论文部分内容阅读
大规模多输入多输出(Multi-input Multi-output,MIMO)技术在不增加信号带宽及发射功率的情况下可以显著增强系统容量,并且有效改善频谱利用率,被视为第五代(5th Generation,5G)移动通信系统的关键技术之一。对于大规模MIMO-OFDM系统而言,在接收端准确的信道估计和均衡器设计是两个极具挑战性的难题,尤其当发射端和接收端天线阵列增加时,使用传统基于导频的信道估计、均衡方法会导致严重的导频污染以及算法复杂度的急剧上升。本文介绍了一种新的信道估计、均衡框架,该框架将大规模MIMO-OFDM系统中相关算法与深度神经网络(Deep Neural Network,DNN)相结合,将通信系统产生的数据分为训练集和测试集分别用来训练和学习。该类方法能够突破传统通信系统模块化的局限性,应对更复杂的信道环境,降低算法复杂度的同时获得性能上的提升。基于DNN网络的信道估计方法性能优于传统最小二乘(Least Square,LS)和经典BPNN(Back Propagation Neural Network,BPNN)网络方法,相比最小均方误差算法(Minimum Mean Square Error,MMSE)不需要信道自相关矩阵和噪声方差的先验统计信息以及矩阵求逆的复杂运算。无论信道模型是否考虑到达角发射角或相关性的应用场景下,都可以利用DNN网络,忽略信道详细参数信息的逐一估计,更为简单智能。将基于DNN网络的信道均衡看作分类问题,把输入信号按照调制方式的星座图分为不同的类,接收信号通过DNN网络均衡器恢复出相应的类,进而恢复发送信号。该方法将大规模MIMO-OFDM系统发送端插入的已知导频符号作为DNN网络均衡器的输入数据,并在此基础上充分分析网络输入、输出之间的对应关系,利用数学上分类加权的思路提出优化后的DNN网络代价函数。通过仿真实验表明改进后的DNN网络均衡器不但能提供更好的均衡性能,而且在训练初始阶段大幅度提升网络收敛速度,降低训练所需时间。