天线阵列的信道估计制造技术

公开了一种用于天线阵列的信道估计的方法。该方法包括：接收由天线阵列发射的信号，通过使用所接收的信号获得针对信道估计而训练的神经网络模型，将所接收的信号的表示输入到神经网络模型中，并且生成针对所接收的信号的信道估计，以及决定是否采用另一神经网络模型以用于信道估计。以用于信道估计。以用于信道估计。

【技术实现步骤摘要】
【国外来华专利技术】天线阵列的信道估计


[0001]本公开涉及天线阵列的信道估计。

技术介绍

[0002]精确的信道估计以及因此精确的信道状态信息(CSI)是物理(PHY)和介质访问控制(MAC)层中高级信号处理的关键技术先决条件。信道估计的目的是从接收信号向量“Y”中提取信道向量“H”，以便准确解码发射信号“X”。
[0003]用于天线阵列系统的传统信道估计方法使用设计为达到基本理论性能界限的统计系统模型。这种估计方法通常依赖于二阶信道统计，即空间协方差矩阵。已知基于机器学习的信道估计解决方案提供接近或甚至超过传统信道估计技术的信道估计性能，具有相对较低的计算复杂度并且不需要信道统计的明确知识。
[0004]然而，对于多天线阵列(例如在多输入/多输出(MIMO)通信系统中使用的多天线阵列)的信道估计仍然是有问题的，因为任何信道估计方法的计算复杂度随着阵列中天线的数量而急剧增加。这种计算复杂性可能使高级估计方法的实时处理具有挑战性。

技术实现思路

[0005]本公开的第一方面提供了一种用于天线阵列的信道估计的方法，该方法包括：接收由天线阵列发射的信号，通过使用所接收的信号获得针对信道估计而训练的神经网络模型，将所接收的信号的表示输入到神经网络模型中并生成针对所接收的信号的信道估计，以及决定是否使用另一神经网络模型以用于信道估计。
[0006]换言之，该方法涉及对天线阵列发射的信号进行采样，例如在时域中作为时间符号，或在频域中作为子载波。然后，获得被训练用于估计接收信号的信道的神经网络模型，即被训练用于与接收信号具有相同空间特性的信号的信道估计的神经网络模型，并且接收信号的样本被输入到神经网络模型中，从而预测接收信号的信道估计。然后可以将信道估计发射到接收发射的信号的接收设备的信号解码器，以允许对发射的信号进行准确解码。
[0007]在最后一步中，该方法涉及决定是否采用另一连续的神经网络模型进行信道估计任务。采用与神经网络模型连续的另一训练的神经网络模型，并将神经网络模型的信道估计输出作为输入，可以有利地提高信道估计任务的精度。然而，仅当计算资源允许执行另一神经网络模型时，才可以采用另一网络模型。
[0008]因此，所公开的方法有助于信道估计的迭代方案，由此连续的神经网络模型将先前神经网络模型的信道估计作为输入。可以预期每个连续的神经网络模型输出的信道估计的精度将逐渐增加。
[0009]这种迭代方案，特别是决定是否针对信道估计任务使用另一神经网络模型的步骤，允许该方法的计算复杂度易于适应执行该方法的设备的计算资源。例如，通常可能希望信道估计尽可能准确。然而，这种对信道估计精度的期望必须与用于运行每个神经网络模型的可用计算资源相平衡。当计算资源在多个用户设备之间共享时，这种平衡尤为重要
[0010]因为该方法的每次迭代都产生信道估计(取决于误差级别)，所以在任何迭代之后，可以终止推断过程并读取信道估计。备选地，如果需要提高信道估计的精度，并且如果有足够的计算资源可用，则可以执行该方法的另一迭代以提高信道估计精度。因此，所公开的方法允许信道估计任务的计算复杂性易于适应具有不同计算能力的广泛硬件平台。
[0011]在实施例中，该方法包括决定采用另一神经网络以用于信道估计，通过使用由神经网络模型生成的信道估计来获得针对信道估计而训练的另一神经网络模型，并将信道估计输入到另一神经网络模型中以生成针对所接收的信号的另一信道估计。
[0012]换言之，该方法可以包括，响应于应当针对信道估计任务部署另一连续的神经网络模型的决定，获得另一神经网络模型，使用由初始神经网络模型生成的信道估计来训练另一神经网络模型以进行信道估计，将初始神经网络模型的信道估计输入到另一神经网络模型中，并使用另一神经网络模型输出另一信道估计。因此，可以有利地预期由信道估计任务的第二迭代生成的另一信道估计比由第一迭代生成的信道估计更准确。
[0013]在实施例中，决定是否采用另一神经网络模型以用于信道估计包括：确定用于执行另一网络模型的操作的计算能力。
[0014]换言之，该方法可以包括评估在用于执行该方法的计算的计算设备上是否有足够的计算资源可用。这可以有利地确保仅当有足够的计算资源可用时才执行另一神经网络模型。当计算设备被用于执行多个用户设备的信道估计任务时，该确定可能是特别重要的，因为这可以允许在多个用户装备之间适当地分配可用的计算资源，以获得具有适当精度的多个信道估计。
[0015]在实施例中，获得神经网络模型包括使用经标记的输入数据训练用于信道估计的神经网络模型，在存储器中存储训练的神经网络模型的参数，并且从存储器中取回所存储的参数。换言之，该方法还可以包括使用经标记的训练数据作为输入来训练用于信道估计任务的神经网络模型的初始任务。因此，该训练步骤涉及训练与信道估计任务的第一迭代相关的初始神经网络模型。该训练可以“在线”执行，即在执行信道估计任务的计算设备上执行，也可以“离线”执行，即使用不同的计算设备。
[0016]在实施例中，获得另一神经网络模型包括使用神经网络模型的信道估计和输入数据的标签来训练另一神经网络模型，在存储器中存储训练的另一神经网络的参数，并从存储器中取回所存储的参数。换言之，该方法可以包括基于输入训练用于信道估计任务的另一神经网络模型，该输入是由初始神经网络模型生成的信道估计输出。类似地，该训练任务可以“在线”或“离线”执行
[0017]在实施例中，将接收的信号的表示输入到神经网络模型中包括：输入接收的信号的空间协方差矩阵表示。
[0018]在实施例中，获得神经网络模型包括使用与多个空间上不同的空间位置和/或不同SNR值的范围对应的经标记的输入数据来训练用于信道估计的神经网络模型，在存储器中存储训练的神经网络模型的参数，并从存储器中取回所存储的参数。
[0019]换言之，该方法可以包括训练神经网络模型，以便能够针对接收器的多个不同空间位置估计发射器(例如基站)和接收器(例如移动手持机)之间的通信信道。因此，由于神经网络模型适用于接收器的多个不同位置的信道估计，因此当选择神经网络模型用于推理步骤时，需要估计接收器的空间位置的精度降低。此外，由于神经网络模型跨越了一系列不
同的空间位置，因此需要训练和存储较少的神经网络模型以用于整个范围内的信道估计。结果，可以减少训练神经网络模型所需的时间和存储神经网络模型的存储容量。
[0020]在实施例中，该方法被部署用于二维天线阵列的信道估计，并且该方法包括接收由天线阵列的第一空间维度和天线阵列的第二空间维度发射的信号，获得针对天线阵列的第一空间维度的信道估计而训练的第一神经网络模型，以及针对阵列的第二空间维度的信道估计而训练的第二神经网络模型，将天线阵列的第一空间维度的接收的信号的表示输入到第一神经网络模型中，并生成阵列的第一空间维度的信道估计，以及将天线阵列的第二空间维度的接收的信号的表示输入到第二神经网络模型中，并生成天线阵列的第二空间维度的信道估计，以及组合天线阵列的第一空间维度和天线本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于天线阵列的信道估计的方法，所述方法包括：接收由所述天线阵列的第一空间维度和由所述天线阵列的第二空间维度发射的信号，通过使用所接收的所述信号获得针对所述天线阵列的所述第一空间维度的信道估计而训练的第一神经网络模型，以及针对所述阵列的所述第二空间维度的信道估计而训练的第二神经网络模型，将所接收的所述信号的、针对所述天线阵列的所述第一空间维度的表示输入到所述第一神经网络模型中，并且生成针对所述阵列的所述第一空间维度的信道估计，以及将所接收的所述信号的、针对所述天线阵列的所述第二空间维度的表示输入到所述第二神经网络模型中，并且生成针对所述天线阵列的所述第二空间维度的信道估计，将针对所述天线阵列的所述第一空间维度的所述信道估计与针对所述天线阵列的所述第二空间维度的所述信道估计组合以生成针对所述天线阵列的信道估计，以及决定是否采用另一神经网络模型以用于所述信道估计。2.根据权利要求1所述的方法，包括：决定采用另一神经网络以用于所述信道估计，通过使用由所述神经网络模型生成的所述信道估计来获得针对信道估计而训练的另一神经网络模型，以及将所述信道估计输入到所述另一神经网络模型中，以生成针对所接收的所述信号的另一信道估计。3.根据权利要求1或权利要求2所述的方法，其中决定是否采用另一神经网络模型以用于所述信道估计包括：确定用于执行另一神经网络模型的操作的计算能力。4.根据前述权利要求中任一项所述的方法，其中获得所述神经网络模型包括使用经标记的输入数据训练用于信道估计的神经网络模型，在存储器中存储经训练的所述神经网络模型的参数，以及从所述存储器取回所存储的所述参数。5.根据权利要求2至4中任一项所述的方法，其中获得所述另一神经网络模型包括使用所述神经网络模型的信道估计和所述输入数据的标签来训练另一神经网络模型，在存储器中存储经训练的所述另一神经网络的参数，以及从所述存储器取回所存储的所述参数。6.根据前述权利要求中任一项所述的方法，其中将所接收的所述信号的表示输入到所述神经网络模型中包括：输入所接收的所述信号的空间或样本协方差矩阵表示。7.根据前述权利要求中任一项所述的方法，其中获得所述神经网络模型包括：使用与多个空间上不同的空间位置对应的经标记的输入数据来训练用于信道估计的神经网络模型，在存储器中存储训练的所述神经网络模型的参数，并且从所述存储器中取回所存储的所述参数。8.根据权利要求1至7中任一项所述的方法，其中将针对所述天线阵列的所述第一空间维度的所述信道估计与针对所述天线阵列的所述第二空间维度的所述信道估计组...

【专利技术属性】
技术研发人员：陈晔健，S，
申请(专利权)人：诺基亚技术有限公司，
类型：发明
国别省市：