王昊

（中國信息通信研究院，北京 100191）

0 引言

信號(hào)估計(jì)通常采用導(dǎo)頻、半盲估計(jì)、盲估計(jì)來實(shí)現(xiàn)[1-4]。盲道估計(jì)需要獲取大量的信號(hào)信息，計(jì)算復(fù)雜度高、實(shí)時(shí)性差，不能滿足5G 用戶低時(shí)延的需求。半盲估計(jì)通過少量導(dǎo)頻獲得信道參數(shù)的初始值，采用信號(hào)反饋的方式結(jié)合后驗(yàn)信息進(jìn)行完整信道參數(shù)的似然估計(jì)。基于導(dǎo)頻的信道估計(jì)方法是在信號(hào)發(fā)送過程中插入不承載有用信息且收發(fā)雙方已知的訓(xùn)練序列或者導(dǎo)頻符號(hào)，接收端根據(jù)導(dǎo)頻信號(hào)實(shí)現(xiàn)信道估計(jì)[5-6]。與半盲估計(jì)、盲估計(jì)相比，基于導(dǎo)頻的信號(hào)估計(jì)方法具有復(fù)雜度低、方法簡單等優(yōu)點(diǎn)，因此受到廣泛應(yīng)用。

基于導(dǎo)頻的信道估計(jì)性能受到導(dǎo)頻設(shè)計(jì)和估計(jì)算法的影響，因此不少學(xué)者針對(duì)上述兩方面做了大量的研究。Hassibi 等人[7]指出，在不相關(guān)的瑞麗衰落信道中，最優(yōu)導(dǎo)頻信號(hào)應(yīng)該是正交的，而且導(dǎo)頻的長度應(yīng)該等于天線的數(shù)量，該方法很難適用于5G 的大規(guī)模多輸入多輸出（MIMO）系統(tǒng)；Duly 等人[8]借助信道反饋來實(shí)現(xiàn)導(dǎo)頻信號(hào)的調(diào)優(yōu)，以期降低接收端產(chǎn)生的符號(hào)間干擾、碼間串?dāng)_等影響，進(jìn)而提升信道估計(jì)精度；Wang 等人[9]則利用信道時(shí)間和空間的相關(guān)性，采用相關(guān)算法來最小化信道估計(jì)的均方誤差，進(jìn)而優(yōu)化導(dǎo)頻序列；You 等人[10]采用信道二階統(tǒng)計(jì)的方法來分配導(dǎo)頻，保障使用相同導(dǎo)頻的用戶對(duì)應(yīng)相互正交的信道矩陣，從而避免信道污染的問題；Li 等人[11]基于信道時(shí)間相關(guān)性，提出深度神經(jīng)網(wǎng)絡(luò)的信道狀態(tài)信息反饋方案，有效降低信道狀態(tài)信息反饋開銷和提升信道狀態(tài)信息反饋精度；He 等人[12]采用壓縮感知的稀疏信道估計(jì)來獲得更好的信道估計(jì)結(jié)果，該方法能較好對(duì)抗導(dǎo)頻干擾；Qi 等人[13]提出一種基于稀疏轉(zhuǎn)換方法的信道估計(jì)方法，該方法能夠?qū)崿F(xiàn)有限導(dǎo)頻開銷條件下的多信道參數(shù)估計(jì)。

上述的導(dǎo)頻設(shè)計(jì)和估計(jì)算法都是基于小規(guī)模MIMOOFDM 或者SISO-OFDM 信道系統(tǒng)設(shè)計(jì)的，未考慮大規(guī)模多天線系統(tǒng)中環(huán)境的動(dòng)態(tài)變化、系統(tǒng)開銷和計(jì)算復(fù)雜度的影響，因此無法直接擴(kuò)展到大規(guī)模MIMO 系統(tǒng)中。針對(duì)該問題，本文提出一種基于BP 神經(jīng)網(wǎng)絡(luò)的5G 通信系統(tǒng)信道估計(jì)方法，為了降低信道估計(jì)的系統(tǒng)開銷和計(jì)算復(fù)雜度，將信道估計(jì)模型定義為回歸擬合；為了應(yīng)對(duì)環(huán)境動(dòng)態(tài)變化和實(shí)際場景與訓(xùn)練數(shù)據(jù)不一致的問題，采用在線訓(xùn)練小樣本數(shù)據(jù)的方式，融合集成學(xué)習(xí)的方法迭代優(yōu)化模型，以實(shí)現(xiàn)模型的高適用性。

1 基于神經(jīng)網(wǎng)絡(luò)的信道估計(jì)初始模型構(gòu)建

受到多徑效應(yīng)的影響，無線信道估計(jì)呈現(xiàn)較強(qiáng)的非線性特征。采用何種方法快速學(xué)習(xí)信道傳輸參數(shù)的非線性映射，并且各信道傳輸參數(shù)具有良好的適應(yīng)性是信道估計(jì)的關(guān)鍵問題。本文采用深度學(xué)習(xí)的方法，通過對(duì)大量數(shù)據(jù)的離線學(xué)習(xí)，迭代訓(xùn)練得到信道參數(shù)的自回歸系數(shù)，以實(shí)現(xiàn)傳輸參數(shù)的非線性映射，獲得初步的信道估計(jì)模型。

1.1 系統(tǒng)模型

假設(shè)大規(guī)模MIMO-OFDM 系統(tǒng)中，發(fā)射天線個(gè)數(shù)為Nt，接收天線個(gè)數(shù)為Nr。則第n個(gè)發(fā)射天線的一個(gè)OFDM 符號(hào)表示為：

其中，yk、xk、wk、Hk分別表示為：

1.2 基于神經(jīng)網(wǎng)絡(luò)的信道估計(jì)初始模型

為了對(duì)Hk進(jìn)行有效估計(jì)，必須設(shè)置合理的信道估計(jì)算法?？紤]到發(fā)送天線和接收天線以及子載波數(shù)量較大的情況下，采用線性估計(jì)的算法所得到的準(zhǔn)確率很難達(dá)到實(shí)際應(yīng)用的標(biāo)準(zhǔn)，因此本文采用大數(shù)據(jù)的方法，利用神經(jīng)網(wǎng)絡(luò)的方法對(duì)大量離線數(shù)據(jù)進(jìn)行訓(xùn)練，學(xué)習(xí)無線信道的狀態(tài)特征，盡可能獲取傳輸信道的頻域變化特征。那么，為了學(xué)習(xí)所有子載波的信道狀態(tài)，采用BP 神經(jīng)網(wǎng)絡(luò)對(duì)大量離線數(shù)據(jù)進(jìn)行信道估計(jì)，定義損失函數(shù)為：

其中，Hi為子載波i的實(shí)際信道狀態(tài)，為神經(jīng)網(wǎng)絡(luò)輸出的子載波i的信道狀態(tài)矩陣。為了得出HDNN，本文將發(fā)射信道x和接收信號(hào)y作為神經(jīng)網(wǎng)絡(luò)的輸入，以已知的信道實(shí)際狀態(tài)信息H作為標(biāo)簽對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行有監(jiān)督的訓(xùn)練，最終得出神經(jīng)網(wǎng)絡(luò)優(yōu)化有的信道狀態(tài)矩陣HDNN作為神經(jīng)網(wǎng)絡(luò)的輸出。神經(jīng)網(wǎng)絡(luò)的離線訓(xùn)練過程如圖1 所示：

圖1 神經(jīng)網(wǎng)絡(luò)離線訓(xùn)練過程

2 基于在線集成學(xué)習(xí)的信道估計(jì)自適應(yīng)優(yōu)化模型

從大量離線數(shù)據(jù)對(duì)信道狀態(tài)矩陣進(jìn)行訓(xùn)練從而構(gòu)建信道估計(jì)初始模型，直接使用很難適用于動(dòng)態(tài)的信道時(shí)域變化環(huán)境。除此之外，信道估計(jì)模型與用戶使用業(yè)務(wù)量有一定的關(guān)系，不同時(shí)間（忙閑時(shí)）尺度下，信道估計(jì)受到的外部干擾也是不同的，因此基于離線大數(shù)據(jù)下的信道估計(jì)初始模型不能用于不同區(qū)域、不同時(shí)間段的信道估計(jì)，否則，其預(yù)測(cè)準(zhǔn)確性和性能將會(huì)大打折扣。為此，本文通過在線集成學(xué)習(xí)的方法對(duì)初始的信道估計(jì)模型進(jìn)行優(yōu)化。由于發(fā)送和接收的數(shù)據(jù)是持續(xù)更新的，通過對(duì)新一批數(shù)據(jù)進(jìn)行訓(xùn)練，生成一個(gè)新的信道估計(jì)模型，并對(duì)比信道估計(jì)初始模型的性能，對(duì)初始信道估計(jì)模型進(jìn)行權(quán)重更新；基于更新后的權(quán)重，采用加權(quán)平均的方法調(diào)整每一個(gè)信道估計(jì)模型的權(quán)重，形成一個(gè)在線優(yōu)化的信道估計(jì)模型，實(shí)現(xiàn)信道估計(jì)參數(shù)的自適應(yīng)學(xué)習(xí)。基于在線集成學(xué)習(xí)的信道估計(jì)優(yōu)化模型過程如圖2 所示。

3 仿真實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)說明

為了對(duì)本文模型進(jìn)行驗(yàn)證，通過將LS 信道估計(jì)和BLMMSE 信道估計(jì)兩種經(jīng)典的信道估計(jì)方法與本文模型進(jìn)行對(duì)比，將比較不同信噪比、不同長度的導(dǎo)頻下兩種場景下的信道估計(jì)精度。LS 信道估計(jì)通過最小二乘法來實(shí)現(xiàn)信道的估計(jì)。BLMMSE 信道估計(jì)是將信號(hào)分解成線性變量，然后再通過最小二乘法實(shí)現(xiàn)信道估計(jì)。由此看出，BLMMSE 信道估計(jì)能夠較好應(yīng)對(duì)非線性映射的問題，具有較高的估計(jì)精度。

仿真使用相關(guān)的信道參數(shù)如表1 所示。

表1 仿真實(shí)驗(yàn)中的相關(guān)信道參數(shù)

3.2 實(shí)驗(yàn)結(jié)果分析

（1）不同信噪比下三種估計(jì)方法的估計(jì)精度對(duì)比

從圖3 可知，主坐標(biāo)軸對(duì)應(yīng)LS 信道估計(jì)和BLMMSE 信道估計(jì)誤差；次坐標(biāo)軸對(duì)應(yīng)本文信道估計(jì)誤差。本文信道估計(jì)模型在不同信道比下的性能都是最優(yōu)的；LS 信道估計(jì)和BLMMSE 信道估計(jì)方法不僅對(duì)信噪的變化十分敏感，而且在低信噪比時(shí)的估計(jì)精度不高。這是因?yàn)樵诘托旁氡鹊臓顟B(tài)下，不同的信道所對(duì)應(yīng)的標(biāo)簽值差異性很小，在這種標(biāo)簽差異性很小的情況下，LS信道估計(jì)和BLMMSE 信道估計(jì)方法很難建立起精確的映射關(guān)系。而本文模型采用在線數(shù)據(jù)不斷優(yōu)化模型，通過迭代的方式構(gòu)建起精確的映射關(guān)系，實(shí)現(xiàn)信噪比波動(dòng)場景下信道估計(jì)參數(shù)的自適應(yīng)學(xué)習(xí)。

圖2 基于在線集成學(xué)習(xí)的信道估計(jì)優(yōu)化模型

圖3 不同信噪比下三種估計(jì)方法的估計(jì)精度對(duì)比

（2）不同長度導(dǎo)頻下三種估計(jì)方法的估計(jì)精度對(duì)比

從圖4 可知，主坐標(biāo)軸對(duì)應(yīng)LS 信道估計(jì)和BLMMSE 信道估計(jì)誤差；次坐標(biāo)軸對(duì)應(yīng)本文信道估計(jì)誤差。本文信道估計(jì)模型在不同導(dǎo)頻長度下的性能都是最優(yōu)的，LS 信道估計(jì)和BLMMSE 信道估計(jì)方法不僅對(duì)導(dǎo)頻長度的變化相對(duì)敏感，而且在導(dǎo)頻長度時(shí)，由于天線數(shù)量較高（天線數(shù)量是100），其信道的估計(jì)精度較低。本文將每5 個(gè)采樣間隙劃分成一個(gè)數(shù)據(jù)塊，每個(gè)采樣間隙下的第一個(gè)數(shù)據(jù)塊被設(shè)計(jì)為導(dǎo)頻時(shí)，其他4 個(gè)信道數(shù)據(jù)通過第一個(gè)數(shù)據(jù)塊來估計(jì)，在天線數(shù)越多、低長度導(dǎo)頻的情況下，越小的導(dǎo)頻長度的差異性很小，在這種標(biāo)簽差異性很小的情況下，LS 信道估計(jì)和BLMMSE 信道估計(jì)方法很難建立起精確的映射關(guān)系。而本文模型采用在線數(shù)據(jù)不斷優(yōu)化模型，通過迭代的方式構(gòu)建起精確的映射關(guān)系，較好地應(yīng)對(duì)導(dǎo)頻長度變化的情況。

圖4 不同導(dǎo)頻長度下三種估計(jì)方法的估計(jì)精度對(duì)比

4 結(jié)束語

本文提出一種基于自適應(yīng)學(xué)習(xí)的5G 通信系統(tǒng)信道估計(jì)方法，該方法將信道估計(jì)問題分解為回歸擬合和在線自適應(yīng)集成優(yōu)化兩個(gè)子問題。采用BP 神經(jīng)網(wǎng)絡(luò)對(duì)大量離線數(shù)據(jù)進(jìn)行訓(xùn)練，充分學(xué)習(xí)無線信道的狀態(tài)特征，獲取無線信道的初始模型；并在此基礎(chǔ)上，采用在線數(shù)據(jù)迭代更新模型的方式，融合集成學(xué)習(xí)實(shí)現(xiàn)信道估計(jì)參數(shù)的自適應(yīng)優(yōu)化；最后，本文設(shè)計(jì)仿真實(shí)驗(yàn)，從不同信噪比和不同導(dǎo)頻長度下證明了本文算法的魯棒性和有效性。綜上所述，本文提出的信道估計(jì)方法具有擴(kuò)展性和實(shí)用性。