系统工程与电子技术

作者：刘紫燕, 马珊珊, 梁静, 朱明成, 袁磊

单位：贵州大学大数据与信息工程学院, 贵州 贵阳 550025

关键词：毫米波大规模多输入多输出,信道估计,卷积神经网络,注意力机制,去噪

基金：贵州省科学技术基金(黔科合基础[2016]1054);贵州省联合资金(黔科合LH字[2017]7226);贵州大学2017年度学术新苗培养及创新探索专项(黔科合平台人才[2017]5788);贵州省科技计划(黔科合SY字[2011]3111)(黔科合SY字[2011]3111)

在室外光线追踪通信场景下, 针对毫米波大规模多输入多输出(multiple input multiple output, MIMO)信道具有稀疏特性、系统受噪声因素影响导致信道估计精度低的问题, 提出一种基于图像去噪的注意力机制卷积神经网络信道估计方法。首先, 设定参数产生模拟真实环境的数据集, 将所产生的信道矩阵看作二维图像。然后, 构建注意力机制网络以增强图像中噪声特征的显著性, 并将注意力机制网络嵌入卷积神经网络中进行特征融合。最后, 通过网络模型提取噪声并得到去噪的图像, 即估计信道矩阵。仿真结果表明, 与最小二乘法(least square, LS)、最小均方误差(minimum mean square error, MMSE)、卷积神经网络(convolutional neural network, CNN)和去噪CNN (denoising CNN, DnCNN)算法相比, 所提出的Attention-CNN方法信道估计精度平均提升约1.86 dB。

来源：2022年第1期

《系统工程与电子技术》期刊编辑部

查看系统工程与电子技术杂志2022年第1期