【技术实现步骤摘要】
本申请涉及无线通信，特别是涉及一种基于神经网络的毫米波mmimo信道估计方法和系统。
技术介绍
1、未来的无线通信系统需要极高的传输速率，以支持诸如高质量三维视频、虚拟现实和增强现实等新兴应用。通过在收发器上部署大量天线，并利用空间域中的额外自由度，大规模多输入多输出(multiple-input multiple-output，mimo)技术能够显著提高频谱效率和系统容量。另一方面，毫米波(mmwave)通信被认为是另一项关键支持技术，其巨大的可用带宽能够实现更高的吞吐量。由于这两种技术天然互补的特性，毫米波频段非常适合大规模mimo的部署。具体来说，毫米波的短波长使得在有限空间内集成大规模天线单元成为可能，而其严重的路径损耗和信号阻塞问题则可通过大规模mimo提供的高波束赋形增益进行有效补偿。
2、然而，在毫米波混合大规模mimo(mmimo)系统中，获取信道状态信息(channelstate information,csi)成为一项棘手的挑战。信道估计作为获取csi的手段，是解码数据包的整个处理链中的第一步。其目标是识别信道对发射无线信号所施加的复杂信号变换，这一变换通过数据包前导中的特殊信息位推断得出。在空间复用系统中，这种复杂变换通过csi来捕捉。了解csi使得发射端能够执行额外的预编码功能，以最大化信号能量在目标方向上的传输效果。因此，csi计算的延迟或错误会严重影响系统性能，csi估计的准确性对于系统中其他模块的性能至关重要。例如信号检测，csi反馈，csi预测和波束成形。
3、由于毫米波m
4、由于mmimo中的高维性，尤其是在涉及ofdm技术时，现有的大多数解决方案使用复杂而深层的架构来估计大型信道矩阵。这些解决方案将多维输入信号视为一个整体，通常需要额外的前或后估计步骤。虽然使用非常深的架构是一种增长趋势，但它们的复杂性通常限制了在功率和处理能力受限的边缘设备上的使用。
5、在低信噪比环境下，现有信道估计算法的抗噪性能有待提升。这些方法在训练过程中未能充分考虑低信噪比场景的特征，因此在实际应用中面对噪声和干扰时，性能较差。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种基于神经网络的毫米波mmimo信道估计方法和系统，能够减少计算复杂度，提高性能。
2、第一方面，本申请提供了一种基于神经网络的毫米波mmimo信道估计方法。所述方法包括：
3、用户设备接收基站的多个发射天线的发送信号的时域信号；
4、将各所述发射天线的发送信号的所述时域信号输入预先训练好的神经网络模型，得到通过所述神经网络模型预测的信道估计结果。
5、第二方面，本申请还提供了一种基于神经网络的毫米波mmimo信道估计系统。所述系统包括：
6、接收模块，用于接收基站的多个发射天线的发送信号的时域信号；
7、预测模块，用于将各所述发射天线的发送信号的所述时域信号输入预先训练好的神经网络模型，得到通过所述神经网络模型预测的信道估计结果。
8、上述基于神经网络的毫米波mmimo信道估计方法和系统，基于mimo-ofdm系统，用户设备接收基站的多个发射天线的发送信号的时域信号，将各发射天线的发送信号的时域信号输入预先训练好的神经网络模型，得到通过神经网络模型预测的信道估计结果。从而，该方法能够在不进行ofdm解调的情况下直接从接收到的时域信号中推断出csi。这种方法减少了需要处理的信号数量，从而降低了计算复杂度，特别适用于大带宽和大量子载波的系统。
本文档来自技高网...【技术保护点】
1.一种基于神经网络的毫米波mMIMO信道估计方法，其特征在于，包括：
2.根据权利要求1所述的基于神经网络的毫米波mMIMO信道估计方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的基于神经网络的毫米波mMIMO信道估计方法，其特征在于，所述时域信号包括长训练字段信号和与发射天线相关联的正交编码序列。
4.根据权利要求1所述的基于神经网络的毫米波mMIMO信道估计方法，其特征在于，各所述发射天线的发送信号的时域信号以复数形式表示，所述将各所述发射天线的发送信号的所述时域信号输入预先训练好的神经网络模型，得到通过所述神经网络模型预测的信道估计结果，包括：
5.根据权利要求1或4所述的基于神经网络的毫米波mMIMO信道估计方法，其特征在于，所述神经网络模型从输入端至输出端依次包括卷积层、注意力引导模块、第一残差收缩模块、第二残差收缩模块、第一全连接层和第二全连接层。
6.根据权利要求5所述的基于神经网络的毫米波mMIMO信道估计方法，其特征在于，所述注意力引导模块，从输入端至输出端依次包括卷积层、批量归一化层、全
7.根据权利要求5所述的基于神经网络的毫米波mMIMO信道估计方法，其特征在于，所述第一残差收缩模块和第二残差收缩模块均从输入至输出端依次包括卷积层、批量归一化层、ReLU激活函数以及软阈值化处理子网；所述软阈值化处理子网用于自适应地调整阈值。
8.一种基于神经网络的毫米波mMIMO信道估计系统，其特征在于，所述系统包括：
9.根据权利要求8所述的基于神经网络的毫米波mMIMO信道估计系统，其特征在于，所述系统还包括：
10.根据权利要求8所述的基于神经网络的毫米波mMIMO信道估计系统，其特征在于，各所述发射天线的发送信号的时域信号以复数形式表示，所述预测模块，包括：
...【技术特征摘要】
1.一种基于神经网络的毫米波mmimo信道估计方法，其特征在于，包括：
2.根据权利要求1所述的基于神经网络的毫米波mmimo信道估计方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的基于神经网络的毫米波mmimo信道估计方法，其特征在于，所述时域信号包括长训练字段信号和与发射天线相关联的正交编码序列。
4.根据权利要求1所述的基于神经网络的毫米波mmimo信道估计方法，其特征在于，各所述发射天线的发送信号的时域信号以复数形式表示，所述将各所述发射天线的发送信号的所述时域信号输入预先训练好的神经网络模型，得到通过所述神经网络模型预测的信道估计结果，包括：
5.根据权利要求1或4所述的基于神经网络的毫米波mmimo信道估计方法，其特征在于，所述神经网络模型从输入端至输出端依次包括卷积层、注意力引导模块、第一残差收缩模块、第二残差收缩模块、第一全连接层和第二全...
【专利技术属性】
技术研发人员：谷志茹，毛麒云，陈顺科，胡久松，黎朝晖，石伟，罗沛，曾茜，夏天，蒋广东，
申请(专利权)人：湖南工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。