(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111637126.6 (22)申请日 2021.12.3 0 (71)申请人 南京戎智 信息创新研究院有限公司 地址 210032 江苏省南京市江北新区星火 路19号14-2栋7楼 (72)发明人 施毅　孙浩　熊云彩　周唯　 沈连丰　燕锋　夏玮玮　 (51)Int.Cl. H04L 25/02(2006.01) H04L 25/03(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) H04L 1/06(2006.01) (54)发明名称 一种基于数据驱动 的深度神经网络信道估 计方法及系统 (57)摘要 本发明采用基于数据驱动的方式来迭代训 练网络模型， 设计了适合深度神经网络的数据驱 动式的信道估计通信系统， 数据驱动采用多种数 据， 提高了感知机训练次数、 模拟信道环境和不 断拟合真实信道分布， 通过前向反向算法不断优 化极值， 可以利用数据训练来获取信道状态信 息， 提高通信质量。 权利要求书3页 说明书7页 附图3页 CN 114650199 A 2022.06.21 CN 114650199 A 1.基于数据驱动的深度神经网络信道估计方法和系统， 其特征在于， 包括如下所述步骤： （1） 深度神经网络在信道估计的算法中， 考虑到测试数据对神经网络训练起到关键的 有效性和可靠性， 为了补充数据量不足， 采用基于数据驱动的深度神经网络来估计计算出 信道估计状态信息， 其数据来源基于DeepMIMO仿真数据集合和最小均方误差 （Minimum   Mean Squared Error ,MMSE） 算法得到的信道响应数据； （2） 通过仿真数据获取数据集并作为深度神经网络训练数据， 输入神经元后迭代训练， 多次迭代训练后以监 督的形式解决信道数据失真及学习信道特性； （3） 信道响应数据和仿真数据集输入深度神经网络进行训练学习， 监督信道特性， 依次 经过隐藏层感知机后输出 各神经元系数矩阵和偏置向量； （4） 为了优化降低估计误差， 使用前向传播算法不断输出优化后的系数矩阵和偏置向 量并通过损失函数和梯度下降算法计算差值后重新梯度下降迭代来 求优化最小化的极值； （5） 神经网络训练过程中， 为了避免拟合中出现的过度现象而导致的数据严重偏离真 实特性的情况， 采用丢弃 策略 （Dropout） 来防止过度拟合； （6） 输出信道 矩阵， 信道均衡。 2.根据权利要求1所述的基于数据驱动的深度神经网络信道估计方法和系统， 其特征 包括所述 （1） ： 在MIMO‑OFDM （Multiple ‑Input Multiple ‑Output‑ Orthogonal  Frequency Division   Multiplexing， 多输入多输出正交频分复用技术） 系统上， 通过利用天线阵列技术来达到多根 天线发送、 多根天线接收信号并使用基于数据驱动的深度神经网络来进行信道估计， 获取信 道状态信息， 其训练 数据来源包括编写DeepMIMO 仿真数据集测试数据， 其通过深度神经学习 框架在有限的测试训练 空间内进行数据的采样收集， 数据集 = ， 其中 ， 为模拟训练数据矩阵， ， 为 矩阵将实部 虚部提取出来后做卷积运算， x为数据集输入参数， F为卷积向量， 此时数据集的训练收集 过程分为： 首先将原始数据随机划分为m个互不相等的数据集输入参数中， 将其中的m个数 据集随机抽取其中的n个数据子集放入训练框架中， 随后将划分的子集进行不同方法的训 练迭代n次后进行均值计算得到； 随后将 获得到的数据保存至 ； 利用最小均 方误差算 法来得到信道响应数据， 其M MSE目标函数为 : 其中 为通过算法要求得的矩阵： 通过求其导数来计算出 ， 值可以将其 一阶导数置为0， 求出 ： L{ 权　利　要　求　书 1/3 页 2 CN 114650199 A 2其中 为插入导频处的值， ， 其中 为自相关矩阵， 计算得到 ： 通过上述步骤将得到仿真数据集和信道响应数据， 其两部分数据一起输入深度神经网 络进行下一步的迭代训练和学习信道特性， 以此来更好的估计出信道状态信息 。 3.根据权利要求1所述的基于数据驱动的深度神经网络信道估计方法和系统， 其特征 包括所述 （2） （4） ： 将数据样本及数据集作为深度神经网络监督预测信道模型后， 通过隐藏层的不断学习 信道特性及参数， 拟合非线性数据并输出拟合后的数据作为下一层神经元 的输入， 不断反 复学习， 得到系数矩阵 和偏置向量 后输出最终结果； 其中数据样本为最小均方误差算 法得到的信道响应矩阵 和数据集为 ， 两部分作为一个整体数据输入深度神经 网络， 经过隐藏层中神经元的加权求和以及下层节点的输出与上层节点的输入之 间通过激 活函数来拟合非线性关系， 该步骤为前向传播算法过程， 对于隐藏层的第 个神经元 输出： 式中 为系数矩阵， 为偏置向量， 为第 个神经元输出数据值， 作为激活函数： 将神经元的特征通过激活函数把特征映射出来， 其将数据输出端输入到另一层的输入 端， 以此来加强神经 元各层的非线性模型的映射能力、 稀疏网络并且解决梯度消失问题。 4.根据权利要求1所述的基于数据驱动的深度神经网络信道估计方法和系统， 其特征 包括所述 （3） （4） ： 将前线传播算法得到的系数矩阵 和偏置向量 通过损失函数来计算出相应的差值， 为了让 和 以最小的差值接近样本实际输出， 先使用损失函数优化最小化的极值， 然后 利用梯度下降算法多次迭代来实现后向传播算法优化最 终极值的结果； 其中对应的损失函 数： ， 式中r神经元的实际输出， a期 望输出， 系数矩阵， 偏倚向量， 对系数矩阵和偏倚向量 求一阶偏导数： 权　利　要　求　书 2/3 页 3 CN 114650199 A 3