基于深度學(xué)習(xí)的1-比特超大規(guī)模MIMO信道估計
2021年電子技術(shù)應(yīng)用第8期
蒲旭敏1，2，吳 超1，2，楊小瓏1，2
1.重慶郵電大學(xué) 通信與信息工程學(xué)院，重慶400065；2.重慶郵電大學(xué) 移動通信技術(shù)重慶市重點實驗室，重慶400065
摘要： 超大規(guī)模多輸入多輸出(Multiple Input Multiple Output，MIMO)技術(shù)在未來的移動通信中具有巨大的潛力。然而，采用超大型的天線陣列會出現(xiàn)空間非平穩(wěn)性信道特征，如果為基站的每根天線都配備一個高精度量化器，系統(tǒng)功耗將大幅度增加，從而阻礙超大規(guī)模MIMO系統(tǒng)的廣泛應(yīng)用。因此，假設(shè)基站的每根天線都配備有一對1-比特模數(shù)轉(zhuǎn)換器(Analog-to-Digital Converters，ADC)，利用子陣列與用戶之間的映射關(guān)系來描述非平穩(wěn)信道特征，借助深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network，DNN)強(qiáng)大的泛化能力，設(shè)計一種新的生成式監(jiān)督DNN模型，該模型可以使用合理數(shù)量的導(dǎo)頻進(jìn)行訓(xùn)練。仿真結(jié)果表明，所提出的網(wǎng)絡(luò)可以使用較少的導(dǎo)頻得到較好的估計性能，在性能與計算復(fù)雜度之間取得良好的平衡。
中圖分類號： TN92
文獻(xiàn)標(biāo)識碼： A
DOI：10.16157/j.issn.0258-7998.211341
中文引用格式： 蒲旭敏，吳超，楊小瓏. 基于深度學(xué)習(xí)的1-比特超大規(guī)模MIMO信道估計[J].電子技術(shù)應(yīng)用，2021，47(8)：87-90，96.
英文引用格式： Pu Xumin，Wu Chao，Yang Xiaolong. Channel estimation for 1-bit extremely massive MIMO via deep learning[J]. Application of Electronic Technique，2021，47(8)：87-90，96.
文獻(xiàn)標(biāo)識碼： A
DOI：10.16157/j.issn.0258-7998.211341
中文引用格式： 蒲旭敏，吳超，楊小瓏. 基于深度學(xué)習(xí)的1-比特超大規(guī)模MIMO信道估計[J].電子技術(shù)應(yīng)用，2021，47(8)：87-90，96.
英文引用格式： Pu Xumin，Wu Chao，Yang Xiaolong. Channel estimation for 1-bit extremely massive MIMO via deep learning[J]. Application of Electronic Technique，2021，47(8)：87-90，96.
Channel estimation for 1-bit extremely massive MIMO via deep learning
Pu Xumin1，2，Wu Chao1，2，Yang Xiaolong1，2
1.School of Communication and Information Engineering，Chongqing University of Posts and Telecommunications， Chongqing 400065，China； 2.Chongqing Key Laboratory of Mobile Communications Technology，Chongqing University of Posts and Telecommunications， Chongqing 400065，China
Abstract： Extremely massive multiple input multiple output(MIMO) has shown considerable potential in future mobile communications. However, the use of extremely massive aperture arrays will lead to spatial non-stationary channel conditions，and each antenna of the base station is equipped with a high-precision quantizer, the power consumption of the system will be greatly increased, which will hinder the widespread application of ultra-large-scale MIMO systems. Therefore, this article assumes that each antenna of the base station is equipped with a pair of 1-bit analog-to-digital converters(ADC), and uses the mapping relationship between the sub-array and the user to describe the non-stationary channel characteristics. Based on the powerful generalization ability of neural network(DNN), this paper designs a new generative supervised DNN model that can be trained with a reasonable number of pilots. The simulation results show that the proposed network can achieve better estimation performance with less pilots and achieve a good balance between performance and complexity.
Key words : channel estimation；deep learning；spatial non-stationary；1-bit ADC
0 引言
大規(guī)模多輸入多輸出(Multiple Input Multiple Output，MIMO)技術(shù)是第五代(Fifth Generation，5G)移動通信的關(guān)鍵技術(shù)之一。隨著天線陣列尺寸數(shù)量級的增加，形成了超大規(guī)模MIMO系統(tǒng)。通過增加天線陣列的尺寸，可以提升頻譜效率、能量效率和空間分辨率等，還有望獲取超高的數(shù)據(jù)速率和系統(tǒng)吞吐量。超大規(guī)模MIMO技術(shù)也因此成為第六代(Sixth Generation，6G)移動通信關(guān)鍵技術(shù)的候選[1]。然而，大口徑陣列的使用會造成不同的信道條件。當(dāng)整個陣列的孔徑有限并且服務(wù)相同的用戶時，空間穩(wěn)定性是成立的。但是，對于大孔徑陣列，由于天線陣列不同區(qū)域所服務(wù)的用戶不同，接收功率的級別也因此不同，這稱為空間非平穩(wěn)性[2]。因此，可以引入子陣列和用戶可見區(qū)域(Visibility Region，VR)來描述信道非平穩(wěn)性[3]。
本文詳細(xì)內(nèi)容請下載：http://www.jysgc.com/resource/share/2000003707。
作者信息：
蒲旭敏1，2，吳 超1，2，楊小瓏1，2
(1.重慶郵電大學(xué) 通信與信息工程學(xué)院，重慶400065；2.重慶郵電大學(xué) 移動通信技術(shù)重慶市重點實驗室，重慶400065)
此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。