[发明专利]一种基于自注意机制的深度学习信道估计方法

权利要求书

1.一种基于自注意机制的深度学习信道估计方法，其特征在于：

对于一个发射天线数为N_t，接收天线数为N_r的多输入多输出正交频分复用系统，其中，在发送端第n_t根发射天线上的某个正交频分复用符号表示为：其中L为子载波数，[·]^T代表转置，对于第n_r根接收天线，其上面第k个子载波上的符号表示为：

其中，表示第n_t根发射天线和第n_r根接收天线之间对应第k个子载波的信道冲激响应，表示接收天线上的加性高斯白噪声；对其中一个导频符号，所有N_r根接收天线接收到的第k个子载波上的符号表示为：

Y^k＝H^kX^k+Z^k,(k＝1,...,L)

其中分别表示接收端的接收矩阵，发送端的发射矩阵，噪声矩阵，表示第k个子载波上的频域信道冲激响应矩阵，H^k表示为：

对H^k进行信道估计，获得信道冲激响应估计结果为使用基于最小二乘准则的信道估计方法，最小化下述公式所示的代价函数：

令上式的代价函数关于的偏导数为0，即

得到基于最小二乘准则的信道估计方法下的信道冲激响应估计结果，

其中，(·)^-1代表矩阵的逆矩阵；

基于自注意机制的深度学习的信道估计方法的具体过程步骤如下：

第S1步：通过最小二乘信道估计算法估计得到在导频符号处的信道状态信息以及估计出来的信道矩阵

第S2步：对上述信道矩阵进行上采样线性插值，得到在数据符号处的频域信道响应，之后再与导频处的频域信道响应结合，得到完整的频域信道响应矩阵，并将所述完整的频域信道响应矩阵重塑成大小为L×N_sym×(N_t×N_r×2)的低分辨率矩阵，其中L为子载波数，N_sym为子载波个数，N_t为发射天线数，N_r为接收天线数；

第S3步：将所述低分辨率矩阵通过两个卷积神经网络提取特征，得到关于所述低分辨率矩阵的特征图；根据所述特征图经过自注意机制模块，得到一个加权的自注意机制特征映射，将所述自注意机制特征映射乘以一个学习系数与原特征图相加，得到一个在特征图中任意两个位置相互依赖的关系特征；将所述关系特征再分别通过卷积网络和自注意机制模块两次，得到一个学习更加全面的关系依赖特征；

第S4步：将所述关系依赖特征经过卷积网络，输出与最终需要估计的信道矩阵维度一致的矩阵