CN110365612A 一种基于近似消息传递算法的深度学习波束域信道估计方法 （浙江大学）

一种基于近似消息传递算法的深度学习波本发明提供了一种基于近似消息传递算法学习的数据驱动深度网络ResNet；(2)根据透镜统模型生成训练数据；(3)运用具有不同信噪比的训练数据对网络进行线下训练；(4)固定优化2深度子网络LAMP的前级输出作为数据驱动深度子网络(2)根据透镜天线的几何参数对波束域信道进行建模，得到波束域信道矩阵，并根据MIMO系统模型获得具有不同信噪比的训练数据；(3)运用步骤(2)所述的具有不同信噪比的训练数据对模型驱动深度子网络LAMP进行(4)根据射频链端的接收信号，利用训练后的深度学习网络模型进行实时的波束域信2.如权利要求1所述的基于深度学习网络的波束域信道估计方法，其特征在于所述的(1.1)基于近似消息传递算法构建模型驱动深度子网络LAMP，所述模型驱动深子网络LAMP第t层的波束域信道估计过程表所述模型驱动深度子网络LAMP输出的第一级波(1.2)基于残差学习算法构建数据驱动深度子网络ResNet，所述数据驱动深度子网络3其中ii为经过ResNet得到估计出来的信道与其估计值的残差，表示数据驱动深(1.3)射频链端的接收信号依次经过和得到第二级波束域估计信道i,3.如权利要求1所述的基于深度学习网络的波束域信道估计方法，其特征在于所述步r=whs+7通过调节高斯白噪声n的方差改变训练数据的信噪比；向量化后的波束域信道矩阵和对应的射频链端的接收信号向量构成所需的训练数据N是训练数据的数量。(3.1)选用10dB以上的高信噪比的训练数据对模型驱动深度子网络LAMP进行逐层训4(3.2)选用步骤(3.1)所述高信噪比的训练数据对模型驱动深度子网络LAMP进行端到(3.3)选用步骤(3)所述不同信噪比的训练数据对深度学习网络结构进行端到端的整5[0007]本发明的应用场景是基于透镜天线的毫米波大规模MIMO系统，系统模型如图1所6驱动深度子网络LAMP的前级输出作为数据驱动深度子网络R[0011]3.运用步骤2所述的具有不同信噪比的训练数据对模型驱动深度子网络LAMP进行传递算法的第i次迭代表示为模型驱动深度子网络LAMP的第i层，第t次迭代所包含的参数71,1)；[0029]其中ii为经过ResNet得到r[0044]通过调节高斯白噪声n的方差改变训练数据的信噪比；向量化后的波束域信道矩阵和对应的射频链端的接收信号向量构成所需的训练数据N是训练[0046]3.1.选用10dB以上的高信噪比的训练数据对模型驱动深度子网络LAMP进行逐层8[0047]3.2.选用步骤3.1所述高信噪比的训练数据对模型驱动深度子网络LAMP进行端到[0048]3.3.选用步骤3所述不同信噪比的训练数据对深度学习网络结构进行端到端的整[0053]图4是基于近似消息传递算法的深度学习信道估计方法的归一化均方误差性能曲[0056]本实施例的应用场景是基于透镜天线的毫米波大规模MIMO系统，系统模型如图1机生成的1024×1024伯努利矩阵中抽取出的M列构成。针对该系统所提出的基于近似消息9[0059]基于近似消息传递算法的模型驱动深度学习网络LAMP是由近似消息传递算法展[0064]LAMP子网络的输出可以表示为表示该子网络的映射过[0066]基于残差学习的数据驱动深度子网络ResNet通过直接将输入保护信息的完整性，整个网络只需要学习输入和输出的差别d'=i-H,简化学习目标和难[0067]ResNet子网络由多个结构相同的残差块ResidualBlock构成，每个残差块[0068]该子网络的输出可以表示为是该残差学习网络所代表的最终估计值i,具体可以表示为：能块中包含了5层LAMP子网络和1个残差r[0080]单天线用户向基站端以不同的信噪比向基站发送已知的导频信号s，根据系统模[0081]r=whs+7,[0083]向量化后的信道矩阵和对应的射频链端接收信号向量构成了所需的步用高信噪比训练数据对基于近似消息传递算法的模型驱动深度网络LAMP进行逐层训练。天线用户向基站端发送相同的导频信号s，射