基于深度学习的1-比特超大规模MIMO信道估计
2021年电子技术应用第8期
蒲旭敏1，2，吴 超1，2，杨小珑1，2
1.重庆邮电大学 通信与信息工程学院，重庆400065；2.重庆邮电大学 移动通信技术重庆市重点实验室，重庆400065
摘要： 超大规模多输入多输出(Multiple Input Multiple Output，MIMO)技术在未来的移动通信中具有巨大的潜力。然而，采用超大型的天线阵列会出现空间非平稳性信道特征，如果为基站的每根天线都配备一个高精度量化器，系统功耗将大幅度增加，从而阻碍超大规模MIMO系统的广泛应用。因此，假设基站的每根天线都配备有一对1-比特模数转换器(Analog-to-Digital Converters，ADC)，利用子阵列与用户之间的映射关系来描述非平稳信道特征，借助深度神经网络(Deep Neural Network，DNN)强大的泛化能力，设计一种新的生成式监督DNN模型，该模型可以使用合理数量的导频进行训练。仿真结果表明，所提出的网络可以使用较少的导频得到较好的估计性能，在性能与计算复杂度之间取得良好的平衡。
中圖分類號： TN92
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211341
中文引用格式： 蒲旭敏，吳超，楊小瓏. 基于深度學習的1-比特超大規(guī)模MIMO信道估計[J].電子技術應用，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.
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211341
中文引用格式： 蒲旭敏，吳超，楊小瓏. 基于深度學習的1-比特超大規(guī)模MIMO信道估計[J].電子技術應用，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)技術是第五代(Fifth Generation，5G)移動通信的關鍵技術之一。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技術也因此成為第六代(Sixth Generation，6G)移動通信關鍵技術的候選[1]。然而，大口徑陣列的使用會造成不同的信道條件。當整個陣列的孔徑有限并且服務相同的用戶時，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]。
本文詳細內容請下載：http://ihrv.cn/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 通信與信息工程學院，重慶400065；2.重慶郵電大學 移動通信技術重慶市重點實驗室，重慶400065)
此內容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權禁止轉載。