信道估计模型的训练方法、信道估计方法、装置及设备制造方法及图纸

本公开提供了一种信道估计模型的训练方法、信道估计方法、装置及设备，训练方法包括：对所述原始信号进行采样和融合以得到样本信号；获取样本信号对应的自相关信号；确定样本信号的伪标签数据；基于样本信号、自相关信号、伪标签数据和预设的第一损失函数迭代训练初始信道估计模型，得到第一信道估计模型；基于样本信号、自相关信号和预设的第二损失函数迭代训练第一信道估计模型，得到目标信道估计模型。上述训练方法不再受限于传统方法中的相关信源和信道强假设的限制，还降低了训练成本；而且，使用了两个不同的训练过程对模型进行训练，并配置了不同的损失函数，确保了信道估计模型的准确性和稳定性。模型的准确性和稳定性。模型的准确性和稳定性。

Training method, channel estimation method, device and equipment of channel estimation model

【技术实现步骤摘要】
信道估计模型的训练方法、信道估计方法、装置及设备


[0001]本公开涉及人工智能
，具体涉及一种信道估计模型的训练方法、信道估计方法、装置及设备。

技术介绍

[0002]信道估计是指在通信领域，从信道接收到的信号中将假定的某个信道模型的模型参数估计出来的过程。而估计的准确性决定了通信双方对于信息传输环境的认知程度，因此，信道估计的精度将直接影响整个通信系统的性能与通信质量。然而，现有的信道估计方式通常存在诸多的受限条件，无法灵活有效地使用。

技术实现思路

[0003]本公开提供了一种信道估计模型的训练方法、信道估计方法、装置及设备。
[0004]根据本公开的第一方面，提供了一种信道估计模型的训练方法，包括：
[0005]获取通过目标信道传输的原始信号，对原始信号进行采样和融合以得到样本信号，其中，原始信号包含多种类型的待估计信道参数；
[0006]获取样本信号对应的自相关信号；
[0007]确定样本信号的伪标签数据，其中，伪标签数据包括多种类型的待估计信道参数中的预设类型的待估计信道参数的期望值；
[0008]基于样本信号、自相关信号、伪标签数据和预设的第一损失函数迭代训练初始信道估计模型，得到第一信道估计模型；其中，初始信道估计模型为预先构建的无监督神经网络模型，第一损失函数至少用于计算预设类型的待估计信道参数的期望值和估计值之间的差异结果；
[0009]基于样本信号、自相关信号和预设的第二损失函数迭代训练第一信道估计模型，得到目标信道估计模型；其中，第二损失函数用于计算所有类型的待估计信道参数的实际值和估计值之间的融合差异结果。
[0010]在本公开实施例中，对所述原始信号进行采样和融合以得到样本信号，包括：
[0011]对原始信号的每个类型的待估计信道参数进行取样，得到每个类型的待估计信道参数的预设数量的信道参数采样值；
[0012]基于每个类型的待估计信道参数对应的信道参数采样值，生成预设数量的信道参数融合值，其中，每个信道参数融合值包括各个类型的待估计信道参数的一个信道参数采样值；
[0013]确定预先配置的加权矩阵、以及由预设数量的信道参数融合值组成的信道参数融合值组合；
[0014]基于信道参数融合值组合和加权矩阵生成样本信号；其中，样本信号表征为包括预设数量的子样本信号组成的矩阵。
[0015]在本公开实施例中，多种类型的待估计信道参数的包括信号到达角度；样本信号
表征为预设数量的子样本信号组成的矩阵；
[0016]确定样本信号的伪标签数据，包括：
[0017]针对样本信号中的每个子样本，从预设的伪标签参数集合中选取对应的目标到达角取值，伪标签参数集合包括多个由小至大排列的到达角取值；
[0018]基于子样本对应的目标到达角取值，通过预设的运算规则确定出子样本对应的中的信号到达角度对应的期望值。
[0019]在本公开实施例中，基于样本信号、自相关信号、伪标签数据和预设的第一损失函数迭代训练初始信道估计模型，得到第一信道估计模型，包括：
[0020]步骤a：将样本信号和自相关信号输入至初始信道估计模型，基于初始信道估计模型输出至少包括预设类型的待估计信道参数的估计值的第一估计结果；
[0021]步骤b：基于伪标签数据、第一估计结果和预设的第一损失函数确定第一损失，其中，第一损失至少包括预设类型的待估计信道参数的期望值和估计值之间的差异结果；
[0022]步骤c：基于第一损失调整初始信道估计模型的参数；
[0023]迭代执行步骤a
‑
步骤c，得到第一信道估计模型。
[0024]在本公开实施例中，基于样本信号、自相关信号和预设的第二损失函数迭代训练第一信道估计模型，得到目标信道估计模型，包括：
[0025]步骤d：将样本信号和自相关信号输入至第一信道估计模型，基于第一信道估计模型输出包括所有类型的待估计信道参数的估计值的第二估计结果；
[0026]步骤e：基于样本信号、第二估计结果和预设的第二损失函数确定第二损失，其中，第二损失至少包括所有类型的待估计信道参数的实际值和估计值之间的融合差异结果；
[0027]步骤f：基于第二损失调整第一信道估计模型的参数；
[0028]迭代执行步骤d
‑
步骤f，得到目标信道估计模型。
[0029]根据本公开的第二方面，提供了一种信道估计方法，包括：
[0030]获取待进行信道估计的目标接收信号，目标接收信号包含多种类型的待估计信道参数；
[0031]将目标接收信号输入到目标信道估计模型，基于目标信道估计模型得到目标接收信号的信道估计结果，其中，目标信道估计模型是根据上述第一方面提供的信道估计模型的训练方法训练得到的。
[0032]根据本公开的第三方面，提供了一种信道估计模型的训练装置，包括：
[0033]原始信号处理模块，用于获取通过目标信道传输的原始信号，对原始信号进行采样和融合以得到样本信号，其中，原始信号包含多种类型的待估计信道参数；
[0034]自相关信号获取模块，用于获取样本信号对应的自相关信号；
[0035]伪标签确定模块，用于确定样本信号的伪标签数据，其中，伪标签数据包括多种类型的待估计信道参数中的预设类型的待估计信道参数的期望值；
[0036]初始训练模块，用于基于样本信号、自相关信号、伪标签数据和预设的第一损失函数迭代训练初始信道估计模型，得到第一信道估计模型；其中，初始信道估计模型为预先构建的无监督神经网络模型，第一损失函数至少用于计算预设类型的待估计信道参数的期望值和估计值之间的差异结果；
[0037]优化训练模块，用于基于样本信号、自相关信号和预设的第二损失函数迭代训练
第一信道估计模型，得到目标信道估计模型；其中，第二损失函数用于计算所有类型的待估计信道参数的实际值和估计值之间的融合差异结果。
[0038]在本公开实施例中，原始信号处理模块在用于对所述原始信号进行采样和融合以得到样本信号时，具体用于：
[0039]对原始信号的每个类型的待估计信道参数进行取样，得到每个类型的待估计信道参数的预设数量的信道参数采样值；
[0040]基于每个类型的待估计信道参数对应的信道参数采样值，生成预设数量的信道参数融合值，其中，每个信道参数融合值包括各个类型的待估计信道参数的一个信道参数采样值；
[0041]确定预先配置的加权矩阵、以及由预设数量的信道参数融合值组成的信道参数融合值组合；
[0042]基于信道参数融合值组合和加权矩阵生成样本信号；其中，样本信号表征为包括预设数量的子样本信号组成的矩阵。
[0043]在本公开实施例中，多种类型的待估计信道参数的包括信号到达角度；样本信号表征为预设数量的子样本信号组成的矩阵；
[0044]伪标签确定模块在用于确定样本信号的伪标签数据时，具体用于：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信道估计模型的训练方法，包括：获取通过目标信道传输的原始信号，对所述原始信号进行采样和融合以得到样本信号，其中，所述原始信号包含多种类型的待估计信道参数；获取所述样本信号对应的自相关信号；确定所述样本信号的伪标签数据，其中，所述伪标签数据包括所述多种类型的待估计信道参数中的预设类型的待估计信道参数的期望值；基于所述样本信号、所述自相关信号、所述伪标签数据和预设的第一损失函数迭代训练初始信道估计模型，得到第一信道估计模型；其中，所述初始信道估计模型为预先构建的无监督神经网络模型，所述第一损失函数至少用于计算所述预设类型的待估计信道参数的期望值和估计值之间的差异结果；基于所述样本信号、所述自相关信号和预设的第二损失函数迭代训练所述第一信道估计模型，得到目标信道估计模型；其中，所述第二损失函数用于计算所有类型的待估计信道参数的实际值和估计值之间的融合差异结果。2.根据权利要求1所述的方法，其特征在于，所述对所述原始信号进行采样和融合以得到样本信号，包括：对原始信号的每个类型的待估计信道参数进行取样，得到每个类型的待估计信道参数的预设数量的信道参数采样值；基于每个类型的待估计信道参数对应的信道参数采样值，生成所述预设数量的信道参数融合值，其中，每个所述信道参数融合值包括各个类型的待估计信道参数的一个信道参数采样值；确定预先配置的加权矩阵、以及由所述预设数量的信道参数融合值组成的信道参数融合值组合；基于所述信道参数融合值组合和所述加权矩阵生成样本信号；其中，所述样本信号表征为包括所述预设数量的子样本信号组成的矩阵。3.根据权利要求1所述的方法，其特征在于，所述多种类型的待估计信道参数的包括信号到达角度；所述样本信号表征为预设数量的子样本信号组成的矩阵；所述确定所述样本信号的伪标签数据，包括：针对所述样本信号中的每个子样本，从预设的伪标签参数集合中选取对应的目标到达角取值，所述伪标签参数集合包括多个由小至大排列的到达角取值；基于所述子样本对应的目标到达角取值，通过预设的运算规则确定出所述子样本对应的中的信号到达角度对应的期望值。4.根据权利要求1所述的方法，其特征在于，所述基于所述样本信号、所述自相关信号、所述伪标签数据和预设的第一损失函数迭代训练初始信道估计模型，得到第一信道估计模型，包括：步骤a：将所述样本信号和所述自相关信号输入至初始信道估计模型，基于所述初始信道估计模型输出至少包括所述预设类型的待估计信道参数的估计值的第一估计结果；步骤b：基于所述伪标签数据、所述第一估计结果和预设的第一损失函数确定第一损失，其中，所述第一损失至少包括所述预设类型的待估计信道参数的期望值和估计值之间的差异结果；
步骤c：基于所述第一损失调整所述初始信道估计模型的参数；迭代执行步骤a
‑
步骤c，得到第一信道估计模型。5.根据权利要求1所述的方法，其特征在于，所述基于所述样本信号、所述自相关信号和预设的第二损失函数迭代训练...

【专利技术属性】
技术研发人员：陈翔，朱佩敏，郭志恒，郭大杰，王玺钧，黄艳，张皓翔，
申请(专利权)人：中山大学，
类型：发明
国别省市：