基于GAN的大规模MIMO系统信道估计方法、装置、设备及介质

本发明涉及一种基于gan的大规模mimo系统信道估计方法、装置、设备及介质，属于通信系统中信道估计。

背景技术：

1、大规模多输入多输出(multiple-input multiple-output，mimo)技术是第五代(5g)和未来蜂窝通信系统的关键技术之一。大规模mimo系统通过以分布式或集中式方式在基站部署大规模天线，利用了比传统mimo系统更多的空间自由度，在不增加频谱资源和发射功率的情况下成倍地增加信道容量，并通过充分利用空间资源显著降低用户间的干扰。在大规模mimo系统中，准确的上行链路和下行链路信道状态信息(channel stateinformation，csi)对于信号检测、波束形成、资源分配、信号预处理等至关重要。在多天线系统的信道估计中，为了保证信道估计的准确性，通常使用导频的长度大于发射天线的数量，当天线数目较多时会导致显著的导频开销。利用信道的稀疏结构等特性可以使用压缩感知方法进行信道估计，但是该方法的复杂度随着天线的数量的增加而增加，随着大规模mimo的使用，此类方法存在复杂度高、功耗或导频开销大、需要大量的计算时间和资源等问题，不能满足实际部署中的实时处理要求。

2、近几年，深度学习(deeplearing,dl)技术已经较为广泛的应用于无线通信领域中，在解决无线信道估计问题方面，深度学习凭借强大的函数拟合能力为信道估计问题提供了有效的模型，利用深度学习的这一能力可以在更少的导频开销，以及获得更低的计算复杂度的同时保证信道估计精度。

3、现有的利用深度学习进行信道估计的方案较多关注于深度网络本身的改进，而忽视了噪声对信道估计结果的影响，噪声混合在接收信号中会降低信道估计的准确性，并且现有的方案大多没有对信道自身的稀疏结构加以利用。

4、可见，为避免噪声混合在接收信号中对降低信道估计准确性的影响，亟需一种基于gan的大规模mimo系统信道估计方法、装置、存储介质。

技术实现思路

1、本发明的目的在于克服现有技术中的不足，提供一种基于gan的大规模mimo系统信道估计方法、装置、设备及介质，通过对接收信号进行有效的去噪，降低了信道估计过程中噪声对信道估计的影响，并且采用注意力机制有效关注信道的各个局部区域，提高了信道学习的效率和信道估计的准确性。

2、为达到上述目的，本发明是采用下述技术方案实现的：

3、第一方面，本发明提供了一种基于gan的大规模mimo系统信道估计方法，包括以下步骤：

4、接收mimo系统的发送端发送的导频信号，基于预先设计并训练的去噪神经网络，对接收到的信号进行去噪；

5、根据去噪后得到的信号，使用随机梯度下降算法优化预先设计并训练的生成对抗网络gan的随机输入，得到最优的gan输入；

6、将获得的最优的gan输入送入gan生成器，并根据其输出结果获得最优的信道估计值；

7、其中，预先设计并训练的gan，包括注意力机制模块，用于赋予gan判别器重点关注信道各个局部区域的能力。

8、进一步的，所述去噪神经网络采用自动编码器的结构，包括三个编码器块和三个解码器块，其中，

9、每个编码器块包含依次连接的一个卷积层、一个规范化层和一个leakyrelu激活函数层，每个解码器块由依次连接的上采样层、卷积层、规范化层和一个leakyrelu激活函数层组成；

10、每个卷积层设置有32个大小为3×3的卷积核；

11、每个编码器块和其对应解码器块之间设置有跳跃连接。

12、进一步的，所述gan生成器网络包括生成器输入层、生成器隐藏层和生成器输出层，其中，

13、所述gan生成器网络包括依次连接的生成器输入层、生成器隐藏层和生成器输出层，其中，

14、所述生成器输入层为gan生成器网络的第一层，其包括全连接层，采用leakyrelu激活函数处理低维向量并重塑为三维向量；

15、第二、三、四层分别为所述生成器隐藏层，每个生成器隐藏层由依次连接的上采样层、卷积层、批量归一化层和leakyrelu激活函数层组成，其中卷积层为卷积核大小为5×5、步长为1的二维卷积；

16、第五层为所述生成器输出层，其采用卷积核大小为2、步长为2的二维卷积。

17、进一步的，所述gan判别器网络包括依次连接的判别器输入层、判别器隐藏层和判别器输出层，其中，

18、所述判别器输入层为gan判别器网络的第一层，其包括依次连接的卷积核大小为3×3、步长为1的二维卷积层，激活函数leakyrelu层以及注意力机制模块；

19、第二、三、四层分别为判别器隐藏层，每个判别器隐藏层包含依次连接的卷积核大小为3×3、步长为1的二维卷积层、批量归一化层、leakyrelu激活函数层以及注意力机制模块；

20、第五层为所述判别器输出层，其包括全连接层。

21、进一步的，所述注意力机制模块的构造方法，包括以下步骤：

22、对原始特征矩阵进行全局平均池化，将每个特征矩阵的每列压缩成一个实数，这个实数具有全局的感受野，并且输出的维度和输入的特征矩阵列数相匹配；

23、使用一个包含三层全连接层的神经网络为原始特征矩阵的每个特征列生成权重，将神经网络的输出的向量参数作为特征选择后得到的每个特征列的重要性权重，对原始特征矩阵的原有特征进行加权，完成在列的维度上的对原始特征矩阵的重标定。

24、进一步的，所述去噪神经网络的训练方法，包括以下步骤：

25、将接收信号作为样本数据输入去噪神经网络，将两个独立的含噪接收信号之间的均方误差函数作为训练网络的代价函数；

26、利用adam优化算法更新深度神经网络的网络参数，设置初始学习率；

27、利用样本数据对去噪神经网络进行离线训练，获得训练后的去噪神经网络。

28、进一步的，所述生成对抗网络的训练方法，包括以下步骤：

29、将信道样本数据输入生成对抗网络，采用生成器和判别器博弈的方式学习真实信道的分布。

30、利用adam优化算法更新深度神经网络的网络参数，设置初始学习率；

31、利用信道样本数据对生成对抗网络进行离线训练，获得训练后的生成对抗网络。

32、第二方面，本发明提供了一种基于gan的大规模mimo系统信道估计装置，包括：

33、信号去噪模块：用于接收mimo系统的发送端发送的导频信号，基于预先设计并训练的去噪神经网络，对接收到的信号进行去噪；

34、gan输入优化模块：用于根据去噪后得到的信号，使用随机梯度下降算法优化预先设计并训练的生成对抗网络gan的随机输入，得到最优的gan输入；

35、信道估计值生成模块：用于将获得的最优的gan输入送入gan生成器，并根据其输出结果获得最优的信道估计值；

36、其中，预先设计并训练的gan，包括注意力机制模块，用于赋予gan判别器重点关注信道各个局部区域的能力。

37、第三方面，本发明提供了一种基于gan的大规模mimo系统信道估计设备，包括处理器及存储介质；

38、所述存储介质用于存储指令；

39、所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。

40、第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述方法的步骤。

41、与现有技术相比，本发明所达到的有益效果：

42、本发明提供的基于gan的大规模mimo系统信道估计方法、装置、设备及介质，通过对接收信号进行有效的去噪，降低了信道估计过程中噪声对信道估计的影响，并且采用注意力机制有效地利用了角度域信道的空间聚集稀疏结构，将整个角度空间分割成多个小角度区域，分别关注这些小区域，过滤掉无关信息对本区域信道学习的影响，提高了信道学习的效率和信道估计的准确性。