Document
拖动滑块完成拼图
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种基于深度神经网络的智能MMSE信道估计方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:中国电子科技集团公司第五十四研究所

摘要:本发明公开了一种基于深度神经网络的智能MMSE信道估计方法,属于大规模MIMO对流层散射通信技术领域。其包括:时隙平均方法对信道协方差矩阵粗估计、基于矩阵位置标定的关键元素提取、用于数据精炼的深度神经网络的构造与训练、用于估计协方差矩阵关键元素的深度神经网络的构造与训练、信道协方差矩阵的恢复、将恢复后的信道协方差矩阵作为MMSE算法的信道先验信息获得信道系数估计值。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。

主权项:1.一种基于深度神经网络的智能MMSE信道估计方法,其特征在于,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Ryy的估计值 其中,yi表示第i帧接收信号,yiH表示第i帧接收信号的共轭转置;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-1表示导频矩阵的逆,XH表示导频矩阵的共轭转置,表示噪声方差,I表示单位矩阵;2对信道协方差矩阵Rhh关键元素的位置进行标定,提取中相同位置的元素使用不同相关性、不同信噪比下的分别作为输入样本、目标输出样本,构造样本数据si: 其中,SNRi表示第i个样本数据的信噪比,d0表示相邻天线阵元的最小间隔,表示第i个样本数据的第k倍d0间距天线阵元间的相关系数,表示第i个样本数据的中对应位置的元素;使用样本数据si构造训练集U1;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U1对精炼子网进行训练,得到训练好的精炼子网;4精炼子网的输出为使用作为输入样本,使用Rhh关键元素的底数α作为目标输出样本,构造样本数据gi: 其中,d0表示相邻天线阵元的最小间隔,表示精炼子网输出的第i个样本数据;使用样本数据gi构造训练集U2;5使用深度神经网络构造估计子网,估计子网用于估计Rhh关键元素的底数α;所述估计子网由2个隐含层级联而成,分别含有10和5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U2对估计子网进行训练,得到训练好的估计子网;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再按照步骤2的方式从Rhh关键元素的标定位置分批提取中相同位置的元素直接输入估计网络;7根据估计网络的输出得到发送端、接收端的相关矩阵估计值 其中,di,j为的幂次,表示天线阵列中阵元i和阵元j之间的距离;然后根据恢复出信道协方差矩阵的估计值其中,为信道相关矩阵的估计值,β为功率因子,通过实际测试获得;8将作为信道先验信息,使用MMSE信道估计方法获得信道矩阵H的估计值 其中,表示用恢复出信道协防差矩阵的估计值,X表示导频矩阵,XH表示导频矩阵的共轭转置,表示噪声方差,I表示单位矩阵,Y表示接收导频矩阵;完成大规模MIMO对流层散射通信系统的信道估计。

全文数据:

权利要求:

百度查询: 中国电子科技集团公司第五十四研究所 一种基于深度神经网络的智能MMSE信道估计方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。