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：江苏师范大学

摘要：本发明提出一种基于改进的生成对抗网络的单比特MIMO信道估计方法，涉及无线通信技术领域。具体步骤包括：首先，计算信道矢量，组成信道矩阵，计算量化信号矩阵，制作数据集，并将其划分为训练集和测试集；然后，设计一种改进的生成对抗网络，该生成对抗网络的生成器涉及一种改进的U型网络，该生成对抗网络的判别器为一种改进的卷积神经网络；其次，设计一种改进的组合损失函数，并以该改进的组合损失函数作为目标函数分别对改进的生成对抗网络中的生成器和判别器进行参数优化；最后，分别用训练集和测试集对改进的生成对抗网络进行训练和测试，并对本发明所提出的信道估计方法的性能进行评价。经过实验验证，针对单比特大规模MIMO系统的信道估计问题，本发明所提出的改进的生成对抗网络具有较好的信道估计性能。

主权项：1.一种基于改进的生成对抗网络的单比特MIMO信道估计方法，其特征在于包括以下步骤：A：计算信道矢量，组成信道矩阵，计算量化信号矩阵，制作数据集，并将其划分为训练集和测试集，所述步骤A具体包含以下步骤：A1：计算信道矢量；利用公式计算信道矢量M表示基站天线数，信道矢量hk的计算公式为： 式1中，L和K分别表示信道路径数和子载波数，l和k分别表示第l条路径和第k个子载波，Pl表示与第l条路径损耗相关的路径接收功率，φl和λl分别表示第l条路径的相位和传播延迟，B表示系统带宽，αl,k和βl,k分别表示与第l条路径、第k个子载波所对应的方位角和仰角，aαl,k,βl,k表示导向矢量steeringvector，导向矢量的计算公式为：aαl,k,βl,k＝[1,aαl,k,βl,k,…,aM-1αl,k,βl,k]T2式2中，上标·T表示转置运算符，aαl,k,βl,k表示导向分量，导向分量的计算公式为：aαl,k,βl,k＝expjk·dAS·cosαl,k·sinβl,k3式3中，dAS表示天线间距antennaspacing；A2：组成信道矩阵；利用信道矢量组成信道矩阵信道矩阵H的计算公式为：H＝[h1,…,hk,…,hK]4A3：计算量化信号矩阵；根据信道矩阵和导频信号矩阵计算量化信号矩阵量化信号矩阵Y的计算公式为：Y＝sgnHΦ+N5式5中，表示导频信号矩阵，τ表示导频信号的长度，表示噪声矩阵，噪声矩阵中的元素服从高斯分布，sgn·表示符号函数，可以分别处理复变量的实部和虚部，符号函数的计算公式为： 根据式6，由量化信号矩阵Y中的元素所组成的集合为{1+j,1-j,-1+j,-1-j}；A4：制作数据集，并将其划分为训练集和测试集；根据不同用户所对应的位置信息，将计算所得的所有信道矩阵H和量化信号矩阵Y组成数据集，并按照8:2的比例将数据集划分为训练集和测试集；B：设计一种改进的生成对抗网络，该生成对抗网络的生成器涉及一种改进的U型网络，该生成对抗网络的判别器为一种改进的卷积神经网络，所述步骤B具体包含以下步骤：B1：设计一种改进的生成对抗网络；该改进的生成对抗网络由生成器和判别器组成，生成器学习从量化信号矩阵Y到信道矩阵H的映射，从而生成近似信道矩阵并将其作为对信道矩阵H的估计，判别器对生成器输出的近似信道矩阵进行判别；B2：生成对抗网络的生成器涉及一种改进的U型网络；生成器中包含预处理模块Pre-processingModule、U型网络模块U-NetModule和输出模块，预处理模块被用于特征缩放以使输入特征与输出特征的尺寸相匹配，U型网络模块由编码器Encoder和解码器Decoder组成，输出模块负责输出近似信道矩阵；预处理模块由一个卷积层ConvolutionLayer、一个批量归一化层BatchNormalizationLayer和一个线性整流函数层ReLULayer组成，负责接收量化信号矩阵Y；U型网络模块中的编码器由四个编码子模块组成，解码器由五个解码子模块组成，负责接收预处理模块的输出，所有的编码子模块均由两个卷积层和一个池化融合模块PoolingFusionModule组成，池化融合模块由最大池化层Max-poolingLayer、平均池化层Avg-poolingLayer和L2池化层L2-poolingLayer组成，实现了对局部信息的提取及对噪声的抑制；第一个解码子模块由两个卷积层和一个双线性插值层BilinearInterpolationLayer组成，随后四个解码子模块均由一个压缩激励与深度可分离卷积模块Squeeze-and-ExcitationandDepth-wiseSeparableConvolution，SE-DSCModule、两个卷积层和一个双线性插值层组成，压缩激励与深度可分离卷积模块的上层由一个全局平均池化层GlobalAvg-poolingLayer、两个全连接层FullyConnectedLayer层和一个Sigmoid激活函数层组成，压缩激励与深度可分离卷积模块的下层由一个全局最大池化层GlobalMax-poolingLayer、一个逐通道卷积层Depth-wiseConvolutionLayer、一个逐点卷积层Point-wiseConvolutionLayer和一个Sigmoid激活函数层组成，额外添加的压缩激励与深度可分离卷积模块被用于接收拼接Concatenate后的特征，实现了对通道信息和空间信息的提取；编码器和解码器中所有的卷积层的卷积核大小为k＝3×3，步长为s＝1，编码子模块的通道数依次为f＝64、128、256、512，解码子模块的通道数依次为f＝512、256、128、64、64；输出模块由一个卷积核大小为k＝1×1，步长为s＝1，通道数为f＝2的卷积层所组成，负责接收U型网络模块的输出，并输出近似信道矩阵B3：生成对抗网络的判别器为一种改进的卷积神经网络；判别器由四个金字塔膨胀卷积模块PyramidDilatedConvolutionModule和两个卷积层组成，金字塔膨胀卷积模块涉及五个膨胀卷积层DilatedConvolutionLayer、五个跨越链接SkipConnection、一个泄露线性整流函数层LeakyReLULayer以及一个实例标准化层InstanceNormalizationLayer；膨胀卷积层所对应的膨胀卷积具有不同膨胀系数d，膨胀系数依次为d∈{1,2,3,4,5}，实现了对不同空间分辨率信息的提取，对膨胀卷积层和跨越链接的输出进行加和，并将该加和作为后续泄露线性整流函数层的输入；两个卷积层的卷积核大小为k＝4×4，步长为s＝1，通道数依次为f＝512、1，实现了判别器对生成器输出的近似信道矩阵的判别；C：设计一种改进的组合损失函数，并以该改进的组合损失函数作为目标函数分别对改进的生成对抗网络中的生成器和判别器进行参数优化，所述步骤C具体包含以下步骤：C1：设计一种改进的组合损失函数；该改进的组合损失函数由生成对抗网络的损失和Huber损失组成，用于减少训练过程中的信息丢失，改进的组合损失函数的计算公式为： 式7中，λH表示Huber损失的权重参数；生成对抗网络的损失的计算公式为： 式8中，E·表示统计期望运算符，表示判别器所涉及的参数，表示由参数化的判别器，旨在区分真实信道矩阵H和近似信道矩阵近似信道矩阵由生成器输出，计算公式为： 式9中，ψ表示生成器所涉及的参数，Gψ表示由ψ参数化的生成器，旨在生成与真实信道矩阵H尽可能相似的近似信道矩阵Huber损失的计算公式为： 式10中，下标m和k分别表示行索引和列索引，式11中，δ表示阈值，h和表示真实信道矩阵H和近似信道矩阵中的元素；C2：以该改进的组合损失函数作为目标函数分别对改进的生成对抗网络中的生成器和判别器进行参数优化；该参数优化过程可以表示为： D：分别用训练集和测试集对改进的生成对抗网络进行训练和测试，并对本发明所提出的信道估计方法的性能进行评价，所述步骤D具体包含以下步骤：D1：用训练集对改进的生成对抗网络进行训练；生成器学习从量化信号矩阵Y到信道矩阵H的映射，并根据量化信号矩阵Y生成近似信道矩阵判别器对近似信道矩阵进行判别，经过多次训练，实现改进的生成对抗网络中的生成器和判别器间的纳什均衡；D2：用测试集对改进的生成对抗网络进行测试，并对本发明所提出的信道估计方法的性能进行评价；将测试集中的量化信号矩阵Y输入到改进的生成对抗网络中的生成器以生成近似信道矩阵计算测试集中真实信道矩阵H与生成的近似信道矩阵间的归一化均方误差，并用归一化均方误差NMSE作为评价指标对本发明所提出的信道估计方法的性能进行评价，归一化均方误差NMSE的计算公式为： 式13的计算结果的单位是分贝dB，||·||2表示L2范数运算符。

全文数据：

权利要求：

百度查询： 江苏师范大学 一种基于改进的生成对抗网络的单比特MIMO信道估计方法