[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

说明书

本发明涉及一种基于Transformer的联合导频设计、反馈和信道估计方法，离线训练阶段中在基站端构建导频设计网络和信道估计网络，在用户端构建导频反馈网络，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，制作数据集并训练。在线预测阶段中基站端将训练完成的导频设计网络的权重作为导频信号发送至用户端，用户端将导频信号输入导频反馈网络，得到压缩的导频信号，并通过反馈链路反馈给基站端，基站端将接收到的压缩的导频信号输入信道估计网络，得到下行实时估计信道。本发明利用深度学习技术，实现了导频设计、反馈和信道估计的一体化，可获得较好的信道估计精度，也减少了导频开销、反馈开销和硬件的复杂度。

技术领域

本发明涉及无线通信技术领域，具体为一种基于Transformer的联合导频设计、反馈和信道估计方法。

背景技术

随着无线技术的快速发展，通信数据量和业务量呈现出激增的态势。大规模多输入多输出(Multiple Input Multiple Output，MIMO)技术依靠多天线来传输数据，可以获得空间分集增益和阵列增益，因此成为无线通信的关键技术。

在大规模MIMO系统中，基站端发送导频到用户端，用户端需要根据导频信号来估计下行信道，当天线数量增加时，信道维度也会增加，需要发送长度更长且数量更多的导频信号来估计信道，这会大幅增加导频开销，降低系统频谱效率，同时增加基站端的功耗。

在频分双工模式下，用户端获取到下行信道状态信息(Channel StateInformation，CSI)后，需要将下行CSI通过反馈链路反馈给基站端，基站端端根据反馈的CSI来进行预编码设计，以减少干扰，提高系统整体性能。传统方法通常采用矢量量化或基于码本的方法来减少反馈开销。然而，在天线数量众多的情况下，反馈开销会变得巨大，这会增加系统时延，降低系统频谱效率。

传统的信道估计是在用户端进行，用户端需要根据导频信号来估计出下行信道，并将估计的信道信息通过反馈信道反馈回基站端，基站端需要根据反馈信息来恢复下行信道。在用户端的信道估计和基站端的信道恢复都会引入额外的误差，从而增加基站端估计出的信道的误差，降低系统整体性能。

卷积神经网络(Convolutional Neural Network,CNN)由于其平移不变性与局部敏感性等特点，可以捕捉局部的时空信息，被广泛应用于各个领域。但是卷积操作缺乏全局理解，无法建模特征之间的依赖关系，从而不能充分地利用上下文信息，而且卷积的权重是固定的无法动态地适应输入的变化。Transformer是一种基于自注意力机制、并行化处理数据的深度神经网络，已经成为了自然语言处理领域必不可少的神经网络组件。并且随着研究的推进，Transformer技术已经跨领域地引入到计算机视觉等领域中。

为了实现导频设计、反馈和信道估计的一体化，降低导频开销、减少反馈信息量并提高信道估计精度，本发明提出了一种基于Transformer的联合导频设计、反馈和信道估计方法。

发明内容

本发明的目的在于提供一种基于Transformer的联合导频设计、反馈和信道估计方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：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。