[发明专利]一种基于Transformer的联合导频设计、反馈和信道估计方法

权利要求书

1.一种基于Transformer的联合导频设计、反馈和信道估计方法，由离线训练阶段和在线预测阶段两部分实现；其特征在于，离线训练阶段包括如下步骤：

S11：在基站端构建导频设计网络，用于基站到用户的下行链路中下行导频的设计；

S12：在用户端构建导频反馈网络，用于将接收到的导频信号进行压缩，并通过反馈链路反馈回基站端；

S13：在基站端构建信道估计网络，利用接收到的压缩导频信号来重建信道；

S14：将所述导频设计网络、导频反馈网络和信道估计网络组合为端到端神经网络，制作端到端神经网络的数据集，对所述端到端神经网络进行训练；

所述步骤S14中，端到端神经网络的数据集为{G,G}，其中为信道矩阵，表示对信道矩阵H取实部，表示对信道矩阵H取虚部，K为子载波数目，N_t为基站天线数；

所述步骤S14中，训练端到端神经网络时，损失函数设置为均方误差优化器为Adam，batchsize设置为400，学习率为0.00001，epoch设置为1000，其中为端到端神经网络训练过程中的数据集的标签，为端到端神经网络训练过程中模型的输出数据，为信道矩阵，表示对信道矩阵H取实部，表示对信道矩阵H取虚部，K为子载波数目，N_t为基站天线数，N为训练样本个数；

在线预测阶段包括如下步骤：

S21：基站端将训练完成的导频设计网络的权重作为导频信号，将导频信号发送至用户端；

S22：用户端接收到导频信号后，将导频信号输入导频反馈网络，得到压缩的导频信号，并将压缩的导频信号通过反馈链路反馈回基站端；

S23：基站端将接收到的压缩的导频信号输入信道估计网络，得到基站端到用户端的下行实时估计信道；

所述步骤S23中，基站端将接收到的压缩的导频信号输入信道估计网络，得到网络的输出将V在第一个维度拆分成两个矩阵其中K为子载波数目，N_t为基站天线数，计算即可得到下行实时估计信道

2.根据权利要求1所述的一种基于Transformer的联合导频设计、反馈和信道估计方法，其特征在于，所述步骤S11中，导频设计网络由全连接层#1和Add操作构成，其中全连接层#1维度为L，无偏置，Add操作将全连接层#1的输出信号与加性高斯白噪声相加，K为子载波数目，L为导频信号长度。

3.根据权利要求1所述的一种基于Transformer的联合导频设计、反馈和信道估计方法，其特征在于，所述步骤S12中，导频反馈网络由Flatten层和全连接层#2构成，其中Flatten层将维度为2×K×L的三维矩阵变换为维度为2KL×1的向量，全连接层#2的维度设置为M，其中M为码字压缩长度。

4.根据权利要求1所述的一种基于Transformer的联合导频设计、反馈和信道估计方法，其特征在于，所述步骤S13中，信道估计网络依次由全连接层#3、Reshape#1、Encoder和Reshape#2构成，其中全连接层#3的维度为2KN_t，无偏置；Reshape#1将维度为2KN_t×1的向量变换为维度为2K×N_t的矩阵；Encoder由输入嵌入、位置编码、前馈网络、残差连接和层归一化、多头注意力机制组成，其中输入嵌入的维度为N_t，前馈网络的维度为2048，多头注意力机制中多头数为4；Reshape#2将维度为2K×N_t的向量变换成维度为2×K×N_t的矩阵，K为子载波数目，N_t为基站天线数。

5.根据权利要求1所述的一种基于Transformer的联合导频设计、反馈和信道估计方法，其特征在于，所述步骤S14中，训练端到端神经网络时，开始训练时，将loss_best设置为100，每一轮训练完成后，将验证集输入训练完成的端到端神经网络，得到当前轮验证集的loss，若loss小于loss_best，则将loss赋值给loss_best，且保存本轮训练的模型权重作为最佳权重，继续下一轮训练；若loss大于loss_best，则直接进行下一轮训练。