具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

在本发明实例中，“第一”、“第二”等是用于区别不同的对象，而不是用于描述特定的顺序或先后次序。

基于压缩感知的FDD大规模MIMO系统稀疏信道估计技术近年来被广泛研究和应用，但是，该技术的两个弱点也逐渐凸显出来：第一，难以准确获得信道稀疏度的先验知识。第二，现有的重构算法收敛速度慢，因而将CS技术限制在了非实时场景的应用中。针对FDD大规模MIMO下行链路系统，在本实施例中，将验证提出的基于深度学习的压缩感知稀疏信道估计卷积重构网络(Convolutional Compressive Sensing Network，ConCSNet)方法的性能。该仿真系统发射端和接收端的天线数分别为16和4；正交频分复用技术(OrthogonalFrequency Division Multiplexing，OFDM)总子载波数为1024；每一径信道的长度和稀疏度分别为128和9；导频数为64，并且所有导频都以块状的方式随机放置。在本实施例中，采用LTE-Advanced信道模型，主要包含了三种应用场景，包括扩展行人(ExtendedPedestrian A，EPA)，扩展车辆(Extended Vehicular A，EVA)和扩展典型城市模型(Extended Typical Urban model，ETU)。在本实施例中，主要考虑EVA无线通信环境。其中路径数S＝6，路径时延分别为0,30,150,310,370,710,1090,1730,2510(ns)，路径增益分别为-3、0、-2、-6、-8、-10(dB)。基于大规模MIMO信道的稀疏性和压缩感知框架，如图1所示，考虑一个单小区多用户FDD大规模MIMO系统下行链路系统，具有N_T根发射天线，N_R根接收天线和N个子载波。假设信道参数在一个OFDM符号中为常量，信道长度为L，该系统具有W个导频符号，并且分别位于子载波k₁,k₂,…,k_W上。基于大规模MIMO信道的稀疏性和压缩感知框架，本发明提出的基于深度学习的压缩感知稀疏信道估计ConCSNet方法包括以下步骤：

S1：针对FDD大规模MIMO下行链路系统，基于信道矩阵、导频矩阵、接收信号矩阵和噪声矩阵建立信道模型；

在本实施例中，建立的信道模型为：

y＝Th+z (1)

其中，为接收信号矩阵，为信道矩阵，为导频矩阵，为噪声矩阵。由于N_RW＜＜N_RN_TL，意味着该信道模型为欠定方程，但是大规模MIMO信道中存在联合稀疏性结构，基于深度学习的压缩感知稀疏信道估计方法可以从低维向量y中重构出高维的信道h。

在本实施例中，MIMO指的是多路输入多路输出，标准的MIMO网络通常会使用2或4天线配置。另一方面，大规模MIMO是一种会用到大量天线的MIMO系统。至于大规模MIMO的构成设置，目前尚无定论，但通常的描述是具备数十甚至数百天线的系统均可被称为大规模MIMO。

S2：根据信道模型，用基于深度学习的压缩感知稀疏信道估计ConCSNet求解稀疏信号估计值

在本实施例中，如图2所示，步骤S2可以通过以下方式实现：

通过感知矩阵T对稀疏信道h进行压缩采样得到接收信号y，然后使用一个全连接层的线性映射网络得到信道的近似解，再由多层的卷积神经网络得到更高质量的重构信道。

其中，本实施例中的近似解即为使用一个全连接层的线性映射网络得到信道的第一重构信道，更高质量的重构信道即为由多层卷积层的卷积神经网络得到第二重构信道。

进一步地，值得注意的是，由于无线通信系统存在噪声，以及接收信号y和信道信息h均为复数，因此重构的复杂性增加。在ConCSNet的输入端，将复数转化为输入矩阵其中y_R为y的实部，y_I为y的虚部，为y的能量值，y₁，…，分别为向量y_E中的元素。而标签转化为一个三维N_RN_T×L×2的矩阵其中该矩阵的第3个维度用来刻画数据的复部和虚部。其次，ConCSNet算法一方面增加了卷积层的层数，扩展了卷积神经网络的规模，另一方面缩减了部分较大的卷积核，使该网络更聚焦于重构细节。如图3所示，ConCSNet网络所包含的线性映射网络和卷积神经网络如下：

(1)线性映射网络

对于公式(1)，从测量信号y重构出原始信道信息h，该过程能近似看作为一个线性映射，即h＝Ωy。其中，为线性映射矩阵。由于N_RW＜＜N_RN_TL，该映射过程求解的是一个欠定最优化问题，难以求出精确解。本实施例采用线性映射网络F^f求得初始的重构信道，线性映射过程得到的信道信息为近似解，其对应的线性映射矩阵为Ω^f，并使的误差最小。假设训练集中包含M个训练样本，即{(y₁,h₁),(y₂,h₂),…,(y_M,h_M)}。其中，y_i为接收信号的测量值，h_i为时域信道信息，i＝1,2,...,M。对于该一层全连接层线性映射网络，其损失函数为：

其中，F^f(·)表示线性映射，训练过程使用Adam(Adaptive Moment Estimation，Adam)方法进行训练。则该网络得到的信道h的近似解为：

(2)卷积神经网络

对于(1)中线性映射网络，可得到估计信道的近似解为了得到高精度的信道估计值，需做进一步处理，在本实施例中，即在线性映射网络之后增加一组由9个卷积层组成的全卷积网络。相关描述如下：第一层和第五层均使用7×7的卷积核，均生成64个特征图；第二层和第六层均使用5×5的卷积核，均生成32个特征图；第三层和第七层均使用3×3的卷积核，均生成16个特征图；第四层和第八层均使用1×1的卷积核，均生成2个特征图；第九层使用1×1的卷积核，生成2个特征图，并输出高精度的信道重构结果。除了第九层无需ReLU激活函数，其余八层均使用该激活函数。整个网络使用全1填充，以保证所有层中的特征图的大小保持不变。将公式(2)求得的全连接层参数Ω^f作为卷积神经网络训练的初始值，并使用Adam优化算法更新线性映射矩阵中的参数Ω^f和卷积神经网络的参数Ω^c。训练过程中，使用公式(4)作为损失函数，即为：

则该卷积学习网络得到的信道h的精确解为：

其中，F^c(·)表示卷积映射过程，其中，再合并数据的实部和虚部，并进一步转换为复数信道矩阵

(3)ConCSNet网络训练参数配置

为了训练本发明所提出的ConCSNet网络，其训练过程分成两步进行。首先训练线性映射网络F^f(·)，学习率为0.001，动量因子为0.95。F^f(·)网络训练完成后，再对整个ConCSNet网络进行训练，此时改用较小的学习率0.0001，也使用Adam方法进行训练，其动量因子为0.99。其次，训练、验证和测试资料集分别包含128000、38400和38400个样本。批量大小是128，学习率衰减因子为0.96，学习率的衰减周期为100。本发明使用tensorflow框架实现该网络，并使用Intel Core i5-4200H CPU在2.8GHz下对其进行训练。

为了进一步客观评估所提出的ConCSNet深度学习信道估计方法的性能，采用均方误差(Mean Square Error，MSE)作为评价指标进行分析。其中，MSE是用来衡量重构值与真实值之间的差距，MSE越小，说明重构性能越好。MSE的表达式为：

其中，N_E为仿真次数，取值为20。

图4给出了几种方法在不同信噪比下的MSE性能。实验结果表明，SAMP在低信噪比下重构性能逐渐变差，而在较高信噪比下重构性能优于gOMP方法。以深度学习为代表的ConCSNet和ReconNet重构方法，在各信噪比下的重构性能均优于传统迭代的压缩感知重构算法(OMP、SAMP、CoSaMP、gOMP)。而本发明提出的ConCSNet方法，由于优化了输入信息和卷积层的结构以及层数，其重构性能相比于ReconNet也得到了进一步改善。

图5分别给出了几种方法在不同采样率下的MSE和PSNR性能。实验结果表明，除LS方法，采样率的增加对各方法的重构性能都能得到改善。而在较低采样率时，OMP方法的性能逐渐劣于LS，而另外几种重构方法(SAMP、CoSaMP、gOMP)也逼近于LS方法。这表明在低信噪比下，传统的迭代的压缩感知重构方法无法有效地重构信道。而基于深度学习的ConCSNet和ReconNet重构方法均能保持较好的性能，且ConCSNet也优于ReconNet。

本发明的一种基于深度学习的压缩感知FDD大规模MIMO系统稀疏信道估计ConCSNet方法，具有良好的重构性能的特点，适用于需要对无线通信系统导频辅助的信道估计的场合。

在本发明另一实施例中，还提供了一种基于深度学习的压缩感知FDD大规模MIMO系统稀疏信道估计系统，包括：

信道模型建立模块，用于针对FDD大规模MIMO下行链路系统，基于信道矩阵、导频矩阵、接收信号矩阵和噪声矩阵建立信道模型；

信道估计模块，用于根据信道模型，采用基于深度学习的压缩感知稀疏信道估计ConCSNet网络求解信道模型得到稀疏信号估计值。

其中，各模块的具体实施方式可以参考上述方法实施例的描述，本实施例将不再复述。

需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。