技术领域
[0001] 本
申请涉及毫米波领域，具体地，涉及一种毫米波系统的波束空间信道估计方法及系统。
背景技术
[0002] 毫米波(Millimeter-Wave，mmWave)有很宽的频域(30-300GHz)，可以提供较宽的带宽和较高的
频谱效率，解决越来越多的设备接入
移动通信网络的问题[1]。同时，毫米波的
波长较长，天线之间的干扰较小，使得集成大型天线成为可能。将毫米波和大规模多输入多输出(Multiple-Input and Multiple-Output，MIMO)系统相结合，通过波束赋形形成高度定向性的窄带波束，可以减少毫米波的路径损耗。数字波束赋形虽然更灵活，功能更强，但每个输出都需要专用的射频链路，所以在需要大量天线的毫米波大规模MIMO系统中无法实现。考虑到成本和性能问题，在毫米波大规模MIMO系统中提出了更合适的混合波束赋形。因此，透镜天线阵列可以通过数字波束赋形和模拟波束赋形混合，以少量的射频链路来实现全数字、高性能的波束赋形方案。同时，毫米波透镜天线阵列具有稀疏性，可以大大降低复杂度并进一步改善性能，从而被广泛应用。在波束空间毫米波大规模MIMO系统中，信道估计对系统性能的影响至关重要且极具挑战性，特别是在天线透镜阵列较大且射频链路有限的情况下。近年来，关于信道估计的相关研究提出了很多
算法。在传统的算法中，提出的信道估计方案不仅适用于窄带和宽带通信，还适用于具有有限射频链的基于透镜天线阵列的毫米波大规模MIMO系统中的时分双工(Time-Division Duplexing，TDD)或频分双工(Frequency-Division Duplexing，FDD)系统。由于
压缩感知(Compressed Sensing，CS)可以对
信号进行重建，实现从无稀疏性到有稀疏性，且将不同的重建算法用于信道估计，例如
正交匹配
跟踪算法(Orthogonal Matching Pursuit，OMP)，压缩
采样匹配追踪算法(Compressive Sampling Matching Pursuit，CoSaMP)，子空间追踪算法(Subspace Pursuit，SP)，优先辅助压缩采样匹配追踪算法(Priority Aided CoSaMP，PA-CoSaMP)和基于多种算法的融合机制。
现有技术中提出了一种CS估计器，通过公平指数对任意信道向量的可压缩性进行评分。信道向量的公平指数越低，OMP执行的
迭代次数越少，信道估计器的误差越小。
[0003] 关于毫米波大规模MIMO系统中使用3D透镜天线阵列的相关研究大多采用了波束选择器和不同的算法。通过利用压缩感知并将问题分解为一系列子问题，解决了支持检测(Support Detection，SD)估计波束空间信道的问题。该算法的性能优于OMP算法。然而，SD算法没有利用路径的聚类特征，而是仅考虑信道的稀疏性。为了解决这个问题，现有技术中提出了基于稀疏非信息参数估计器的稀疏分析近似消息传递成像算法(Sparse non-informative parameter estimator-based Cosparse Analysis Approximate Message Passing for Imaging，SCAMPI)，考虑波束空间信道向量的稀疏性的同时，又考虑路径的聚类特征。SCAMPI算法将信道设置为通用混合(Generic Mixture,GM)概率分布，并利用
期望最大化算法(Expectation-Maximization，EM)学习参数。然而，SCAMPI算法使用图像重建的技术输出的结果过于平滑，且没有关注高频信号。因此，算法结果和实际数据之间仍然存在明显的差距。
[0004] 因此，如何提取噪声特征并高效地去除噪声，从而获得更好的信道估计性能，提高信道估计的准确性是需要解决的问题。
发明内容
[0005] 本申请的目的在于提供一种毫米波系统的波束空间信道估计方法及系统，通过构建具有更好去噪效果的全新全卷积去噪神经网络来提高信道估计的性能。通过噪声估计子网在获得信道噪声
水平估计图的
基础上，将信道噪声水平估计图和包含噪声的接收信号连接并输入到去噪子网中，实现高效的去噪，从而获得更高的信道估计
精度。
[0006] 为达到上述目的，本申请提供了一种毫米波系统的波束空间信道估计方法，具体包括以下步骤：构建信道模型，获取信道估计参数；根据信道估计参数对全卷积去噪神经网络进行训练；利用训练完成的全卷积去噪神经网络进行测试；输出测试后的信道估计值。
[0007] 如上的，其中，在构建信道模型前，还包括系统模型的构建，系统模型采用基于透镜天线阵列3D毫米波大规模MIMO系统的模型。
[0008] 如上的，其中，信道估计参数，该参数包括波束空间信道矩阵、波束空间信道向量、以 及从射频链路中选择的 信号；其中波束空间信道矩阵H具体表示为：(i)
MN是天线的数量，L以及L+1是路径的数量，g 是路径i的复路径增
益， 和 是平面波的方位
角和仰角， 是天线阵列响应矩阵；
[0009] 其中，在确定波束空间信道矩阵后，确定波束空间信道向量h，具体表示为：MN是天线的数量，L以及L+1是路径的数量，g(i)是路径i的复路径增
益， 和 是平面波的方位角和仰角， 是天线阵列响应向量；
[0010] 其中，选择网络矩阵从射频链路选择的信号r表示为：r＝W(hs+n)
[0011] 其中，s是在上行链路中从用户到基站的
导频信号，n是噪声向量，h是波束空间信道向量，MN是天线的数量,W表示选择网络矩阵。
[0012] 如上的，其中，据信道估计参数对全卷积去噪神经网络进行训练具体包括以下子步骤：预先设定总训练次数；向全卷积去噪神经网络中输入射频链路选择的信号和真实信道值，获取噪声水平估计值；根据噪声水平估计值获取全卷积去噪神经网络子网的非对称损失函数，进行噪声水平估计值的调整；将调整后的噪声水平估计值与导频信号输入去噪子网中，获取训练信道估计值；重新建立全卷积去噪神经网络子网的非对称损失函数；确定全卷积去噪神经网络的非对称损失函数，使全卷积去噪神经网络的非对称损失函数最小化；判断当前训练次数是否达到总训练次数，若达到则完成训练，否则继续训练。
[0013] 如上的，其中，全卷积去噪神经网络子网包括噪声估计子网CNNE和去噪子网CNND，将信号r和真实信道值h输入到噪声估计子网CNNE中进行噪声水平估计值 的提取，其中表示噪声估计子网的功能， 是噪声估计子网CNNE的函数，r表示从射频链路选择的信号，PE是CNNE的子网参数。
[0014] 如上的，其中，噪声估计子网CNNE的非对称损失函数 表示为：其中，α为可调参数，j为自然数，t为LAMP算法的迭代
次数， 表示在LAMP算法下的噪声水平估计值， 表示噪声的标准值， 表示若时，I的取值为1，否则为0；
[0015] 还包括，利用总变化量正则化器进行损失函数中的噪声水平图平滑度的约束，噪声估计子网CNNE的又一非对称损失函数 具体表示为： 其中， 为噪声水平估计值，表示求梯度，x表示沿着水平方向，y表示沿着竖直方向， 表示沿着 的水平方向求梯度， 表示沿着 的竖直方向求梯度。
[0016] 如上的，其中，用训练完成的全卷积去噪神经网络进行测试包括如下子步骤：进行测试参数的初始化；初始化后进行全卷积去噪神经网络的设置；根据设置后的全卷积去噪神经网络计算测试信道估计值。
[0017] 如上的，其中，其中在对全卷积去噪神经网络进行训练之前，还包括对信道估计参数进行
数据处理，利用LAMP算法得到第一信道估计值 其中第一信道估计值 具体表示为： 其中ωt表示选择网络矩阵W的调节参数，η表示LAMP算法中降噪器的函数，表示迭代过程中得到的某一次信道估计值，其中Ct为ωtW的共轭矩阵，W为选择网络矩阵，vt表示迭代过程中得到的信道估计值 对应的残余误差，αt是可调参数，M为天线的数量，t为LAMP算法的迭代次数。
[0018] 如上的，其中，利用训练后的全卷积去噪神经网络，对LAMP算法得到的第一信道估计值进行处理，得到第二信道估计值 具体表示为： 其中表示去噪子网CNND的函数， 是噪声估计子网CNNE的函数，PE是噪声估计子网CNNE的子网参数，PD是去噪子网CNND的子网参数， 表示迭代过程中得到的某一次信道估计值，其中Ct为ωtW的共轭矩阵，ωt表示选择网络矩阵W的调节参数，W表示选择网络矩阵，vt表示迭代过程中得到的信道估计值 对应的残余误差，t为LAMP算法的迭代次数。
[0019] 一种毫米波系统的波束空间信道估计系统，包括了估计处理器以及输出单元；估计处理器用于执行上述任一项所述的毫米波系统的波束空间信道估计方法；输出单元，用于进行信道估计值的输出。
[0020] 本申请具有以下有益效果：
[0021] 通过构建具有更好去噪效果的全新神经网络来提高信道估计的性能。通过噪声估计子网在获得信道噪声水平估计图的基础上，将信道噪声水平估计图和包含噪声的接收信号连接并输入到去噪子网中，实现高效的去噪，从而获得更高的信道估计精度。
附图说明
[0022] 为了更清楚地说明本申请
实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0023] 图1是根据本申请实施例提供的毫米波系统的波束空间信道估计方法的
流程图；
[0024] 图2是根据本申请实施例提供的毫米波系统的波束空间信道估计系统的内部结构图。
具体实施方式
[0025] 下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0026] 本申请涉及一种毫米波系统的波束空间信道估计方法及系统，结合深度
卷积神经网络，提取噪声特征并高效地去除噪声，从而获得更好的信道估计性能，提高信道估计的准确性。
[0027] 请参阅图1，图1为本申请提供的毫米波系统的波束空间信道估计方法流程图；
[0028] 本申请提供的毫米波系统的波束空间信道估计方法，具体包括以下步骤：
[0029] 步骤S110：构建信道模型，获取信道估计参数。
[0030] 具体地，在构建信道模型前，还包括系统模型的构建，其中采用基于透镜天线阵列3D毫米波大规模MIMO系统的模型，该模型适用于多用户系统，而且3DM×N天线阵列可以通过选择网络使用NRF(NRF≤M×N)条射频链为K个单天线用户提供服务。
[0031] 优选地，基于系统模型，本实施例中只分析单用户的情况，构建多径信道模型(Saleh-Valenzuela,S-V)，即假定对于每条传输路径，发射器和接收器之间只服务于一个用户。
[0032] 具体地，即根据M×N天线阵列、路径个数L以及用户个数K即可构建信道模型。其中上述模型的构建方法可参考现有技术中Saleh-Valenzuela信道模型的构建方法。
[0033] 进一步地，在信道模型构建完成后，获取信道估计参数，该参数包括波束空间信道矩阵、波束空间信道向量、以及从射频链路中选择的信号。
[0034] 其中波束空间信道矩阵具体表示为：
[0035]
[0036] 其中，MN是天线的数量，L以及L+1是路径的数量，g(i)是路径i的复路径增益， 和是平面波的方位角和仰角， 是天线阵列响应矩阵。
[0037] 在确定波束空间信道矩阵后，确定波束空间信道向量h，具体表示为：
[0038]
[0039] 其中，MN是天线的数量，L以及L+1是路径的数量，g(i)是路径i的复路径增益， 和是平面波的方位角和仰角， 是天线阵列响应向量。
[0040] 进一步地，选择选择网络矩阵 其中 表示实数，从射频链路选择的信号r(简称为“导频信号”)表示为：
[0041] r＝W(hs+n) (公式三)
[0042] 其中，s是在上行链路中从用户到基站的导频信号，n是噪声向量，h是波束空间信道向量，W表示选择网络矩阵，MN是天线的数量。
[0043] 再进一步地，本实施例中，设s＝1，从而选择网络矩阵 从射频链路选择的信号r表示为：
[0044]
[0045] 其中，是等效噪声， h是波束空间信道向量，W是选择网络矩阵。
[0046] 步骤S120：根据信道估计参数对全卷积去噪神经网络进行训练。
[0047] 具体地，步骤S120具体包括以下子步骤：
[0048] 步骤D1：向全卷积去噪神经网络中输入射频链路选择的信号和真实信道值，获取噪声水平估计值。
[0049] 具体地，其中全卷积去噪神经网络子网包括：噪声估计子网CNNE和去噪子网CNND。本步骤中将信号r和真实信道值h输入到噪声估计子网CNNE中进行噪声水平估计值 的提取。
[0050] 进一步地，利用噪声估计子网CNNE用来提取噪声特征 其中， 表示被估计的噪声水平子图， 是噪声估计子网的函数，PE是CNNE的子网参数，q表示噪声估计子网的输入。
[0051] 在全卷积去噪神经网络中，即表示为 且可以通过CNNE噪声水平估计值进一步具体表示为 其中 表示噪声估计子网的功能， 是噪声估计子网的函数，r表示从射频链路选择的信号，PE是CNNE的子网参数。
[0052] 步骤D2：根据噪声水平估计值获取全卷积去噪神经网络子网的非对称损失函数，进行噪声水平估计值的调整。
[0053] 其中对噪声水平估计值的调整具体为对其进行降噪。在降噪过程中，以及低
信噪比情况下，各种降噪算法的效果都不如在高信噪比情况下理想。为了利用非盲降噪中的不对称灵敏度，本实施例用非对称损失函数来避免噪声估计子网CNNE噪声严重的情况。
[0054] 优选地，利用LAMP算法进行非对称损失函数的获取。
[0055] 其中噪声估计子网CNNE的非对称损失函数 表示为：
[0056]
[0057] 其中，α为可调参数，j为自然数，t为LAMP算法的迭代次数， 表示在LAMP算法下的噪声水平估计值， 表示噪声的标准值， 表示若 时，I的取值为1，否则为0。
[0058] 其中 可以简化为Ie，若 时，Ie＝1，否则Ie＝0。
[0059] 在噪声严重的情况下，通过设置0＜α＜0.5减少噪声水平估计值的误差，即进行噪声水平估计值的调整。
[0060] 进一步地，还包括，利用总变化量正则化器进行损失函数中的噪声水平图平滑度的约束，噪声估计子网CNNE的又一非对称损失函数 具体表示为：
[0061]
[0062] 其中， 为噪声水平估计值，表示求梯度，x表示沿着水平方向，y表示沿着竖直方向， 表示沿着 的水平方向求梯度， 表示沿着 的竖直方向求梯度。
[0063] 步骤D3：将调整后的噪声水平估计值与导频信号输入去噪子网中，获取训练信道估计值。
[0064] 具体地，通过向去噪子网CNND中输入调整后的噪声水平估计值 与信号r，使全卷积去噪神经网络通过输入的参数不断训练神经网络和非对称损失函数，令信道真实值h直接为训练信道估计值。
[0065] 步骤D4：重新建立全卷积去噪神经网络子网的非对称损失函数。
[0066] 具体地，其中去噪子网CNND的非对称损失函数 具体表示为：
[0067]
[0068] 其中， 是训练得到的信道估计值，h是信道真实值，||·||表示范数。
[0069] 步骤D5：确定全卷积去噪神经网络的非对称损失函数，使全卷积去噪神经网络的非对称损失函数最小化。
[0070] 具体地，其中全卷积去噪神经网络总体的非对称损失函数 具体表示为：
[0071]
[0072] 其中λasymm和λTV是分别是用于非对称函数的损耗和总变量正则化的
阈值参数，是去噪子网CNND的损失函数， 和 是噪声估计子网CNNE的损失函数。
[0073] 具体地，调整参数PE、PD、λasymm、λTV，使全卷积去噪神经网络的非对称损失函数 最小化。
[0074] 进一步地，在执行步骤D1-D5之前，还包括，设定总训练次数，若执行D1-D5的当前训练次数小于总训练次数，则继续重复执行步骤D1-D5。否则训练完成。
[0075] 步骤S130：利用训练完成的全卷积去噪神经网络进行测试。
[0076] 具体地，其中将训练完成的全卷积去噪神经网络进行线上测试，具体包括如下子步骤：
[0077] 步骤Q1：进行测试参数的初始化。
[0078] 具体地，测试参数的初始化包括，将信道估计值 设为0，并直接将射频链路选择的信号值r设为r0，设测试总迭代次数为T。
[0079] 步骤Q2：初始化后进行全卷积去噪神经网络的设置。
[0080] 具体地，加载线下训练完成的全卷积去噪神经网络，用训练好的全卷积去噪神经网络中的参数PE,PD,λasymm,λTV设置神经网络。
[0081] 步骤Q3：根据设置后的全卷积去噪神经网络计算测试信道估计值。
[0082] 具体地，其中在对全卷积去噪神经网络进行训练之前，还包括对信道估计参数进行数据处理，得到利用LAMP算法得到的第一信道估计值
[0083] 具体地，对信道估计参数进行数据处理可利用现有技术中的matlab，首先将信道估计参数中的选择网络矩阵W、天线的数量M以及选择网络矩阵W从射频链路选择的信号r输入matlab中，并进行多次迭代，若跌倒至
指定次数则得到第一信道估计值。
[0084] 其中第一信道估计值 具体表示为：
[0085]
[0086] 其中ωt表示选择网络矩阵W的调节参数，η表示LAMP算法中降噪器的函数，表示迭代过程中得到的某一次信道估计值，其中Ct为ωtW的共轭矩阵，W为选择网络矩阵，vt表示迭代过程中得到的信道估计值 对应的残余误差，αt是可调参数，M为天线的数量，t为LAMP算法的迭代次数。
[0087] 第一信道估计值的残余误差vt+1具体表示为：
[0088]
[0089] 其中r表示选择网络矩阵W从射频链路选择的信号，Wt＝ωtW， 表示第一信道估计值，ωt表示选择网络矩阵W的调节参数，M为天线的数量，vt表示迭代过程中得到的信道估计值 对应的残余误差，t为LAMP算法的迭代次数。
[0090] 进一步地，其中LAMP的降噪阈值λt具体表示为：
[0091]
[0092] 其中，αt是可调参数，可以通过调整αt从而调整λt，M为天线的数量，vt表示迭代过程中得到的信道估计值 对应的残余误差。
[0093] 具体地，利用训练后的全卷积去噪神经网络，对LAMP算法得到的第一信道估计值进行处理，具体为将全卷积去噪神经网络作为LAMP算法中的降噪器获得第二信道估计值，第二信道估计值 具体表示为：
[0094]
[0095] 其中 表示去噪子网的函数， 是噪声估计子网的函数，PE是噪声估计子网CNNE的子网参数，PD是去噪子网CNND的子网参数，表示迭代过程中得到的某一次信道估计值，其中Ct为ωtW的共轭矩阵，ωt表示选择网络矩阵W的调节参数，W表示选择网络矩阵，vt表示迭代过程中得到的信道估计值 对应的残余误差，t为LAMP算法的迭代次数。
[0096] 进一步地，比较当前迭代次数是否达到设定的测试总迭代次数，若达到则执行步骤S140，否则继续迭代。
[0097] 步骤S140：输出测试后的信道估计值。
[0098] 其中该信道估计值即为第二信道估计值。
[0099] 本申请还提供了毫米波系统的波束空间信道估计系统，如图2所示，毫米波系统的波束空间信道估计系统其中包括了估计处理器201以及输出单元202。
[0100] 其中估计处理器201用于进行信道估计值的估计。
[0101] 输出单元202与估计处理器201连接，用于进行信道估计值的输出。
[0102] 具体地，估计处理器201具体包括以下子模
块：构建模块、训练模块以及测试模块。
[0103] 其中构建模块用于构建信道模型，获取信道估计参数。
[0104] 训练模块与构建模块连接，用于根据信道估计参数对全卷积去噪神经网络进行训练；
[0105] 测试模块与训练模块连接，用于利用训练完成的全卷积去噪神经网络进行测试。
[0106] 本申请具有以下有益效果：
[0107] 通过构建具有更好去噪效果的全新全卷积去噪神经网络来提高信道估计的性能。通过噪声估计子网在获得信道噪声水平估计图的基础上，将信道噪声水平估计图和包含噪声的接收信号连接并输入到去噪子网中，实现高效的去噪，从而获得更高的信道估计精度。
[0108] 虽然当前申请参考的示例被描述，其只是为了解释的目的而不是对本申请的限制，对实施方式的改变，增加和/或删除可以被做出而不脱离本申请的范围。
[0109] 以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉
本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述
权利要求的保护范围为准。
