公开(公告)号：CN114598574A

公开(公告)日：2022-06-07

申请号：CN202210218629.8

申请日：2022-03-03

Applicant: 重庆邮电大学

Inventor： 龙恳 ,  刘青 ,  刘健 ,  陈冀鹏

IPC: H04L25/02 ,  H04B7/0452 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于无线通信技术领域，提供了一种基于深度学习的毫米波信道估计方法。本发明主要包括以下步骤：构建毫米波大规模MIMO系统信道模型；根据毫米波信道模型构建深度学习框架，设计DNN信道估计器的参数；收集DNN信道估计器离线训练的样本；DNN信道估计器通过离线学习在不同信道条件下的模拟数据进行训练；进行DNN信道估计器的在线估计，根据当前输入数据得到相应的输出数据；对DNN信道估计器的MSE性能进行实验并分析。通过最后的验证发现，与传统毫米波信道估计方法相比，本发明的性能更好，并通过在各种情况下进行仿真，证明了本发明的有效性。

公开(公告)号：CN114726419A

公开(公告)日：2022-07-08

申请号：CN202210358183.9

申请日：2022-04-07

Applicant: 重庆邮电大学

Inventor： 龙恳 ,  刘健 ,  刘青 ,  陈冀鹏 ,  赵舒安

IPC: H04B7/0452 ,  H04B17/391 ,  G06N3/08 ,  G06F17/16

Abstract: 本文针对发射天线数量大于接收天线数量的大规模多输入多输出系统，提出了一种基于深度学习的共轭梯度大规模MIMO检测方法用于信号检测。该方法通过选择合适的可训练参数，将带有可训练参数的CG迭代算法展开为深度神经网络，并通过网络训练，找到每一层的最优参数。并通过基于特征值估计的初始值迭代策略，提升算法的收敛性。这种方法可以保证在参数估计时的快速收敛。另外，该方法可训练参数的个数只和网络层数有关，与天线的数量无关。这些特点保证了该方法快速稳定的训练过程和对大型系统的合理的可扩展性。本发明实现了以较低复杂度，达到了更低的误码率。