融合殘差SENet的毫米波大規模MIMO信道估計

劉慶利,楊國強,張振亞

(大連大學 a.信息工程學院;b.通信與網絡重點實驗室,遼寧 大連 116622)

0 引 言

為了滿足5G無線通信系統的更高要求,將毫米波與大規模多輸入多輸出(Multiple-Input Multiple-Output,MIMO)系統相結合已成為一種重要的物理層技術而受到了廣泛研究[1]。同時,在進行信號技術處理時,精準地估計出信道狀態信息(Channel State Information,CSI)對于充分利用毫米波帶寬和大型陣列天線增益至關重要[2]。因此,研究在大規模MIMO系統中進行精準的信道估計具有重要意義。

近年來,隨著無線智能通信研究的逐步深化,神經網絡已經在資源分配、調制分類、信號檢測、信道編碼等方面展示出優異的性能[3]。有學者將信道矩陣看成二維圖像[4-5],利用神經網絡從接受的信號中恢復原始信號完成信道估計。文獻[6]針對波束域毫米波大規模MIMO系統提出了一種基于學習去噪的近似消息傳遞的神經網絡,該神經網絡將降噪卷積神經網絡(Denoising Convolutional Neural Network,DnCNN)[7]融合到了LAMP(Loop-mediated Isothermal Amplification)算法中,從噪聲信道中去除噪聲恢復原始信號,然而其網絡訓練時針對的是特定的噪聲集,因此只能在小范圍的信噪比(Signal-to-Noise Ratio,SNR)下完成信道估計。文獻[8]提出了一種改進的卷積盲去噪網絡,通過引入噪聲估計子網、非盲去噪子網,能夠在較大的信噪比范圍下完成信道估計,提高了對噪聲信道的魯棒性,然而該方法僅將導頻看作為單位向量完成信道估計而忽略了導頻信息,這極大地限制了其網絡的適用性和實用性。文獻[9]通過引入條件生成對抗網絡(Conditional Generative Adversarial Network,CGAN),將導頻作為條件和接收信號一起輸入到生成網絡中完成信道估計,提高了網絡的實用性,然而其網絡并未對噪聲進行單獨處理,在噪聲條件下估計精度并不理想。……