[发明专利]一种基于模型驱动的混合MIMO系统信道估计与反馈网络

说明书

本公开的基于模型驱动的混合MIMO系统信道估计与反馈网络，该网络包括：上行信道压缩网络、上行信道重构网络、下行信道压缩网络、下行信道重构网络，反馈压缩网络、反馈信道重构网络；其中，所述上行信道压缩网络和上行信道重构网络组成上行信道估计模块，用于基站获取上行链路空间‑频率域信道矩阵；所述下行信道压缩网络和下行信道重构网络组成下行信道估计模块，用于用户获取下行链路空间‑频率域信道矩阵；所述下行信道压缩网络、反馈压缩网络和反馈信道重构网络组成下行信道反馈模块，用于基站获取下行链路空间‑频率域反馈信道矩阵。能够准确获取混合MIMO系统的信道估计，降低信道估计与反馈的系统开销。能够准确获取混合MIMO系统的信道估计，降低信道估计和反馈的系统开销。

技术领域

本发明属于无线通信中的信道估计技术领域，具体涉及一种基于模型驱动的混合MIMO系统信道估计与反馈网络。

背景技术

在下一代(5G)移动通信系统中，毫米波大规模MIMO(Multiple-Input Multiple-Output，多输入多输出)技术被广泛认为是通信系统物理层关键技术之一。首先，毫米波频段(30-300GHz)可以提供丰富的带宽频谱资源和超高的数据速率，从而可以极大地增加系统吞吐量。其次，毫米波频段波长短，更有利于实际通信系统中大规模天线阵列的密集封装。最后，大规模天线阵列又可以为毫米波频段通信提供足够大的阵列增益。为了更充分利用毫米波大规模MIMO的技术优势，如何获取准确的信道估计是一项重要的挑战。此外，为了降低系统硬件结构的成本开销和功率消耗，通信系统的收发机通常采用更为实际的基于移相器网络的模拟/数字混合预编码架构，射频链路的数量远小于天线数量，这将会使得通信系统的信道估计问题研究更具有挑战性。具体而言，对于TDD(time-division duplexing，时分双工)系统，基站利用有限数量的射频链路所接收到的信号来估计高维的上行链路信道所需要极大的信道估计导频开销；对于FDD(frequency-division duplexing，频分双工)系统，高维下行链路信道首先在用户处被估计，然后进一步反馈到基站，但是整体的信道估计和反馈开销同样是严重的。

随着深度学习在计算机科学领域的大放异彩，越来越多的研究者开始考虑利用深度学习来解决通信和信号处理问题，进一步构建智能化通信系统。目前，在物理层无线传输和深度学习的融合方向大致分为两种：数据驱动模式和模型驱动模式。数据驱动模式的深度学习方法将DNN(Deep neural network，深度神经网络)看作是一个黑盒子，其中包括CNN(Convolutional neural network，卷积神经网络)和全连接神经网络，以及大量的带有标签的样本数据来设计通信信号处理模块；模型驱动模式的深度学习方法通过利用已知的实际通信系统先验知识(例如成熟的信道模型和通信传输协议等)来构建网络结构。相较于数据驱动，模型驱动的方法需要更少的网络参数以及更少的样本数据，更具有网络可解释性和可信性。

发明内容

本发明克服了现有技术的不足之一，提供了一种基于模型驱动的混合MIMO系统信道估计与反馈网络，能够准确获取混合MIMO系统的信道估计，降低信道估计和反馈的系统开销。

根据本公开的一方面，本发明提供一种基于模型驱动的混合MIMO系统信道估计与反馈网络，所述网络包括：上行信道压缩网络、上行信道重构网络、下行信道压缩网络、下行信道重构网络、反馈压缩网络、反馈信道重构网络；

其中，所述上行信道压缩网络和上行信道重构网络组成上行信道估计模块，用于基站获取上行链路空间-频率域信道矩阵；

所述下行信道压缩网络和下行信道重构网络组成下行信道估计模块，用于用户获取下行链路空间-频率域信道矩阵；

所述下行信道压缩网络、反馈压缩网络和反馈信道重构网络组成下行信道反馈模块，用于基站获取下行链路空间-频率域反馈信道矩阵。

在一种可能的实现方式中，所述上行信道压缩网络和下行信道压缩网络为全连接网络CCN，用于满足上行合并器矩阵和下行预编码矩阵的恒模约束。