技术领域
本发明涉及的是一种太赫兹通信领域的技术,具体是一种基于深度卷积神经网络的太赫兹超大规模信道估计方法。
背景技术
准确地三维信道模型是研究超大规模多输入输出系统(MIMO)的基础,高效、准确地估计太赫兹信道信息是实现太赫兹系统通信潜力的前提。然而,现有的多输入输出系统研究通常采用平面波信道模型。这种模型由最为精确的球面波信道模型简化而得,将信号传播近似为一个平面。在天线规模和载波频率较小的时候,这种模型的误差可以忽略不计。然而,随着天线规模的增大以及载波频率的提升,平面波信道模型的准确度大大下降。由于这一原因,有必要考虑最为精确的球面波信道模型。然而,球面波信道模型的复杂度与天线数目呈正相关,随着太赫兹超大规模多输入输出系统中天线数目的剧增,球面波模型的复杂度也随之急剧增加。
现有的多输入输出系统研究通常采用由球面波模型简化而成的平面波信道模型。在太赫兹超大规模多输入输出系统中,由于天线规模的增大以及载波频率的提升,平面波信道模型的准确度大大下降;同时随着信道模型的改变,现有信道估计算法在不同程度上失去有效性。
发明内容
本发明针对现有太赫兹超大规模多输入输出系统信道模型不准确,信道估计方法亟待研究的问题,提出一种基于深度卷积神经网络的太赫兹超大规模信道估计方法,结合平面波与球面波进行准确的三维信道建模,实现信道建模的高精度和低复杂度的同时根据建立的信道模型,提出相匹配的信道估计算法,以有效建立通信信道和实现最优通信系统资源分配,充分发挥太赫兹通信系统的潜力。
本发明是通过以下技术方案实现的:
本发明涉及一种基于深度卷积神经网络的太赫兹超大规模信道估计方法,包括以下步骤:
步骤1、以子阵列为单位,在子阵列内部采用平面波建模,在子阵列之间,采用球面波信道建模。
步骤2、通过深度卷积神经网络估计步骤1模型中参考子阵列之间的发射角、到达角、传播距离以及路径增益。
步骤3、利用步骤2得到的信道参数,结合子阵列之间的几何关系,推导出参考子阵列与其余子阵列之间的信道参数,并恢复信道矩阵。
技术效果
本发明整体解决了现有技术中UM-MIMO系统的平面波信道模型不够准确,球面波信道模型复杂度过高,与之相匹配的信道估计算法不够有效的问题。
与现有技术相比,本发明采用球面和平面混合波信道模型,在子阵列内采用平面波信道模型,子阵列间采用球面波信道模型,实现了信道模型的高精度与低复杂度。同时通过两阶段信道估计机制,依次通过设计深度卷积神经网络(DCNN)完成参考子阵列的信道参数估计,再利用参考子阵列间信道参数的几何关系,完成剩余参数估计,并恢复信道矩阵。由于只需要采用DCNN进行参考子阵列的参数估计,该方法需要估计的信道参数与平面波信道参数相同。由于第二阶段的参数估计可以并行进行,因此,与传统信道估计算法相比,所提方法实现了信道估计的低复杂度和高有效性。
附图说明
图1为本发明系统示意图;
图2为本发明深度卷积神经网络结构图;
图3为实施例效果示意图;
图中:(a)为所提信道模型在不同通信距离下的误差,(b)为所提信道模型在不同子阵列间距下的误差,(c)为所提信道模型在不同载波频率下的误差;
图4为本发明方法性能对比示意图。
具体实施方式
如图1所示,为本实施例涉及的一种基于深度卷积神经网络的太赫兹超大规模信道估计系统,包括:分别设置于收发端的相同的THz UM-MOMO系统,该THz UM-MOMO系统包括:射频链路、模拟波束赋形单元、模拟合并单元和数字合并单元,其中:发射端的射频链路接收基带导频信号进行数字波束赋形得到射频信号,模拟波束赋形单元根据预先设定的波束码本信号进行模拟波束赋形,并发射到信道中;接收端的模拟合并单元将接收信号合并后输出至数字波束赋形单元,数字波束赋形单元根据合并后的模拟信号进行波束赋形处理得到数字基带信号,基带端对数字基带信号进行处理完成信道估计。
本实施例涉及一种基于深度卷积神经网络的太赫兹超大规模信道估计方法,包括以下步骤:
步骤1、如图1所示,以子阵列为单位,在子阵列内部采用平面波建模,在子阵列之间,采用球面波信道建模,具体包括:
1.1)将发射端和接收端的天线分别分为K
所述的分块结构是指:每一块
1.2)根据信道模型,接收信号
步骤2、通过深度卷积神经网络,以收发端的第一个子阵列作为参考子阵列,根据Re{Y},Im{Y}以及|Y|估计该参考子阵列之间的发射角(θ
如图2所示,所述的深度卷积神经网络具体包括:一个输入层、七个卷积层CV、四个池化层MP、一个压平层和一个全连接FC的输出层,其中:输入层接收信道观测矩阵Y的元素实值Re{Y}、元素虚值Im{Y}和元素绝对值|Y|;卷积层CV分别包含16、32、64、128、62、32、16个卷积核,其中部署了大小为3×3的卷积滤波器来提取特征;在卷积过程中采用零填充(ZP)和批归一化(BN);池化层采用最大池化的方法,提取2×2大小的池中的最大值,以缩小网络维数,并简化训练过程;压平层将神经元重新排列成一维并连接到FC输出层,用于输出估计的发射角、到达角、传播距离以及路径增益。
步骤3、利用步骤2得到的子阵列之间的几何关系,推导出参考子阵列与其余子阵列之间的信道参数,并恢复信道矩阵,具体包括:
3.1)计算视距路径的参数:将如图1所示的视距路径分别投影到x-y平面和y-z平面,推导出视距下剩余子阵列间的收发角度
3.2)计算反射面平面方程:通过收发端的坐标以及反射定律列出方程求解反射面的方程A
3.3)在得到反射面平面方程后得到非视距路径的参数,具体包括:
经过具体实际实验,在收发端各有1024根天线,并分别划分为4个子阵列的情况下,当通信距离为20m,载波频率为0.3THz时,平面-球面波联合信道模型的精度提升了14dB。与现有信道估计方法相比,基于深度卷积神经网络和几何关系的信道估计方法可以在0.172ms内完成信道估计,并实现估计精度提升5.2dB。如图3和图4和表1所示,在收发端各有1024根天线,并分别划分为4个子阵列的情况下,当通信距离为20m,载波频率为0.3THz时,平面-球面波联合信道模型的精度提升了14dB。与现有信道估计方法相比,基于深度卷积神经网络和几何关系的信道估计方法可以在0.172ms内完成信道估计,并实现估计精度提升5.2dB。
表1
与现有技术相比,本方法提出平面-球面波联合信道模型实现了信道建模的高精度和低复杂度,相比于平面波信道,精度提高14dB,相比于球面波信道,复杂度降低99%。所提出的基于深度卷积神经网络的信道估计方法实现了信道估计精度5.2dB的提升,与此同时,由于只需要估计参考子阵列之间的信道参数,本方法的信道估计开销降低了93%。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
机译: 基于反射和/或衍射基于高能量太赫兹脉冲的方法和设置
机译: 基于深度学习的深度卷积神经网络训练方法
机译: 基于反射和/或衍射的方法和设置,以产生高能太赫兹脉冲