CN114650199A - 一种基于数据驱动的深度神经网络信道估计方法及*** - Google Patents

一种基于数据驱动的深度神经网络信道估计方法及*** Download PDF

Info

Publication number
CN114650199A
CN114650199A CN202111637126.6A CN202111637126A CN114650199A CN 114650199 A CN114650199 A CN 114650199A CN 202111637126 A CN202111637126 A CN 202111637126A CN 114650199 A CN114650199 A CN 114650199A
Authority
CN
China
Prior art keywords
data
neural network
deep neural
channel
matrix
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.)
Pending
Application number
CN202111637126.6A
Other languages
English (en)
Inventor
施毅
孙浩
熊云彩
周唯
沈连丰
燕锋
夏玮玮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Rongzhi Information Innovation Research Institute Co ltd
Original Assignee
Nanjing Rongzhi Information Innovation Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Rongzhi Information Innovation Research Institute Co ltd filed Critical Nanjing Rongzhi Information Innovation Research Institute Co ltd
Priority to CN202111637126.6A priority Critical patent/CN114650199A/zh
Publication of CN114650199A publication Critical patent/CN114650199A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/02—Arrangements for detecting or preventing errors in the information received by diversity reception
    • H04L1/06—Arrangements for detecting or preventing errors in the information received by diversity reception using space diversity
    • H04L1/0618—Space-time coding
    • 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
    • H04L25/0204—Channel estimation of multiple channels
    • 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
    • H04L25/022—Channel estimation of frequency response
    • 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
    • H04L25/0224—Channel estimation using sounding signals
    • 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
    • H04L25/0256—Channel estimation using minimum mean square error criteria
    • 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
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • 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
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L25/03165—Arrangements for removing intersymbol interference using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Power Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明采用基于数据驱动的方式来迭代训练网络模型，设计了适合深度神经网络的数据驱动式的信道估计通信***，数据驱动采用多种数据，提高了感知机训练次数、模拟信道环境和不断拟合真实信道分布，通过前向反向算法不断优化极值，可以利用数据训练来获取信道状态信息，提高通信质量。

Description

一种基于数据驱动的深度神经网络信道估计方法及***
技术领域
本发明涉及通信技术领域，具体涉及一种基于数据驱动的深度神经网络信道估计方法及***。
背景技术
无线通信技术伴随着通信、信号领域的发展以及通信***的不断完善，我们随时可以通过无线电信号之间的传播来实现低延迟的相互通信，但传统通信技术仍旧存在着严重的符号间干扰、频谱利用率低、多径效应等影响，这其中都包含了多个***底层原因的设计以及频率、带宽资源分配和信道模型技术的相应选择。进入二十一世纪，伴随着离散傅里叶变换和离散傅里叶逆变换引入正交频分复用(Orthogonal Frequency DivisionMultiplexing， OFDM)以及多输入多输出(Multiple Input Multiple Output，MIMO)***之中，这样就可以真正的做到提高频谱利用率、降低符号间干扰的问题，并且可以通过多根天线的发送与接收来提高通信***的传输容量。MIMO-OFDM***的引入，在一定程度上提高了***容量及频谱效率，但是通信***的性能好坏是衡量一个通信***发展进步的重要指标，在无线通信***中解决信号失真，恢复校验接收信号是目前需要研究的一个重要领域。
通信技术的发展之中为了解决接收端信号无法恢复信号、信号失真、提高接收信号精度等问题，信道估计技术领域便迎来了快速发展的时代。信道估计的准确性与否可以在很大程度上决定整个MIMO-OFDM通信***的质量，其应用领域可以是毫米波大规模MIMO***、5G通信MIMO通信***，其信道状态信息都是通过相应的信道估计算法来实现。目前传统的信道估计算法主要包括基于数据辅助的信道估计算法，其是通过在发送信道中***一定数量和***规则的导频信道，然后利用相应的算法通过导频信号信息来估计信道特性，但是这就需要利用其他数据来帮助估计信道且容易产生导频污染、导致***开销大等问题；盲信道估计算法，其通过大量的数据集来统计信道特性，能够不产生导频信号开销，但存在数据量要求太多，效率低等问题；半盲信道估计算法，其通过将盲信道估计和数据辅助信道估计相结合的信道估计方法，主要包括最小二乘(Least Square，LS)算法和最小均方误差 (Minimum Mean Square Error，MMSE)，这两个都可以估计出信道状态信息，但是其性能依旧难以达到很好的效果且在实际信道中都会存在噪声的干扰，估计信道状态信息时存在严重的码间干扰问题，所以目前需要一种新的信道估计方法及***来解决该问题。
近年来随着深度学习技术的日趋成熟和神经网络先进技术在计算机视觉、语音识别等方向的具体现实应用，深度学习在信道估计、信号检测、信道状态信息的反馈等方面的成果都验证了该技术相较于传统信道估计算法领域有着更为明显的优势，其具有强大的学习能力来进行特征提取、分析***模型并且拥有灵活的网络结构，这些特性都可以有效的估计信道状态信息并提高估计精度，与传统信道估计方法相比较，基于深度神经网络的信道估计算法，可以利用数据模型来测试训练数据，以此来达到估计信道状态信息的目的，其中基于数据驱动的深度神经网络可以先通过数据集的输入进行监督拟合信道特性，学习以监督的方式处理信号失真，不断迭代更新数据以最大限度的防止精度丢失，然后在实际信道估计中便可以直接运用得到的信道特性，这样便能够更加符合实际特性，从而输出更加准确的信道状态信息，提高通信***性能。
发明内容
针对信道估计算法的性能、***精确度以及频谱利用率严重不足的问题，本发明提出了一种基于数据驱动的深度神经网络信道估计方法及***。利用空时编码技术来实现天线阵列技术，以此来解决通信***中多径效应的影响并创建基于信道频域响应矢量和仿真数据及输入的多输入多输出正交频分复用***，该***作为信号流之间的传输通道，采用基于数据驱动的深度神经网络训练迭代网络模型，学习信道特性，利用传播算法及拒绝策略优化最小化极值并校验恢复接收数据，通过伯努利函数随机产生[0，1]向量数值与神经元输出值乘积，决定神经元的激活状态，随后网络模型对信道估计***的天线接收端信道参数估计模块进行系数矩阵、偏倚向量计算，在迭代训练后更新误差阈值范围内估值最优值，最后根据输出的信道矩阵，补偿信道特性。本发明采用基于数据驱动的方式来迭代训练网络模型，设计了适合深度神经网络的数据驱动式的信道估计通信***，数据驱动采用多种数据，提高了感知机训练次数、模拟信道环境和不断拟合真实信道分布，通过前向反向算法不断优化极值，可以利用数据训练来获取信道状态信息，提高通信质量。
为了有效阐述上述本发明的目的，本发明提出了一种基于数据驱动的深度神经网络信道估计方法及***，其特征在于包括如下步骤：
(1)获取信道响应数据和仿真数据集的训练测试数据
(2)创建基于数据驱动的深度神经网络通信***
(3)传播算法迭代优化阈值范围最优化极值
(4)拒绝策略优化神经网络激活状态，提高迭代效率
所述的基于数据驱动的深度神经网络信道估计方法及***，其所述(1)(2)通过以下技术方案实现：
在多输入多输出正交频分复用技术***上，通过利用天线阵列技术来达到多根天线发送、多根天线接收信号并使用基于数据驱动的深度神经网络来进行信道估计，获取信道状态信息，其训练数据来源包括编写DeepMIMO仿真数据集测试数据，其通过深度神经学习框架在有限的测试训练空间内进行数据的采样收集，数据集Ddata＝[h1，h2，...，hn-1，hn]，其中 h∈HT*L，HT*L为模拟训练数据矩阵，H′＝C(H*F+θ·x)，H′为H矩阵将实部虚部提取出来后做卷积运算，θ，x为数据集输入参数，F为卷积向量，此时数据集的训练收集过程分为：首先将原始数据随机划分为m个互不相等的数据集输入参数中，将其中的m个数据集随机抽取其中的n个数据子集放入训练框架中，随后将划分的子集进行不同方法的训练迭代n次后进行均值计算得到；随后将获得到的数据保存至Ddata；利用最小均方误差算法来得到信道响应数据，其MMSE目标函数为
Figure RE-GDA0003635672930000031
FMMSE(θ)＝min(F(θ)，L{M})＝min L{(M-θHx)(M-θHx)H}
Figure RE-GDA0003635672930000032
其中θ为通过算法要求得的矩阵：
Figure RE-GDA0003635672930000033
Figure RE-GDA0003635672930000034
通过求其导数来计算出θ′，FMMSE(θ)值可以将其一阶导数置为0，求出FMMSE(θ)：
Figure RE-GDA0003635672930000035
Figure RE-GDA0003635672930000041
其中KMN为***导频处的值，KMN＝KHH，其中KHH为自相关矩阵，计算得到
Figure RE-GDA0003635672930000042
Figure RE-GDA0003635672930000043
通过上述技术将得到仿真数据集和信道响应数据，其两部分数据一起输入深度神经网络进行下一步的迭代训练和学习信道特性，以此来更好的估计出信道状态信息；
所述的基于数据驱动的深度神经网络信道估计方法及***，其所述(3)包括技术方案如下：
将数据样本及数据集作为深度神经网络监督预测信道模型后，通过隐藏层的不断学习信道特性及参数，拟合非线性数据并输出拟合后的数据作为下一层神经元的输入，不断反复学习，得到系数矩阵τi和偏置向量ω后输出最终结果。其中数据样本为最小均方误差算法得到的信道响应矩阵
Figure RE-GDA0003635672930000044
和数据集为Ddata，两部分作为一个整体数据输入深度神经网络，经过隐藏层中神经元的加权求和以及下层节点的输出与上层节点的输入之间通过激活函数来拟合非线性关系，该步骤为前向传播算法过程，对于隐藏层的第(n，m)个神经元输出：
Figure RE-GDA0003635672930000045
式中τi为系数矩阵，ω为偏置向量，i
Figure RE-GDA0003635672930000046
为第(n，m)个神经元输出数据值，
Figure RE-GDA0003635672930000047
作为激活函数：
Figure RE-GDA0003635672930000048
将神经元的特征通过激活函数把特征映射出来，其将数据输出端输入到另一层的输入端，以此来加强神经元各层的非线性模型的映射能力、稀疏网络并且解决梯度消失问题；
将前线传播算法得到的系数矩阵τi和偏置向量ω通过损失函数来计算出相应的差值，为了让τi和ω以最小的差值接近样本实际输出，先使用损失函数优化最小化的极值，然后利用梯度下降算法多次迭代来实现后向传播算法优化最终极值的结果；其中对应的损失函数：
Figure RE-GDA0003635672930000051
式中r神经元的实际输出，a期望输出，τi系数矩阵，ω偏倚向量，对系数矩阵和偏倚向量求一阶偏导数：
Figure RE-GDA0003635672930000052
Figure RE-GDA0003635672930000053
将迭代后的τi系数矩阵，ω偏倚向量求解：
τi＝-η(δ(τix+ω)-a)δ′(τix+ω)·x-τ
ω＝-ηδ′(τix+ω)(δ(τix+ω)-a)+ω
将τi系数矩阵，ω偏倚向量得到后，通过该值来求解出输出层的第l个神经元输出值θl：
Figure RE-GDA0003635672930000054
式中ri为目标值，zi隐藏层输出，x为输入向量，
Figure RE-GDA0003635672930000055
向量矩阵，将w+1层
Figure RE-GDA0003635672930000056
作为一个向量：
Figure RE-GDA0003635672930000061
更新θl：
Figure RE-GDA0003635672930000062
Figure RE-GDA0003635672930000063
式中E为平方和误差，yi，ri分别为输出值、目标期望值，最后可得到输出层第w层的第l 个输出：
Figure RE-GDA0003635672930000064
所述的基于数据驱动的深度神经网络信道估计方法及***，其所述(4)实现技术方案为：数据集输入深度神经网络前线传播算法进行训练测试后，将得到的结果进行误差计算后重新输入神经网络进行反向传播迭代更新系数矩阵及偏倚向量，为了防止出现过度拟合的发生，利用拒绝策略(Dropout)来解决该问题。利用伯努利函数产生随机随机概率向量pi，其值 pi∈[0，1]，引入丢失率Ki，Ki＝pi(1-pi)，Dropout策略具有正则化效果，其单个神经元被删除的期望为：
Figure RE-GDA0003635672930000065
式中τi为系数矩阵，xi为输入向量，通过丢失率参数来解决深度神经网络训练中，神经元被激活的个数，来解决网络***资源消耗过大、过度拟合的问题。
本发明具有如下有益效果：
深度神经网络的学习特性应用于信道估计算法之中，将神经网络强大的学习能力来进行特征提取、分析***模型并通过灵活的网络结构来训练迭代各层神经元输出，其训练测试数据来源于最小均方误差算法得到的信道响应数据和数据集，先将两部分数据输入网络以此来达到监督拟合信道特性，随后经过信道传输过程神经网络进行监督的方式处理信号失真，不断迭代更新数据以最大限度的精度丢失，这样便能够更加符合实际特性，提高通信***性能、提高频谱利用率和信号传输有效性。
附图说明
图1是本发明的算法流程图
图2是本发明的深度神经网络通信***结构
图3是本发明的神经元感知机模型
图4是本发明的深度神经网络结构
具体实施方式
本发明提出的基于数据驱动的深度神经网络信道估计方法及***，充分利用了深度神经网络监督训练数据、灵活网络结构、学习信道特性的特点，将两部分数据作为输入，以此来达到训练学习神经元模型，拟合信道分布的目的。利用深度学习在信道估计、信号检测、信道状态信息的反馈等方面有着快速发展的技术前提下，将MIMO-OFDM通信***中的数据流进行传输，以此在接收端进行信道参数的估计，从而通过算法优化来提高通信性能。其中基于数据驱动的深度神经网络可以先通过数据集的输入进行监督拟合信道的特性，学习以监督的方式处理信号失真，不断迭代更新数据以最大限度的精度丢失，然后在实际信道估计中便可以直接运用得到的信道特性，这样便能够更加符合实际特性，从而输出更加准确的信道状态信息。
结合附图1信道估计算法的实现步骤进行详细说明，其主要包括如下所述步骤：
(1)获取训练测试数据
(2)传播算法迭代更新系数矩阵和偏倚向量
(3)拒绝策略纠正训练深度，提高训练效率
利用空时编码的阵列天线技术，其可以解决***模型通信中多径效及频谱利用率低的问题，以此技术来搭建多输入多输出通信***作为信号流之间的传输通道，使用仿真数据集收集训练数据数据集，其Ddata＝[h1，h2，...，hn-1，hn]，h∈HT*L，HT*L为模拟训练数据矩阵，H′＝C(H*F+θ·x)，H′为H矩阵将实部虚部提取出来后做卷积运算，θ，x为数据集输入参数，F为卷积向量；第二部分数据通过最下均方误差方法获取大致信道状态信息，FMMSE(θ)＝min(F(θ)，L{M})＝minL{(M-θHx)(M-θHx)H}，
Figure RE-GDA0003635672930000081
其中θ为通过算法要求得的矩阵：
Figure RE-GDA0003635672930000082
计算得到
Figure RE-GDA0003635672930000083
如图2所示；
上述方法将得到仿真数据集和信道响应数据，其两部分数据一起输入深度神经网络进行下一步的迭代训练和学习信道特性，以此来更好的估计出信道状态信息。深度神经网络由输入层、隐藏层和输出层构成，数据集和信道矩阵作为数据输入，先经过隐藏层进行系数矩阵、偏倚向量计算，其中隐藏层中包含多个神经元组成，而每个神经元又可以叫做感知机，每个感知机的输及输出都是迭代上一层的不断迭代优化和在阈值范围内取得的最小化极值构成，如图3，输入数据X∈{x1，x2，...，xn}，
Figure RE-GDA0003635672930000084
为第l层的第i个感知机，yi为输出，
Figure RE-GDA0003635672930000085
通过隐藏层的不断学习信道特性及参数，拟合非线性数据并输出拟合后的数据作为下一层神经元的输入，不断反复学习，得到系数矩阵τi和偏置向量ω，对于隐藏层的第(n，m)个神经元输出：
Figure RE-GDA0003635672930000086
Figure RE-GDA0003635672930000087
为第(n，m)个神经元输出数据值，
Figure RE-GDA0003635672930000088
作为激活函数：
Figure RE-GDA0003635672930000089
将神经元的特征通过激活函数把特征映射出来，复杂的通信***模型中包含了多种数据传输类型且神经网络训练过程输入了多种非线性数据，为了拟合这部分数据，输出更加符合信道分布的数据，采用激活函数来解决该问题。其将数据输出端输入到另一层的输入端，以此来加强神经元各层的非线性模型的映射能力、稀疏网络并且解决梯度消失问题，系数矩阵τi和偏置向量ω通过损失函数来计算出相应的差值，为了让τi和ω以最小的差值接近样本实际输出，先使用损失函数优化最小化的极值，然后利用梯度下降算法多次迭代来实现后向传播算法优化最终极值的结果；其中对应的损失函数
Figure RE-GDA00036356729300000810
δ(τix+ω)＝r，r神经元的实际输出，a期望输出，τi系数矩阵，ω偏倚向量，对系数矩阵和偏倚向量求一阶偏导数：
Figure RE-GDA00036356729300000811
将迭代后的τi系数矩阵，ω偏倚向量求解：τi＝-η(δ(τix+ω)-a)δ′(τix+ω)·x-τ，ω＝-ηδ′(τix+ω)(δ(τix+ω)-a)+ω，将τi系数矩阵，ω偏倚向量得到后，通过该值来求解出输出层的第l个神经元输出值θl：
Figure RE-GDA0003635672930000091
ri为目标值，Zi隐藏层输出，X为输入向量，
Figure RE-GDA0003635672930000092
向量矩阵，将w+1层
Figure RE-GDA0003635672930000093
作为一个向量：
Figure RE-GDA0003635672930000094
更新θl：
Figure RE-GDA0003635672930000095
E为平方和误差，yi，ri分别为输出值、目标期望值，最后可得到输出层第W层的第l个输出：
Figure RE-GDA0003635672930000096
利用深度神经网络的向前传播算法计算各层输出，梯度下降的反向求解算法求出差值并优化极值，在拟合数据时为防止过度拟合，使用拒绝策略(Dropout策略)并通过伯努利函数随机产生[0，1]向量数值与神经元输出值乘积，决定神经元的舍留，伯努利函数产生随机随机概率向量pi，其值pi∈[0，1]，引入丢失率Ki，Ki＝pi(1-pi)，Dropout策略具有正则化效果，其单个神经元被删除的期望为：
Figure RE-GDA0003635672930000097
τi为系数矩阵，xi为输入向量，通过丢失率参数来解决深度神经网络训练中，神经元被激活的个数，这样可以让神经网络拥有更深更有效率的网络模型，如图4。信道状态信息利用深度神经网络进行算法估计，其使用数据驱动训练多种数据，提高了感知机训练次数、模拟信道环境和不断拟合真实信道分布并通过数据训练来获取信道状态信息，提高通信质量，该方法可以有效提高信道估计算法的性能、***精确度以及频谱利用率严重不足的问题。

Claims (6)

1.基于数据驱动的深度神经网络信道估计方法和***，其特征在于，包括如下所述步骤：
（1）深度神经网络在信道估计的算法中，考虑到测试数据对神经网络训练起到关键的有效性和可靠性，为了补充数据量不足，采用基于数据驱动的深度神经网络来估计计算出信道估计状态信息，其数据来源基于DeepMIMO仿真数据集合和最小均方误差（MinimumMean Squared Error ,MMSE）算法得到的信道响应数据；
（2）通过仿真数据获取数据集并作为深度神经网络训练数据，输入神经元后迭代训练，多次迭代训练后以监督的形式解决信道数据失真及学习信道特性；
（3）信道响应数据和仿真数据集输入深度神经网络进行训练学习，监督信道特性，依次经过隐藏层感知机后输出各神经元系数矩阵和偏置向量；
（4）为了优化降低估计误差，使用前向传播算法不断输出优化后的系数矩阵和偏置向量并通过损失函数和梯度下降算法计算差值后重新梯度下降迭代来求优化最小化的极值；
（5）神经网络训练过程中，为了避免拟合中出现的过度现象而导致的数据严重偏离真实特性的情况，采用丢弃策略（Dropout）来防止过度拟合；
（6）输出信道矩阵，信道均衡。
2.根据权利要求1所述的基于数据驱动的深度神经网络信道估计方法和***，其特征包括所述（1）：
在MIMO-OFDM（Multiple-Input Multiple-Output- Orthogonal Frequency DivisionMultiplexing，多输入多输出正交频分复用技术）***上，通过利用天线阵列技术来达到多根天线发送、多根天线接收信号并使用基于数据驱动的深度神经网络来进行信道估计，获取信道状态信息，其训练数据来源包括编写DeepMIMO仿真数据集测试数据，其通过深度神经学习框架在有限的测试训练空间内进行数据的采样收集，数据集
Figure DEST_PATH_IMAGE001
=
Figure 600318DEST_PATH_IMAGE002
，其中
Figure DEST_PATH_IMAGE003
，
Figure 19798DEST_PATH_IMAGE004
为模拟训练数据矩阵，
Figure DEST_PATH_IMAGE005
，
Figure 636724DEST_PATH_IMAGE006
为
Figure DEST_PATH_IMAGE007
矩阵将实部虚部提取出来后做卷积运算，
Figure 458049DEST_PATH_IMAGE008
x为数据集输入参数，F为卷积向量，此时数据集的训练收集过程分为：首先将原始数据随机划分为m个互不相等的数据集输入参数中，将其中的m个数据集随机抽取其中的n个数据子集放入训练框架中，随后将划分的子集进行不同方法的训练迭代n次后进行均值计算得到；随后将获得到的数据保存至
Figure 357522DEST_PATH_IMAGE001
；利用最小均方误差算法来得到信道响应数据，其MMSE目标函数为
Figure DEST_PATH_IMAGE009
:
Figure DEST_PATH_IMAGE011
Figure DEST_PATH_IMAGE013
其中
Figure 998719DEST_PATH_IMAGE014
为通过算法要求得的矩阵：
Figure DEST_PATH_IMAGE015
Figure DEST_PATH_IMAGE017
通过求其导数来计算出
Figure 340708DEST_PATH_IMAGE018
，
Figure DEST_PATH_IMAGE019
值可以将其一阶导数置为0，求出
Figure 282119DEST_PATH_IMAGE019
：
Figure DEST_PATH_IMAGE021
Figure 864410DEST_PATH_IMAGE022
L{
Figure DEST_PATH_IMAGE023
Figure DEST_PATH_IMAGE025
其中
Figure 524061DEST_PATH_IMAGE026
为***导频处的值，
Figure DEST_PATH_IMAGE027
，其中
Figure 171206DEST_PATH_IMAGE028
为自相关矩阵，计算得到
Figure 498282DEST_PATH_IMAGE009
：
Figure 985895DEST_PATH_IMAGE030
通过上述步骤将得到仿真数据集和信道响应数据，其两部分数据一起输入深度神经网络进行下一步的迭代训练和学习信道特性，以此来更好的估计出信道状态信息。
3.根据权利要求1所述的基于数据驱动的深度神经网络信道估计方法和***，其特征包括所述（2）（4）：
将数据样本及数据集作为深度神经网络监督预测信道模型后，通过隐藏层的不断学习信道特性及参数，拟合非线性数据并输出拟合后的数据作为下一层神经元的输入，不断反复学习，得到系数矩阵
Figure DEST_PATH_IMAGE031
和偏置向量
Figure 867263DEST_PATH_IMAGE032
后输出最终结果；其中数据样本为最小均方误差算法得到的信道响应矩阵
Figure 160841DEST_PATH_IMAGE009
和数据集为
Figure 794954DEST_PATH_IMAGE001
，两部分作为一个整体数据输入深度神经网络，经过隐藏层中神经元的加权求和以及下层节点的输出与上层节点的输入之间通过激活函数来拟合非线性关系，该步骤为前向传播算法过程，对于隐藏层的第
Figure DEST_PATH_IMAGE033
个神经元输出：
Figure DEST_PATH_IMAGE035
式中
Figure 719047DEST_PATH_IMAGE031
为系数矩阵，
Figure 822133DEST_PATH_IMAGE032
为偏置向量，
Figure 653822DEST_PATH_IMAGE036
为第
Figure 158753DEST_PATH_IMAGE033
个神经元输出数据值，
Figure DEST_PATH_IMAGE037
作为激活函数：
Figure DEST_PATH_IMAGE039
将神经元的特征通过激活函数把特征映射出来，其将数据输出端输入到另一层的输入端，以此来加强神经元各层的非线性模型的映射能力、稀疏网络并且解决梯度消失问题。
4.根据权利要求1所述的基于数据驱动的深度神经网络信道估计方法和***，其特征包括所述（3）（4）：
将前线传播算法得到的系数矩阵
Figure 204813DEST_PATH_IMAGE031
和偏置向量
Figure 857511DEST_PATH_IMAGE032
通过损失函数来计算出相应的差值，为了让
Figure 430575DEST_PATH_IMAGE031
和
Figure 586750DEST_PATH_IMAGE032
以最小的差值接近样本实际输出，先使用损失函数优化最小化的极值，然后利用梯度下降算法多次迭代来实现后向传播算法优化最终极值的结果；其中对应的损失函数：
Figure 587067DEST_PATH_IMAGE040
，
Figure DEST_PATH_IMAGE041
式中r神经元的实际输出，a期望输出，
Figure 179591DEST_PATH_IMAGE031
系数矩阵，
Figure 556346DEST_PATH_IMAGE042
偏倚向量，对系数矩阵和偏倚向量求一阶偏导数：
Figure 832606DEST_PATH_IMAGE044
Figure 269404DEST_PATH_IMAGE046
将迭代后的
Figure 568798DEST_PATH_IMAGE031
系数矩阵，
Figure 545982DEST_PATH_IMAGE042
偏倚向量求解：
Figure 365164DEST_PATH_IMAGE048
Figure 769601DEST_PATH_IMAGE050
5.根据权利要求4所述的基于数据驱动的深度神经网络信道估计方法和***，其特征包括：
将
Figure 556291DEST_PATH_IMAGE031
系数矩阵，
Figure 71586DEST_PATH_IMAGE042
偏倚向量得到后，通过该值来求解出输出层的第
Figure DEST_PATH_IMAGE051
个神经元输出值
Figure 728964DEST_PATH_IMAGE052
：
Figure DEST_PATH_IMAGE053
，
Figure 756831DEST_PATH_IMAGE054
式中
Figure DEST_PATH_IMAGE055
为目标值，
Figure 296397DEST_PATH_IMAGE056
隐藏层输出，
Figure DEST_PATH_IMAGE057
为输入向量,
Figure 818645DEST_PATH_IMAGE058
向量矩阵，将
Figure DEST_PATH_IMAGE059
层
Figure 127267DEST_PATH_IMAGE060
作为一个向量：
Figure DEST_PATH_IMAGE061
，更新
Figure 107728DEST_PATH_IMAGE052
：
Figure DEST_PATH_IMAGE063
Figure 869011DEST_PATH_IMAGE064
=
Figure DEST_PATH_IMAGE065
式中E为平方和误差，
Figure 194950DEST_PATH_IMAGE066
，
Figure 92499DEST_PATH_IMAGE055
分别为输出值、目标期望值，最后可得到输出层第
Figure DEST_PATH_IMAGE067
层的第
Figure 462169DEST_PATH_IMAGE051
个输出：
Figure DEST_PATH_IMAGE069
6.根据权利要求1所述的基于数据驱动的深度神经网络信道估计方法和***，其特征包括所述（5）：
数据集输入深度神经网络前线传播算法进行训练测试后，将得到的结果进行误差计算后重新输入神经网络进行反向传播迭代更新系数矩阵及偏倚向量，为了防止出现过度拟合的发生，利用拒绝策略（Dropout）来解决该问题；利用伯努利函数产生随机随机概率向量
Figure 976327DEST_PATH_IMAGE070
，其值
Figure DEST_PATH_IMAGE071
,引入丢失率
Figure 105957DEST_PATH_IMAGE072
，
Figure DEST_PATH_IMAGE073
, Dropout策略具有正则化效果，其单个神经元被删除的期望为：
Figure 123592DEST_PATH_IMAGE074
式中
Figure 165628DEST_PATH_IMAGE031
为系数矩阵，
Figure DEST_PATH_IMAGE075
为输入向量，通过丢失率参数来解决深度神经网络训练中，神经元被激活的个数，来解决网络***资源消耗过大、过度拟合的问题。
CN202111637126.6A 2021-12-30 2021-12-30 一种基于数据驱动的深度神经网络信道估计方法及*** Pending CN114650199A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111637126.6A CN114650199A (zh) 2021-12-30 2021-12-30 一种基于数据驱动的深度神经网络信道估计方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111637126.6A CN114650199A (zh) 2021-12-30 2021-12-30 一种基于数据驱动的深度神经网络信道估计方法及***

Publications (1)

Publication Number Publication Date
CN114650199A true CN114650199A (zh) 2022-06-21

Family

ID=81994005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111637126.6A Pending CN114650199A (zh) 2021-12-30 2021-12-30 一种基于数据驱动的深度神经网络信道估计方法及***

Country Status (1)

Country Link
CN (1) CN114650199A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115438592A (zh) * 2022-11-08 2022-12-06 成都中科合迅科技有限公司 基于***工程的工业研发设计数据建模方法
CN117236900A (zh) * 2023-10-23 2023-12-15 广东电网有限责任公司 基于流程自动化的个税数据处理方法及***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040208254A1 (en) * 2003-04-21 2004-10-21 Samsung Electronics Co., Ltd. Method and apparatus for estimating a signal sequence in a MIMO-OFDM mobile communication system
CN109391315A (zh) * 2018-09-13 2019-02-26 东南大学 一种数据模型双驱动的mimo接收机
CN112182961A (zh) * 2020-09-23 2021-01-05 中国南方电网有限责任公司超高压输电公司 一种换流站无线网络信道大尺度衰落建模预测方法
CN112600772A (zh) * 2020-12-09 2021-04-02 齐鲁工业大学 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法
CN113472706A (zh) * 2021-07-12 2021-10-01 南京大学 一种基于深度神经网络的mimo-ofdm***信道估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040208254A1 (en) * 2003-04-21 2004-10-21 Samsung Electronics Co., Ltd. Method and apparatus for estimating a signal sequence in a MIMO-OFDM mobile communication system
CN109391315A (zh) * 2018-09-13 2019-02-26 东南大学 一种数据模型双驱动的mimo接收机
CN112182961A (zh) * 2020-09-23 2021-01-05 中国南方电网有限责任公司超高压输电公司 一种换流站无线网络信道大尺度衰落建模预测方法
CN112600772A (zh) * 2020-12-09 2021-04-02 齐鲁工业大学 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法
CN113472706A (zh) * 2021-07-12 2021-10-01 南京大学 一种基于深度神经网络的mimo-ofdm***信道估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵鹏;赵昆;贺英;: "MIMO-OFDM***中信道估计方法研究", 黑龙江科技信息, no. 17, pages 88 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115438592A (zh) * 2022-11-08 2022-12-06 成都中科合迅科技有限公司 基于***工程的工业研发设计数据建模方法
CN115438592B (zh) * 2022-11-08 2023-01-24 成都中科合迅科技有限公司 基于***工程的工业研发设计数据建模方法
CN117236900A (zh) * 2023-10-23 2023-12-15 广东电网有限责任公司 基于流程自动化的个税数据处理方法及***
CN117236900B (zh) * 2023-10-23 2024-03-29 广东电网有限责任公司 基于流程自动化的个税数据处理方法及***

Similar Documents

Publication Publication Date Title
CN113472706B (zh) 一种基于深度神经网络的mimo-ofdm***信道估计方法
CN111464465B (zh) 一种基于集成神经网络模型的信道估计方法
CN109993280B (zh) 一种基于深度学习的水下声源定位方法
CN108566257B (zh) 一种基于反向传播神经网络的信号恢复方法
CN106059972B (zh) 一种基于机器学习算法的mimo相关信道下的调制识别方法
CN112637093B (zh) 一种基于模型驱动深度学习的信号检测方法
Ozpoyraz et al. Deep learning-aided 6G wireless networks: A comprehensive survey of revolutionary PHY architectures
CN114650199A (zh) 一种基于数据驱动的深度神经网络信道估计方法及***
CN108768585B (zh) 基于深度学习的上行免信令非正交多址接入noma***多用户检测方法
CN110336594B (zh) 一种基于共轭梯度下降法的深度学习信号检测方法
CN109246038A (zh) 一种数据模型双驱动的gfdm接收机及方法
CN108964725B (zh) 时变大规模mimo网络中信道参数的稀疏估计方法
CN111614584B (zh) 基于神经网络的变换域自适应滤波信道估计方法
CN112054832B (zh) 一种深度学习多输入多输出检测方法
CN103312422B (zh) 一种基于人工鱼群算法的信号盲检测方法
CN116192209A (zh) 一种mimo信道下空中计算联邦学习的梯度上传方法
Zhang et al. On the performance of deep neural network aided channel estimation for underwater acoustic OFDM communications
CN110808932B (zh) 基于多分布测试数据融合的多层感知器快速调制识别方法
CN113037668B (zh) 一种毫米波点对点通信信道均衡方法
CN113285902B (zh) 一种ofdm***检测器设计方法
CN113794660B (zh) 面向多输入多输出检测的模型驱动的深度神经网络方法
CN112422208B (zh) 未知信道模型下基于对抗式学习的信号检测方法
CN114759997B (zh) 一种基于数据模型双驱动的mimo***信号检测方法
Cheng et al. Enhanced channel estimation in OFDM systems with neural network technologies
Yıldırım et al. Deep receiver design for multi-carrier waveforms using cnns

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220621