3和图4。其中横坐标代表SNR(SIGNAL NOISE RATIO,信噪比),纵坐标为NMSE(Normalized Mean Square Error,标准均方误差),单位为dB(分贝)。本实施例中使用的第一深度学习模型为输入尺寸为612×14(对应的PRB数目为51,14个符号数)的CNN模型。使用过程中对于低于51个PRB数目的当前PDSCH的数据直接补齐,高于51个PRB数目的当前PDSCH的数据先分割为多个部分,然后再分别补齐。
其中,图2为待处理PRB数目为21时,采用本实施例公开的PDSCH的信道估计方法及其余五种信道估计方法的性能对比图,图3为待处理PRB数目为21时,采用现有的基于CNN的PDSCH的信道估计方法及其余五种信道估计方法的性能对比图,其中现有的采用的CNN模型的输入尺寸为252×14(对应的PRB数目为21,14个符号数),其与待处理的PRB数目完全匹配。图2中曲线10对应LS算法,曲线11对应Matlab(一种商业数学软件)Toolbox(工具箱)自带信道估计算法,曲线12对应Exp LMMSE(线性最小均方误差估计)算法,曲线13对应本实施例的信道估计算法,曲线14对应PDP(Power delay profile,功率时延分布)LMMSE算法,曲线15对应Ideal LMMSE,即理想LMMSE算法。其中,PDP LMMSE算法为利用理想的PDP来计算传统LMMSE算法中的自相关系数。Exp LMMSE为假定PDP为指数分布,来计算传统LMMSE算法中的自相关系数。图3中曲线16对应现有的基于CNN的PDSCH的信道估计方法,其CNN模型的输入尺寸对应的PRB数目为21,图3中其它五种曲线和图2一样,在此不再赘述。图4为待处理PRB数目为100时,采用基于本实施例公开的PDSCH的信道估计方法及其余三种信道估计方法的性能对比图。其中曲线15对应FD LMMSE,同Ideal LMMSE一样,也为理想LMMSE算法。曲线16对应现有的基于CNN的PDSCH的信道估计方法,其CNN模型的输入尺寸对应的PRB数目为100,曲线13对应本实施例公开的PDSCH的信道估计算法,曲线10对应LS算法。由图2与图3对比以及图4发现,本实施例公开的PDSCH的信道估计方法和现有的基于CNN的PDSCH的信道估计方法的性能差不多,但是,本实施例只需要训练一个网络,当当前PDSCH的数据对应的待处理PRB数目小于模型的输入尺寸对应的PRB数目时,对当前PDSCH的数据做重复补齐,再使用CNN模型进行信道估计;当当前PDSCH的数据对应的待处理PRB数目大于模型尺寸对应的PRB数目时,可以进一步地将当前PDSCH的数据分割为多个部分并重复补齐至网络的输入尺寸,再使用CNN模型进行信道估计。由此可以证明本实施例公开的技术方案是可行的。
仿真结果证明本实施例针对当前PDSCH的数据对应的待处理PRB数目与训练好的第一深度学习算法模型的输入尺寸不一致的情况,能够灵活选择信道估计的方式,达到了保证信道估计的性能的前提下能降低网络训练复杂度,并能减少网络部署的数量的效果。
实施例2
如图5所示,本实施例提供了一种PDSCH的信道估计方法,包括以下步骤:
步骤201、获取接收的当前PDSCH的数据对应的PRB数目作为待处理PRB数目。
步骤202、判断待处理PRB数目是否小于预设的第二PRB数目,若是,则执行步骤203,若否则执行步骤204。
步骤203、先对当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至训练好的用于PDSCH的信道估计的第二深度学习算法模型进行信道估计,流程结束。
步骤204、判断待处理PRB数目是否小于预设的第一PRB数目,若是,则执行步骤205,若否则执行步骤206。
步骤205、先对当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至训练好的用于PDSCH的信道估计的第一深度学习算法模型进行信道估计,流程结束。
其中,第一深度学***均分割的方式实现。
步骤206、先按照第一PRB数目对当前PDSCH的数据进行分割,然后将分割后得到的数据按需补齐后输入至第一深度学习算法模型进行信道估计,流程结束。
本实施例中,对于每一次下行传输接收到的PDSCH的数据所对应的PRB数目,其获得方式说明如下:PRB数目是从控制信息中获取的,UE先监听PDCCH,监听到后在PDCCH中会指示UE要接收的PDSCH在时间和频域上的位置,其中就包括了PRB数目。具体的获取当前PDSCH的数据所对应的PRB数目的方式为现有的技术手段,在此不再赘述。
本实施例与实施例1最大的不同在于增加了第二种深度学习算法模型。通过设置两个输入尺寸不同的深度学习算法模型,使得执行信道估计时选择的网络的输入尺寸和当前PDSCH的数据对应的输入尺寸更加靠近,能够在兼顾网络训练复杂度及网络部署的数量的前提下进一步提升信道估计的性能。
本实施例中,对于待处理PRB数目小于第二PRB数目的情况采用对当前PDSCH的数据直接补齐后再输入至第二深度学习算法模型进行信道估计,而对于待处理PRB数目大于第二PRB数目且小于第一PRB数目的情况,采用对当前PDSCH的数据直接补齐后再输入至第一深度学习算法模型进行信道估计,补齐后的数据与训练好的第一深度学习算法模型的输入尺寸一致,由此解决了在不影响信道估计的性能的前提下降低网络训练复杂度,并能减少网络部署的数量的问题。当待处理PRB数目大于第一深度学习算法模型对应的第一PRB数目,采用先对PDSCH的数据分割为多个部分然后再补齐至第一深度学习算法模型的输入尺寸后再使用第一深度学习算法模型进行信道估计。
本实施例通过设置两个训练好的深度学***均分割。本实施例针对当前PDSCH的数据对应的PRB数量过小如1PRB的极端情况进行优化,提供了PRB数目小于等于10的第二深度学习算法模型供其进行信道估计。解决了当前PDSCH的数据对应的PRB数量波动范围比较大且存在与第一PRB数目差异较大的过小值时信道估计的性能欠佳的问题。
本实施例针对当前PDSCH的数据对应的待处理PRB数目与训练好的第一深度学习算法模型的输入尺寸不一致的情况,能够灵活选择信道估计的方式,达到了保证信道估计的性能的前提下能降低网络训练复杂度,并能减少网络部署的数量的效果。
实施例3
如图6所示,本实施例提供了一种PDSCH的信道估计方法,应用于UE上,包括以下步骤:
步骤301、训练得到预设数量的第一深度学习算法模型。
其中,第一深度学习算法模型可以部署在UE上,也可以部署在服务器上,本实施例中采用部署在服务器上的方式实现。预设数量为大于1且小于所有允许的PRB数目中的最大值的数;每个第一深度学习算法模型对应不同的第一PRB数目。本实施例中预设数量为3,即提前训练得到三个第一深度学习算法模型,分别对应的第一PRB数量为10、21和100。
步骤302、获取接收的当前PDSCH的数据所对应的PRB数目作为待处理PRB数目。
步骤303、从所有的第一PRB数目中选择大于或等于待处理PRB数目且最接近待处理PRB数目的第一PRB数目作为待使用第一PRB数目。
步骤304、先对当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至从服务器实时下载的待使用第一PRB数目对应的第一深度学习算法模型进行信道估计,流程结束。
其中,第一深度学习算法模型可以为CNN模型、DNN模型等。本实施例中采用CNN模型实现。第一深度学习算法模型的输入尺寸对应第一PRB数目,第一PRB数目为根据业务需求从所有允许的PRB数目中选取的一相适配的中间值。补齐包括重复补齐、补零和尾部重复中的一种,本实施例中采用补零的方式实现补齐。
本实施例中采用预先训练预设数量个第一深度学习算法模型,该预设数量小于所有允许的PRB数目中的最大值。在具体进行信道估计时,从中选择大于或等于待处理PRB数目且最接近待处理PRB数目的第一PRB数目对应的深度学习算法模型进行信道估计,能够更好地在保证信道估计的性能的前提下降低网络训练复杂度,并能减少网络部署的数量。
实施例4
如图7所示,本实施例提供了一种PDSCH的信道估计***,包括获取模块1、第一判断模块2、第一处理模块3和第二处理模块4。
其中,获取模块1用于获取接收的当前PDSCH的数据所对应的PRB数目作为待处理PRB数目。第一判断模块2用于判断待处理PRB数目是否小于一预设的第一PRB数目,若是,则调用第一处理模块3,若否,则调用第二处理模块4。第一处理模块3用于先对当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至训练好的用于PDSCH的信道估计的第一深度学习算法模型进行信道估计。第二处理模块4用于使用传统的信道估计算法对当前PDSCH的数据进行信道估计。其中,传统的信道估计算法指LS信道估计算法等,这类算法不基于深度学习算法实现信道估计。
其中,第一深度学习算法模型可以为CNN模型、DNN模型等。本实施例中采用CNN模型实现。第一深度学习算法模型的输入尺寸对应第一PRB数目,第一PRB数目为根据业务需求从所有允许的PRB数目中选取的一相适配的中间值。
本发明中补齐包括重复补齐、补零和尾部重复中的一种。重复补齐是指对于相对于第一深度学习算法模型的输入尺寸中的子载波数缺少的部分,采用从当前PDSCH的数据的头部开始的对应长度的部分的数据补齐。譬如当前PDSCH的数据的尺寸为600×14,而第一深度学习算法模型的输入尺寸为612×14,那么当前PDSCH的数据欠缺的601行到612行的数据采用当前PDSCH的数据的第1行到第12行的数据进行补齐,其中600和612表示的是子载波数,14代表的是符号数目。补零是指对于当前PDSCH的数据中缺少的部分全部填0。尾部重复是指对于相对于第一深度学习算法模型的输入尺寸中的子载波数缺少的部分,采用从当前PDSCH的数据的尾部对应长度的部分的数据补齐。譬如当前PDSCH的数据的尺寸为600×14,而第一深度学习算法模型的输入尺寸为612×14,那么当前PDSCH的数据欠缺的601行到612行的数据采用当前PDSCH的数据的第598行到第610行的数据进行补齐。本实施例中采用重复补齐的方式实现。
本实施例中,对于每一次下行传输接收到的PDSCH的数据所对应的PRB数目,其获得方式说明如下:PRB数目是从控制信息中获取的,UE先监听PDCCH,监听到后在PDCCH中会指示UE要接收的PDSCH在时间和频域上的位置,其中就包括了PRB数目。具体的获取当前PDSCH的数据对应的PRB数目的方式为现有的技术手段,在此不再赘述。
本实施例中,针对业务需求所允许的多种PRB数目,根据需要从中选取一个和具体业务需求相适配的中间值作为第一PRB数目,选择该第一PRB数目对应的子载波数作为训练好的用于PDSCH的信道估计的第一深度学习算法模型的输入尺寸中的一个维度。其中,中间值是指处于所有允许的PRB数目中最大值和最小值之间的一个值,该中间值根据具体的业务需求进行配置,针对的业务不同,选取的中间值的数值也不同,具体选取方式为现有方式,在此不再赘述。本实施例中,通过选择第一PRB数目实现了对于用于PDSCH的信道估计的第一深度学习算法模型的输入尺寸的选择,避免了现有技术中要么选择支持最大的PRB数目的深度学习算法模型存在的训练复杂度高的问题,要么针对每种子载波数和符号数目的组合所对应的输入尺寸都训练一个深度学习算法模型带来的问题。
本实施例中,当当前PDSCH的数据对应的待处理PRB数目与训练好的用于PDSCH的信道估计的第一深度学习算法模型的输入尺寸不一致时,对于待处理PRB数目小于第一PRB数目的情况采用对当前PDSCH的数据直接补齐后再输入至第一深度学习模型进行信道估计,补齐后的数据与训练好的第一深度学习算法模型的输入尺寸一致,由此解决了在不影响信道估计的性能的前提下降低网络训练复杂度,并能减少网络部署的数量的问题。当待处理PRB数目大于第一深度学习算法模型对应的第一PRB数目,采用现有的信道估计算法对当前PDSCH的数据进行信道估计。
本实施例针对当前PDSCH的数据对应的待处理PRB数目与训练好的第一深度学习算法模型的输入尺寸不一致的情况,能够灵活选择信道估计的方式,达到了保证信道估计的性能的前提下能降低网络训练复杂度,并能减少网络部署的数量的效果。
实施例5
如图8所示,本实施例提供了一种PDSCH的信道估计***,包括获取模块1、第一判断模块2、第一处理模块3、第三处理模块5、第二判断模块6和第四处理模块7。
其中,获取模块1用于获取接收的当前PDSCH的数据对应的PRB数目作为待处理PRB数目。
第二判断模块6用于在调用第一判断模块2之前先判断待处理PRB数目是否小于预设的第二PRB数目,若是,则调用第四处理模块7;若否,则调用第一判断模块2。
第四处理模块7用于先对当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至训练好的用于PDSCH的信道估计的第二深度学习算法模型进行信道估计。
第一判断模块2用于判断待处理PRB数目是否小于一预设的第一PRB数目,若是,则调用第一处理模块3,若否,则调用第三处理模块5。
第一处理模块3用于先对当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至训练好的用于PDSCH的信道估计的第一深度学习算法模型进行信道估计。
其中,第一深度学***均分割的方式实现。
第三处理模块5用于先按照第一PRB数目对当前PDSCH的数据进行分割,然后将分割后得到的数据按需补齐后输入至第一深度学习算法模型进行信道估计。
本实施例中,对于每一次下行传输接收到的PDSCH的数据所对应的PRB数目,其获得方式说明如下:PRB数目是从控制信息中获取的,UE先监听PDCCH,监听到后在PDCCH中会指示UE要接收的PDSCH在时间和频域上的位置,其中就包括了PRB数目。具体的获取当前PDSCH的数据所对应的PRB数目的方式为现有的技术手段,在此不再赘述。
本实施例与实施例4最大的不同在于增加了第二种深度学习算法模型。通过设置两个输入尺寸不同的深度学习算法模型,使得执行信道估计时选择的网络的输入尺寸和当前PDSCH的数据对应的输入尺寸更加靠近,能够在兼顾网络训练复杂度及网络部署的数量的前提下进一步提升信道估计的性能。
本实施例中,对于待处理PRB数目小于第二PRB数目的情况采用对当前PDSCH的数据直接补齐后再输入至第二深度学习算法模型进行信道估计,而对于待处理PRB数目大于第二PRB数目且小于第一PRB数目的情况,采用对当前PDSCH的数据直接补齐后再输入至第一深度学习算法模型进行信道估计,补齐后的数据与训练好的第一深度学习算法模型的输入尺寸一致,由此解决了在不影响信道估计的性能的前提下降低网络训练复杂度,并能减少网络部署的数量的问题。当待处理PRB数目大于第一深度学习算法模型对应的第一PRB数目,采用先对PDSCH的数据分割为多个部分然后再补齐至第一深度学习算法模型的输入尺寸后再使用第一深度学习算法模型进行信道估计。
本实施例针对当前PDSCH的数据对应的PRB数量过小的极端情况进行优化,提供了PRB数目小于等于10的第二深度学习算法模型供其进行信道估计。本实施例通过设置两个训练好的深度学习算法模型,一个输入尺寸为较小值,另外一个输入尺寸为中间值,解决了当前PDSCH的数据对应的PRB数量波动范围比较大且存在与第一PRB数目差异较大的过小值时信道估计的性能欠佳的问题。本实施例针对当前PDSCH的数据对应的待处理PRB数目与训练好的第一深度学习算法模型的输入尺寸不一致的情况,能够灵活选择信道估计的方式,达到了保证信道估计的性能的前提下能降低网络训练复杂度,并能减少网络部署的数量的效果。
实施例6
如图9所示,本实施例提供了一种PDSCH的信道估计***,应用于UE上,包括获取模块1、第一判断模块2、第一处理模块3、训练模块8和下载模块9。
训练模块8用于训练得到预设数量的第一深度学习算法模型。
其中,第一深度学习算法模型可以部署在UE上,也可以部署在服务器上,本实施例中采用部署在服务器上的方式实现。预设数量为大于1且小于所有允许的PRB数目中的最大值的数;每个第一深度学习算法模型对应不同的第一PRB数目。本实施例中预设数量为3,即提前训练得到三个第一深度学习算法模型,分别对应的第一PRB数量为10、21和100。
获取模块1用于获取接收的当前PDSCH的数据所对应的PRB数目作为待处理PRB数目。
第一判断模块2用于从所有的第一PRB数目中选择大于或等于待处理PRB数目且最接近待处理PRB数目的第一PRB数目作为待使用第一PRB数目,调用第一处理模块3。
第一处理模块3用于先对当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至待使用第一PRB数目对应的第一深度学习算法模型进行信道估计。
下载模块9用于在使用第一深度学习算法模型进行信道估计之前从服务器下载第一深度学习算法模型。
其中,第一深度学习算法模型可以为CNN模型、DNN模型等。本实施例中采用CNN模型实现。第一深度学习算法模型的输入尺寸对应第一PRB数目,第一PRB数目为根据业务需求从所有允许的PRB数目中选取的一相适配的中间值。补齐包括重复补齐、补零和尾部重复中的一种,本实施例中采用补零的方式实现补齐。
本实施例中采用预先训练预设数量个第一深度学习算法模型,该预设数量小于所有允许的PRB数目中的最大值。在具体进行信道估计时,从中选择大于或等于待处理PRB数目且最接近待处理PRB数目的第一PRB数目对应的深度学习算法模型进行信道估计,能够更好地在保证信道估计的性能的前提下降低网络训练复杂度,并能减少网络部署的数量。
实施例7
本实施例提供了一种UE,包括实施例4至6中任一项所述的PDSCH的信道估计***。
本实施例提供的UE,其中包括的PDSCH的信道估计***,通过选择第一PRB数目实现了对于用于PDSCH的信道估计的第一深度学习算法模型的输入尺寸的选择,避免了现有技术中要么选择支持最大的PRB数目的深度学习算法模型存在的训练复杂度高的问题,要么针对每种子载波数和符号数目的组合所对应的输入尺寸都训练一个深度学习算法模型带来的问题。本实施例在保证信道估计的性能的前提下能降低网络训练复杂度,并能减少网络部署的数量。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (17)
1.一种PDSCH的信道估计方法,其特征在于,包括以下步骤:
判断待处理PRB数目是否小于一预设的第一PRB数目,若是,则先对当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至训练好的用于PDSCH的信道估计的第一深度学习算法模型进行信道估计;
所述待处理PRB数目为所述当前PDSCH的数据对应的PRB数目;
所述第一深度学习算法模型的输入尺寸对应所述第一PRB数目,所述第一PRB数目为根据业务需求从所有允许的PRB数目中选取的一相适配的中间值。
2.如权利要求1所述的PDSCH的信道估计方法,其特征在于,当所述判断待处理PRB数目是否小于所述第一PRB数目的步骤的结果为否时,则使用传统的信道估计算法对所述当前PDSCH的数据进行信道估计。
3.如权利要求1所述的PDSCH的信道估计方法,其特征在于,当所述判断待处理PRB数目是否小于所述第一PRB数目的步骤的结果为否时,则先按照所述第一PRB数目对所述当前PDSCH的数据进行分割,然后将分割后得到的数据按需补齐后输入至所述第一深度学习算法模型进行信道估计。
4.如权利要求1所述的PDSCH的信道估计方法,其特征在于,在所述判断待处理PRB数目是否小于一预设的第一PRB数目的步骤之前还包括以下步骤:
判断所述待处理PRB数目是否小于预设的第二PRB数目,若是,则先对所述当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至训练好的用于PDSCH的信道估计的第二深度学习算法模型进行信道估计;若否,则继续执行所述判断所述待处理PRB数目是否小于一预设的第一PRB数目的步骤;
所述第二深度学习算法模型的输入尺寸对应所述第二PRB数目,所述第二PRB数目小于所述第一PRB数目。
5.如权利要求4所述的PDSCH的信道估计方法,其特征在于,所述第二PRB数目小于等于10。
6.如权利要求1所述的PDSCH的信道估计方法,其特征在于,所述信道估计方法还包括以下步骤:
训练得到预设数量的所述第一深度学习算法模型;
所述预设数量大于1且小于所述所有允许的PRB数目中的最大值;
每个所述第一深度学习算法模型对应不同的所述第一PRB数目;
所述判断待处理PRB数目是否小于一预设的第一PRB数目,若是,则先对所述当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至训练好的用于PDSCH的信道估计的第一深度学习算法模型进行信道估计的步骤包括:
从所有的所述第一PRB数目中选择大于或等于所述待处理PRB数目且最接近所述待处理PRB数目的所述第一PRB数目作为待使用第一PRB数目;
先对所述当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至所述待使用第一PRB数目对应的所述第一深度学习算法模型进行信道估计。
7.如权利要求3所述的PDSCH的信道估计方法,其特征在于,所述补齐包括重复补齐、补零和尾部重复中的一种;
和/或,所述分割包括平均分割;
和/或,所述第一深度学习算法模型为CNN模型。
8.如权利要求1所述的PDSCH的信道估计方法,其特征在于,所述信道估计方法应用于UE上,所述第一深度学习算法模型部署在所述UE上或服务器上;
当所述第一深度学习算法模型部署在所述服务器上时,所述信道估计方法还包括:
在使用所述第一深度学习算法模型进行信道估计之前从所述服务器下载所述第一深度学习算法模型。
9.一种PDSCH的信道估计***,其特征在于,包括第一判断模块和第一处理模块;
所述第一判断模块用于判断待处理PRB数目是否小于一预设的第一PRB数目,若是,则调用所述第一处理模块;
所述第一处理模块用于先对当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至训练好的用于PDSCH的信道估计的第一深度学习算法模型进行信道估计;
所述待处理PRB数目为所述当前PDSCH的数据对应的PRB数目;
所述第一深度学习算法模型的输入尺寸对应所述第一PRB数目,所述第一PRB数目为根据业务需求从所有允许的PRB数目中选取的一相适配的中间值。
10.如权利要求9所述的PDSCH的信道估计***,其特征在于,所述信道估计***还包括第二处理模块;
所述第一判断模块还用于在判断的结果为否时调用所述第二处理模块;
所述第二处理模块用于使用传统的信道估计算法对所述当前PDSCH的数据进行信道估计。
11.如权利要求9所述的PDSCH的信道估计***,其特征在于,所述信道估计***还包括第三处理模块;
所述第一判断模块还用于在判断的结果为否时调用所述第三处理模块;
所述第三处理模块用于先按照所述第一PRB数目对所述当前PDSCH的数据进行分割,然后将分割后得到的数据按需补齐后输入至所述第一深度学习算法模型进行信道估计。
12.如权利要求9所述的PDSCH的信道估计***,其特征在于,所述信道估计***还包括第二判断模块和第四处理模块;
所述第二判断模块用于在调用所述第一判断模块之前判断所述待处理PRB数目是否小于预设的第二PRB数目,若是,则调用所述第四处理模块;若否,则调用所述第一判断模块;
所述第四处理模块用于先对所述当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至训练好的用于PDSCH的信道估计的第二深度学习算法模型进行信道估计;
所述第二深度学习算法模型的输入尺寸对应所述第二PRB数目,所述第二PRB数目小于所述第一PRB数目。
13.如权利要求12所述的PDSCH的信道估计***,其特征在于,所述第二PRB数目小于等于10。
14.如权利要求9所述的PDSCH的信道估计***,其特征在于,所述信道估计***还包括训练模块;
所述训练模块用于训练得到预设数量的所述第一深度学习算法模型;
所述预设数量大于1且小于所述所有允许的PRB数目中的最大值;
每个所述第一深度学习算法模型对应不同的所述第一PRB数目;
所述第一判断模块用于从所有的所述第一PRB数目中选择大于或等于所述待处理PRB数目且最接近所述待处理PRB数目的所述第一PRB数目作为待使用第一PRB数目,调用所述第一处理模块;
所述第一处理模块用于先对所述当前PDSCH的数据进行数据补齐,然后再将补齐后的当前PDSCH的数据输入至所述待使用第一PRB数目对应的所述第一深度学习算法模型进行信道估计。
15.如权利要求11所述的PDSCH的信道估计***,其特征在于,所述补齐包括重复补齐、补零和尾部重复中的一种;
和/或,所述分割包括平均分割;
和/或,所述第一深度学习算法模型为CNN模型。
16.如权利要求9所述的PDSCH的信道估计***,其特征在于,所述信道估计***应用于UE上,所述第一深度学习算法模型部署在所述UE上或服务器上;
所述信道估计***还包括下载模块;
所述下载模块用于在使用所述第一深度学习算法模型进行信道估计之前从所述服务器下载所述第一深度学习算法模型。
17.一种UE,其特征在于,包括如权利要求9至16任一项所述的PDSCH的信道估计***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010844021.7A CN114079599B (zh) | 2020-08-20 | 2020-08-20 | Pdsch的信道估计方法、***及ue |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010844021.7A CN114079599B (zh) | 2020-08-20 | 2020-08-20 | Pdsch的信道估计方法、***及ue |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114079599A true CN114079599A (zh) | 2022-02-22 |
CN114079599B CN114079599B (zh) | 2024-04-05 |
Family
ID=80281937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010844021.7A Active CN114079599B (zh) | 2020-08-20 | 2020-08-20 | Pdsch的信道估计方法、***及ue |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114079599B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024007949A1 (zh) * | 2022-07-06 | 2024-01-11 | 维沃移动通信有限公司 | Ai模型处理方法、装置、终端及网络侧设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105357691A (zh) * | 2015-09-28 | 2016-02-24 | 中国普天信息产业北京通信规划设计院 | Lte无线网络用户感知监测方法和*** |
CN109450830A (zh) * | 2018-12-26 | 2019-03-08 | 重庆大学 | 一种高速移动环境下基于深度学习的信道估计方法 |
CN111356232A (zh) * | 2018-12-21 | 2020-06-30 | 中国电信股份有限公司 | 参数配置方法、装置、***及计算机可读存储介质 |
-
2020
- 2020-08-20 CN CN202010844021.7A patent/CN114079599B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105357691A (zh) * | 2015-09-28 | 2016-02-24 | 中国普天信息产业北京通信规划设计院 | Lte无线网络用户感知监测方法和*** |
CN111356232A (zh) * | 2018-12-21 | 2020-06-30 | 中国电信股份有限公司 | 参数配置方法、装置、***及计算机可读存储介质 |
CN109450830A (zh) * | 2018-12-26 | 2019-03-08 | 重庆大学 | 一种高速移动环境下基于深度学习的信道估计方法 |
Non-Patent Citations (1)
Title |
---|
QUALCOMM INC.: "R1-153846 "Physical downlink control channels"", 3GPP TSG_RAN\\WG1_RL1, no. 1, 15 August 2015 (2015-08-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024007949A1 (zh) * | 2022-07-06 | 2024-01-11 | 维沃移动通信有限公司 | Ai模型处理方法、装置、终端及网络侧设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114079599B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Deep-waveform: A learned OFDM receiver based on deep complex-valued convolutional networks | |
KR101067183B1 (ko) | 무선 통신 시스템에서 안테나 다이버시티의 제공 | |
JP5303215B2 (ja) | 干渉プラス雑音のレベルを推定するための方法および装置、ならびにコンピュータプログラム | |
US9008166B2 (en) | Filter calculating device, transmitting device, receiving device, processor, and filter calculating method | |
CN101170354B (zh) | 通信方法以及使用了它的无线装置 | |
US9509455B2 (en) | Autonomous channel quality information prediction | |
US10666464B2 (en) | Mitigating inter-cell pilot interference via network-based greedy sequence selection and exchange | |
US20110080877A1 (en) | Variable single carrier frequency division multiple access (SC-FDMA) coding | |
Vlachos et al. | Autonomous driving in 5G: Mitigating interference in OFDM-based vehicular communications | |
JP2009527962A (ja) | マルチキャリア送信器に対して送信電力を最適に割り当てる送信方法 | |
Huang et al. | Novel channel estimation techniques on SC-FDMA uplink transmission | |
CN114079599A (zh) | Pdsch的信道估计方法、***及ue | |
US8385489B2 (en) | Methods and apparatus for wireless channel estimation using interpolation elimination in the Eigen domain | |
US11553462B2 (en) | Wireless communication device and corresponding apparatus, method and computer program | |
US20120147829A1 (en) | Pilot addition method and pilot addition apparatus | |
WO2017005161A1 (zh) | 功率分配方法和装置 | |
US9980240B2 (en) | Scheme for transmitting and receiving symbols in filter bank multi carrier system | |
Zöchmann et al. | MIMO transmission over high delay spread channels with reduced cyclic prefix length | |
Bogale et al. | Pilot contamination mitigation for wideband massive MIMO systems | |
US9544032B2 (en) | System and method for multiple-input multiple-output (MIMO) orthogonal frequency division multiplexing (OFDM) offset quadrature amplitude modulation (OQAM) | |
CN103326830B (zh) | 一种信道反馈方法和用户设备及基站 | |
Praba et al. | PAPR reduction at large multi-user-MIMO-OFDM using adaptive data detection algorithm | |
EP4402866A1 (en) | Improved pilot assisted radio propagation channel estimation based on machine learning | |
CN116488969B (zh) | 信道均衡方法、装置、设备和存储介质 | |
CN114785643B (zh) | 一种基于深度学习的ofdm***信道估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |