[发明专利]一种在大规模MIMO中基于改进GAN网络的信道估计方法

说明书

本发明所述的是一种在大规模MIMO系统中基于改进GAN网络的信道估计算法，其考虑在一比特上行多用户大规模MIMO系统中进行基于深度学习的信道估计时，为了提高性能，提出采用改进生成对抗网络的信道估计方法；在该方法中，引入随机量化方法来改进GAN网络的输入，使输入数据更加真实；通过对生成器和判别器分别引入惩罚项来生成新的优化目标函数，使网络优化方向正确，并由模型仿真确定网络结构。GAN网络利用先验的信道估计观测值来学习从量化测量值到信道的非平凡映射；对生成器和判别器进行对抗训练来预测更真实的信道。数值仿真结果，从归一化均方误差(NMSE,Normalized Mean Squared Error)的角度表明,该方法明显提高了大规模多输入输出系统信道估计的准确性。

技术领域

本发明涉及无线通信技术领域，具体是涉及一种在大规模MIMO中基于改进GAN网络的信道估计方法。

背景技术

在未来无线通信系统中，大规模多输入多输出技术是提高系统容量和频谱利用率的关键技术之一。通过在基站中部署大量天线，大规模MIMO系统不仅提高了多用户间频谱资源的复用能力，并且因抗干扰能力强，大大提高了数据传输速率；然而，目前的大规模MIMO系统通常配备高分辨率模数转换器(ADC,Analog to Digital Converter)，这导致了高功耗和硬件复杂性。为了解决这个问题，现有技术将带有一位ADC的大规模MIMO作为替代解决方案。这种一位ADC的挑战在于，由于接收到的低分辨率ADC信号被严重量化，精确的信道估计变得更加困难。

传统的一比特大规模MIMO信道估计方法有最小二乘估计、最大期望估计和近极大似然估计等；然而，这些信道估计器要么依赖于高度复杂的非线性优化算法，要么性能不佳。近年来，深度学习(DL,Deep Learning)在大规模MIMO信道估计中的研究取得了令人瞩目的成功，例如，Huang H等人采用深度神经网络(DNN,Deep Neural Network)进行离线学习和在线学习过程，有效地学习了角度域内无线信道统计和空间结构；He H等人开发了一种基于学习去噪的近似消息传递(LDAMP,Learning Denoising-based ApproximateMessage Passing)网络，该神经网络可以从大量的训练数据中学习信道结构和估计信道，但现有的基于深度学习的方法，由于神经网络中连续层的信息丢失，很难生成更真实的信道矩阵。神经网络可适用于输出为标签且信息丢失不会影响性能的分类或识别问题，但对于数据生成问题(如信道估计)，信息丢失可能导致性能较差，必须予以重视。因此，在处理数据生成问题时，神经网络的损失函数必须被很好地设计和研究，以减少在获取过程中的信息损失；然而，目前的信道估计工作要么没有研究损失函数，要么凭经验使用一般损失函数(即L1或L2损失)；这些损失函数没有很好的设计来解决大规模MIMO系统中的信道估计问题，这在很大程度上限制了性能，导致信道估计结果很差。特别是在低信噪比环境下，一个不适当的损失函数会导致在训练阶段出现错误的优化。

现有技术中有采用GAN网络进行信道估计，在GAN网络中，生成器和判别器被反向训练，以根据不同的任务和数据集提供自适应损失，不再固定损失函数，通过对抗式训练，生成器通过从判别器的反向传播中更新参数，而不是直接从数据中得到的；判别器试图在不经过复杂的损失函数设计的情况下从真实信道中获得真实分布。然而，GAN很难训练，原因之一是它们容易出现模式崩溃，也就是说，他们只学习描述几种分布模式的特征。因此，需要设计一种GAN网络的信道估计方法，可用于大规模MIMO中，使其在不增加复杂度的基础上，使生成的数据更加符合真实的信道。

发明内容

为解决上述技术问题，本发明提出一种在大规模MIMO中基于改进GAN网络的信道估计方法，基于生成对抗网络(cGAN,Conditional Generation Adversarial Networks)网络用于信道估计的相关方法，在此基础上，不再使用传统的量化方式引入随机量化优化网络输入数据，改进GAN网络结构并且引入新的损失函数，信道估计的性能有显著的改进。

本发明所述的一种在大规模MIMO中基于改进GAN网络的信道估计方法，步骤为: