基于深度学习的压缩感知FDD大规模MIMO系统稀疏信道估计算法

doi:10.11959/j.issn.1000-436x.2021128

通信学报 ›› 2021, Vol. 42 ›› Issue (8): 61-69.doi: 10.11959/j.issn.1000-436x.2021128

基于深度学习的压缩感知FDD大规模MIMO系统稀疏信道估计算法

黄源¹, 何怡刚¹^,², 吴裕庭¹, 程彤彤¹, 隋永波¹, 宁暑光¹

¹ 合肥工业大学电气与自动化工程学院，安徽合肥 230009
² 武汉大学电气工程学院，湖北武汉 430072

修回日期:2021-05-08 出版日期:2021-08-25 发布日期:2021-08-01
作者简介:黄源（1993- ），男，湖北黄石人，合肥工业大学博士生，主要研究方向为大规模MIMO无线信道估计和压缩感知技术
何怡刚（1966- ），男，湖南邵阳人，博士，合肥工业大学教授、博士生导师，主要研究方向为模拟和混合集成电路设计、测试与故障诊断、智能电网技术、射频识别技术、虚拟仪器和智能信号处理
吴裕庭（1992- ），男，安徽铜陵人，合肥工业大学博士生，主要研究方向为无线信道建模
程彤彤（1993- ），男，安徽淮南人，合肥工业大学博士生，主要研究方向为无线信道预编码技术
隋永波（1990- ），男，山东潍坊人，合肥工业大学博士生，主要研究方向为无线信道预测技术
宁暑光（1991- ），男，安徽阜阳人，合肥工业大学博士生，主要研究方向为电力设备故障诊断与定位
基金资助:
国家重点研发计划基金资助项目(2016YFF0102200);国家自然科学基金资助项目(51577046);国家自然科学基金资助项目(51637004)

Deep learning for compressed sensing based sparse channel estimation in FDD massive MIMO systems

Yuan HUANG¹, Yigang HE¹^,², Yuting WU¹, Tongtong CHENG¹, Yongbo SUI¹, Shuguang NING¹

¹ The School of Electrical Engineering and Automation, Hefei University of Technology, Hefei 230009, China
² The School of Electrical Engineering, Wuhan University, Wuhan 430072, China

Revised:2021-05-08 Online:2021-08-25 Published:2021-08-01
Supported by:
The National Key Research and Development Program of China(2016YFF0102200);The National Natural Science Foundation of China(51577046);The National Natural Science Foundation of China(51637004)

摘要/Abstract

摘要：

针对FDD大规模多输入多输出（MIMO）下行链路系统，提出了一种新型的基于深度学习的压缩感知稀疏信道估计算法，即卷积重构网络（ConCSNet）。在不需要稀疏度的情况下，通过数据驱动的方式，利用ConCSNet求解从测量向量y到信号h的逆变换过程，从而解决压缩感知框架下的欠定最优化问题，实现对原始稀疏信道的重构。仿真结果表明，所提算法能更快速、准确地恢复稀疏度未知的大规模MIMO系统的信道状态信息。

关键词: 无线通信, FDD大规模MIMO系统, 稀疏信道估计, 深度学习

Abstract:

For FDD massive multi-input multi-output (MIMO) downlink system, a novel deep learning method for compressed sensing based sparse channel estimation was proposed, which was called convolutional compressed sensing network (ConCSNet).In the ConCSNet, the convolutional neural network was utilized to solve the inverse transformation process from measurement vector y to signal h and solve the underdetermined optimization problem through data-driven method without sparsity.Simulation results show that the algorithm can recover the channel state information in massive MIMO Systems with unknown sparsity more quickly and accurately.

Key words: wireless communication, FDD massive MIMO system, sparse channel estimation, deep learning

中图分类号:

TN929.5

黄源, 何怡刚, 吴裕庭, 程彤彤, 隋永波, 宁暑光. 基于深度学习的压缩感知FDD大规模MIMO系统稀疏信道估计算法[J]. 通信学报, 2021, 42(8): 61-69.

Yuan HUANG, Yigang HE, Yuting WU, Tongtong CHENG, Yongbo SUI, Shuguang NING. Deep learning for compressed sensing based sparse channel estimation in FDD massive MIMO systems[J]. Journal on Communications, 2021, 42(8): 61-69.

图/表 11

图1

图2

图3

图4

表1

图5

图6

表2

图7

表3

图8

参考文献 17

[1]	PAPAZAFEIROPOULOS A , KOURTESSIS P , RENZO M D ,et al. Performance analysis of cell-free massive MIMO systems:astochastic geometry approach[J]. IEEE Transactions on Vehicular Technology, 2020,69(4): 3523-3537.
[2]	LU L , LI G Y , SWINDLEHURST A L ,et al. An overview of massive MIMO:benefits and challenges[J]. IEEE Journal of Selected Topics in Signal Processing, 2014,8(5): 742-758.
[3]	彭章友, 王淼, 李林霄 ,等. 基于波束选择的毫米波massive MIMO预编码算法研究[J]. 电子测量技术, 2016,39(7): 183-189.
	PENG Z Y , WANG M , LI L X ,et al. Research about a low dimensional beamspace precoder method in mm-w massive MU-MIMO systems[J]. Electronic Measurement Technology, 2016,39(7): 183-189.
[4]	戈立军, 郭徽, 李月 ,等. 大规模MIMO系统稀疏度自适应信道估计算法[J]. 通信学报, 2017,38(12): 57-62.
	GE L J , GUO H , LI Y ,et al. Sparsity adaptive channel estimation algorithm based on compressive sensing for massive MIMO systems[J]. Journal on Communications, 2017,38(12): 57-62.
[5]	LIN X C , WU S , JIANG C X ,et al. Estimation of broadband multiuser millimeter wave massive MIMO-OFDM channels by exploiting their sparse structure[J]. IEEE Transactions on Wireless Communications, 2018,17(6): 3959-3973.
[6]	RIADI A , BOULOUIRD M , HASSANI M M . Performance of massive-MIMO OFDM system with M-QAM modulation based on LS channel estimation[C]// 2019 International Conference on Advanced Systems and Emergent Technologies. Piscataway:IEEE Press, 2019: 74-78.
[7]	LI K , SONG X , AHMAD M O ,et al. An improved multicell MMSE channel estimation in a massive MIMO system[J]. International Journal of Antennas and Propagation, 2014,6(2): 1-9.
[8]	GAO Z , DAI L L , DAI W ,et al. Structured compressive sensing-based spatio-temporal joint channel estimation for FDD massive MIMO[J]. IEEE Transactions on Communications, 2016,64(2): 601-617.
[9]	WU X D , YANG G H , HOU F ,et al. Low-complexity downlink channel estimation for millimeter-wave FDD massive MIMO systems[J]. IEEE Wireless Communications Letters, 2019,8(4): 1103-1107.
[10]	RAO X B , LAU V K N . Distributed compressive CSIT estimation and feedback for FDD multi-user massive MIMO systems[J]. IEEE Transactions on Signal Processing, 2014,62(12): 3261-3271.
[11]	ZHANG Y , VENKATESAN R , DOBRE O A ,et al. Novel compressed sensing-based channel estimation algorithm and near-optimal pilot placement scheme[J]. IEEE Transactions on Wireless Communications, 2016,15(4): 2590-2603.
[12]	WANG P , ZHANG H , YANG L . Estimation of block sparse channels with conjugate gradient SAMP in massive MIMO systems[C]// 2019 4th International Conference on Electromechanical Control Technology and Transportation. Piscataway:IEEE Press, 2019: 33-38.
[13]	CANDES E J , WAKIN M B . An introduction to compressive sampling[J]. IEEE Signal Processing Magazine, 2008,25(2): 21-30.
[14]	GUI G , WAN Q , PENG W ,et al. Sparse multipath channel estimation using compressive sampling matching pursuit algorithm[C]// IEEE Vehicular Technology Society Asia Pacific Wireless Communication Symposium. Piscataway:IEEE Press, 2010: 19-22.
[15]	高飞, 彭云柯, 薛艳明 . 基于 GOMP 及其改进的 OFDM 系统稀疏信道估计[J]. 北京理工大学学报, 2016,36(9): 956-959.
	GAO F , PENG Y K , XUE Y M . Generalized orthogonal matching pursuit and improved algorithms for compressive sensing based sparse channel estimation in OFDM systems[J]. Transactions of Beijing Institute of Technology, 2016,36(9): 956-959.
[16]	KULKARNI K , LOHIT S , TURAGA P ,et al. ReconNet:non-iterative reconstruction of images from compressively sensed measurements[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway:IEEE Press, 2016: 449-458.
[17]	GHOSH A , RATASUK R , MONDAL B ,et al. LTE-advanced:next-generation wireless broadband technology[J]. IEEE Wireless Communications, 2010,17(3): 10-22.

参数	值
时延/ns	0, 30, 150, 310, 370, 710, 1 090, 1 730, 2 510
功率/dB	0, -1.5, -1.4, -3.6, -0.6, -9.1, -7.0, -12.0, -16.9
信道衰落模型	瑞利衰落信道
多普勒频移/Hz	50
信道抽头数	9
天线配置	16×4
导频数	30
带宽/MHz	20
载波频率/GHz	2

重构算法	采样率=0.25			采样率=0.375			采样率=0.50
重构算法	MSE/dB	PSNR/dB	运算时间/s	MSE/dB	PSNR/dB	运算时间/s	MSE/dB	PSNR/dB	运算时间/s
LS	0.030 7	51.12	0.027	0.091 0	46.40	0.036	0.042 8	49.67	0.045
Orale LS	2.112×10^-4	72.74	0.021	1.081×10^-4	75.65	0.027	5.998×10^-5	78.21	0.026
OMP	0.131 5	44.80	0.254	0.026 4	51.77	0.255	0.004 7	59.27	0.259
SAMP	0.009 9	56.03	0.152	0.005 2	58.83	0.188	7.242×10^-4	67.39	0.192
CoSaMP	0.017 9	53.46	0.127	0.009 8	56.07	0.126	0.001 8	63.43	0.158
gOMP	0.012 8	54.91	0.131	0.003 6	60.42	0.145	0.001 2	65.20	0.148
ReconNet	0.006 2	58.02	0.042	0.002 5	62.01	0.049	6.506×10^-4	67.85	0.056
ConCSNet	0.004 1	59.86	0.055	0.001 2	65.20	0.061	4.513×10^-4	69.44	0.063

重构算法	EPA			EVA			ETU
重构算法	MSE/dB	PSNR/dB	时间/s	MSE/dB	PSNR/dB	时间/s	MSE/dB	PSNR/dB	时间/s
LS	0.122 7	45.10	0.026	0.129 8	44.85	0.032	0.136 9	44.62	0.031
Orale_LS	2.216×10^-4	72.53	0.025	4.514×10^-5	79.44	0.024	4.516×10^-5	79.44	0.026
OMP	1.9369×10^-2	53.11	0.253	3.236×10^-2	50.89	0.258	3.691×10^-2	50.31	0.256
SAMP	1.552×10^-2	54.07	0.161	4.776×10^-2	49.20	0.164	4.327×10^-2	49.62	0.167
CoSaMP	5.851×10^-3	58.31	0.129	1.115×10^-2	55.51	0.332	9.129×10^-3	56.38	0.142
gOMP	1.128×10^-3	65.46	0.147	3.762×10^-3	60.23	0.158	3.242×10^-3	60.88	0.162
ReconNet	6.071×10^-4	68.15	0.052	8.921×10^-4	66.48	0.055	9.621×10^-4	66.15	0.058
ConCSNet	4.561×10^-4	69.39	0.061	7.513×10^-4	67.23	0.066	7.873×10^-4	67.03	0.069

基于深度学习的压缩感知FDD大规模MIMO系统稀疏信道估计算法

Deep learning for compressed sensing based sparse channel estimation in FDD massive MIMO systems

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 17

相关文章 15

Metrics

推荐阅读 0

[1]	陈东昱, 陈华, 范丽敏, 付一方, 王舰. 基于深度学习的随机性检验策略研究[J]. 通信学报, 2023, 44(6): 23-33.
[2]	李荣鹏, 汪丙炎, 张宏纲, 赵志峰. 知识增强的语义通信接收端设计[J]. 通信学报, 2023, 44(6): 70-76.
[3]	马帅, 裴科, 祁华艳, 李航, 曹雯, 王洪梅, 熊海良, 李世银. 基于生成模型的地磁室内高精度定位算法研究[J]. 通信学报, 2023, 44(6): 211-222.
[4]	杨洁, 董标, 付雪, 王禹, 桂冠. 基于轻量化分布式学习的自动调制分类方法[J]. 通信学报, 2022, 43(7): 134-142.
[5]	张超, 王元赫. 论涡旋电磁波轨道角动量传输新维度[J]. 通信学报, 2022, 43(6): 211-222.
[6]	杨秀璋, 彭国军, 李子川, 吕杨琦, 刘思德, 李晨光. 基于Bert和BiLSTM-CRF的APT攻击实体识别及对齐研究[J]. 通信学报, 2022, 43(6): 58-70.
[7]	廖勇, 王世义. 高速移动环境下基于RM-Net的大规模MIMO CSI反馈算法[J]. 通信学报, 2022, 43(5): 166-176.
[8]	廖育荣, 王海宁, 林存宝, 李阳, 方宇强, 倪淑燕. 基于深度学习的光学遥感图像目标检测研究进展[J]. 通信学报, 2022, 43(5): 190-203.
[9]	赵增华, 童跃凡, 崔佳洋. 基于域自适应的Wi-Fi指纹设备无关室内定位模型[J]. 通信学报, 2022, 43(4): 143-153.
[10]	卢汉成, 王亚正, 赵丹, 罗涛, 吴俊. 智能反射表面辅助的无线通信系统的物理层安全综述[J]. 通信学报, 2022, 43(2): 171-184.
[11]	唐奎, 胡琪, 赵俊明, 陈克, 冯一军. 基于RIS的室内无线通信信号增强系统[J]. 通信学报, 2022, 43(12): 24-31.
[12]	刘海霞, 易浩, 马向进, 乐舒瑶, 孔旭东, 马培, 曾宇鑫, 李龙. 基于无源可重构智能超表面的室内无线信号覆盖增强[J]. 通信学报, 2022, 43(12): 32-44.
[13]	郝一诺, 钟州, 孙小丽, 金梁. 面向IoT场景的动态超表面天线密钥生成方法[J]. 通信学报, 2022, 43(12): 45-53.
[14]	廖勇, 程港, 李玉杰. 基于深度展开的大规模MIMO系统CSI反馈算法[J]. 通信学报, 2022, 43(12): 77-88.
[15]	段雪源, 付钰, 王坤, 李彬. 基于简单统计特征的LDoS攻击检测方法[J]. 通信学报, 2022, 43(11): 53-64.