公开(公告)号：CN111935037A

公开(公告)日：2020-11-13

申请号：CN202010520822.8

申请日：2020-06-09

Applicant: 东南大学

Inventor： 刘楠 ,  金子程 ,  潘志文 ,  尤肖虎

IPC: H04L25/02 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于深度学习的大规模多天线系统信道估计方法。本发明的方法为：首先在基站处根据系统模型和信道模型产生训练用信道和接收并量化的导频信号，构建RC-DNN的训练样本进行RC-DNN训练；然后将接收并量化的导频信号输入训练完成后的RC-DNN获得RC-DNN的输出，并将其同对应的高精度ADC天线接收并量化后的导频信号合并成Ref-DNN的训练样本进行Ref-DNN训练；用户向基站发送导频信号，将由用户发送且经基站天线接收并量化的导频信号ru输入RC-DNN得到低精度ADC天线处的估计信道 将其与高精度ADC天线接收并量化后的导频信号rH,u合并为Ref-DNN的输入su，将su输入Ref-DNN，获得用户到所有天线的估计信道 本发明可有效降低估计的NMSE。

公开(公告)号：CN111935037B

公开(公告)日：2022-07-12

申请号：CN202010520822.8

申请日：2020-06-09

Applicant: 东南大学

Inventor： 刘楠 ,  金子程 ,  潘志文 ,  尤肖虎

IPC: H04L25/02 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于深度学习的大规模多天线系统信道估计方法。本发明的方法为：首先在基站处根据系统模型和信道模型产生训练用信道和接收并量化的导频信号，构建RC‑DNN的训练样本进行RC‑DNN训练；然后将接收并量化的导频信号输入训练完成后的RC‑DNN获得RC‑DNN的输出，并将其同对应的高精度ADC天线接收并量化后的导频信号合并成Ref‑DNN的训练样本进行Ref‑DNN训练；用户向基站发送导频信号，将由用户发送且经基站天线接收并量化的导频信号ru输入RC‑DNN得到低精度ADC天线处的估计信道将其与高精度ADC天线接收并量化后的导频信号rH,u合并为Ref‑DNN的输入su，将su输入Ref‑DNN，获得用户到所有天线的估计信道本发明可有效降低估计的NMSE。

公开(公告)号：CN113381952B

公开(公告)日：2022-06-24

申请号：CN202110640980.1

申请日：2021-06-09

Applicant: 东南大学 ,  网络通信与安全紫金山实验室

Inventor： 潘志文 ,  金子程 ,  刘楠 ,  尤肖虎

IPC: H04L25/02 ,  H04B7/0413

Abstract: 本发明公开了基于深度学习的多天线系统信道估计方法，适用于估计上行多径信道，本发明基于条件生成对抗网络实现，条件生成对抗网络包括基于深度学习网络的生成器与判别器两部分，该方法包括离线训练和在线测试两部分：离线训练首先根据真实信道测量值生成训练样本，然后利用生成器获得训练样本对应的估计信道；其次由判别器得到判别输出，计算损失函数更新判别器和生成器的网络参数；循环迭代完成后将训练完成的生成器神经网络存储于基站处；在线测试阶段，将量化后的导频信号和原导频信号输入训练完成的生成器，获得用户到所有天线的估计信道。与现有技术相比，能有效降低估计的归一化均方误差。