劉慶利,楊國強(qiáng),張振亞

(大連大學(xué) a.信息工程學(xué)院;b.通信與網(wǎng)絡(luò)重點(diǎn)實(shí)驗(yàn)室,遼寧 大連 116622)

0 引 言

為了滿足5G無線通信系統(tǒng)的更高要求,將毫米波與大規(guī)模多輸入多輸出(Multiple-Input Multiple-Output,MIMO)系統(tǒng)相結(jié)合已成為一種重要的物理層技術(shù)而受到了廣泛研究[1]。同時(shí),在進(jìn)行信號技術(shù)處理時(shí),精準(zhǔn)地估計(jì)出信道狀態(tài)信息(Channel State Information,CSI)對于充分利用毫米波帶寬和大型陣列天線增益至關(guān)重要[2]。因此,研究在大規(guī)模MIMO系統(tǒng)中進(jìn)行精準(zhǔn)的信道估計(jì)具有重要意義。

近年來,隨著無線智能通信研究的逐步深化,神經(jīng)網(wǎng)絡(luò)已經(jīng)在資源分配、調(diào)制分類、信號檢測、信道編碼等方面展示出優(yōu)異的性能[3]。有學(xué)者將信道矩陣看成二維圖像[4-5],利用神經(jīng)網(wǎng)絡(luò)從接受的信號中恢復(fù)原始信號完成信道估計(jì)。文獻(xiàn)[6]針對波束域毫米波大規(guī)模MIMO系統(tǒng)提出了一種基于學(xué)習(xí)去噪的近似消息傳遞的神經(jīng)網(wǎng)絡(luò),該神經(jīng)網(wǎng)絡(luò)將降噪卷積神經(jīng)網(wǎng)絡(luò)(Denoising Convolutional Neural Network,DnCNN)[7]融合到了LAMP(Loop-mediated Isothermal Amplification)算法中,從噪聲信道中去除噪聲恢復(fù)原始信號,然而其網(wǎng)絡(luò)訓(xùn)練時(shí)針對的是特定的噪聲集,因此只能在小范圍的信噪比(Signal-to-Noise Ratio,SNR)下完成信道估計(jì)。文獻(xiàn)[8]提出了一種改進(jìn)的卷積盲去噪網(wǎng)絡(luò),通過引入噪聲估計(jì)子網(wǎng)、非盲去噪子網(wǎng),能夠在較大的信噪比范圍下完成信道估計(jì),提高了對噪聲信道的魯棒性,然而該方法僅將導(dǎo)頻看作為單位向量完成信道估計(jì)而忽略了導(dǎo)頻信息,這極大地限制了其網(wǎng)絡(luò)的適用性和實(shí)用性。文獻(xiàn)[9]通過引入條件生成對抗網(wǎng)絡(luò)(Conditional Generative Adversarial Network,CGAN),將導(dǎo)頻作為條件和接收信號一起輸入到生成網(wǎng)絡(luò)中完成信道估計(jì),提高了網(wǎng)絡(luò)的實(shí)用性,然而其網(wǎng)絡(luò)并未對噪聲進(jìn)行單獨(dú)處理,在噪聲條件下估計(jì)精度并不理想。

上述基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的信道估計(jì)算法忽略了導(dǎo)頻所包含的先驗(yàn)信息,實(shí)用性較差,而基于CGAN的算法則沒有考慮到光線追蹤戶外場景下的噪聲干擾,在低SNR下精度較差。針對上述問題,本文提出了一種融合殘差擠壓激勵(lì)網(wǎng)絡(luò)(Squeeze-and-Excitation Network,SENet)的條件生成對抗網(wǎng)絡(luò)(Residual SENet-Conditional Generative Adversarial Network,RSENet-CGAN)。該網(wǎng)絡(luò)以CGAN為基礎(chǔ),將導(dǎo)頻作為網(wǎng)絡(luò)的條件輸入,并將SENet網(wǎng)絡(luò)模塊融合到條件生成對抗網(wǎng)絡(luò)的生成器中,通過SENet網(wǎng)絡(luò)中的注意力機(jī)制來抑制噪聲特征,降低噪聲干擾。在戶外光線追蹤場景的仿真實(shí)驗(yàn)下,該算法取得了比正交匹配追蹤(Orthogonal Matching Pursuit,OMP)、CNN、DnCNN和CGAN更高的估計(jì)精度。

1 系統(tǒng)模型

本文考慮一個(gè)典型的時(shí)分雙工的毫米波大規(guī)模MIMO系統(tǒng),在基站側(cè)的上行信道進(jìn)行信道估計(jì)。系統(tǒng)模型如圖1所示,該系統(tǒng)具有K個(gè)配備單天線的用戶和配備有M個(gè)天線的基站。

圖1 MIMO系統(tǒng)模型Fig.1 MIMO system model

(1)

(2)

(3)

式中：B表示系統(tǒng)帶寬;d表示天線間距。K個(gè)用戶的毫米波信道矩陣H定義為

H=[h1,h2,…,hk,…,hK]

(4)

式中：H∈M×K。使用來自用戶側(cè)的導(dǎo)頻信號在基站端執(zhí)行信道估計(jì),K個(gè)用戶同時(shí)向BS發(fā)送長度為τ的導(dǎo)頻序列,然后在BS端一位量化之后接收的信號Y表示為

Y=sgn(HΦ+N)

(5)

式中：Y∈M×τ;Φ∈K×τ是K個(gè)用戶的導(dǎo)頻序列,Φ中每個(gè)用戶的導(dǎo)頻是相互正交的;N∈M×τ是從高斯分布中提取的基站處的噪聲矩陣。符號函數(shù)sgn(·)是一個(gè)用于一位量化的元素操作,定義如下：

(6)

Y是一個(gè)量化信號,其元素從集合{1+j,1-j,-1+j,-1-j}中取值。因此,信道矩陣H可以看作為一個(gè)具有雙通道的二維圖像,兩個(gè)通道分別表示信道的實(shí)部和虛部,那么信道估計(jì)問題就可以轉(zhuǎn)化為從接收信號的二維圖像中恢復(fù)信道矩陣的二維圖像的過程。本文采用RSENet-CGAN網(wǎng)絡(luò)從已知的導(dǎo)頻序列Φ和高度量化的接收信號Y中恢復(fù)信道矩陣H,同時(shí)考慮在戶外光線追蹤場景下環(huán)境噪聲對信道的影響,采用卷積神經(jīng)網(wǎng)絡(luò)中的圖像去噪技術(shù)去除噪聲干擾,并對網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和測試,完成信道估計(jì)。

2 基于RSENet-CGAN的信道估計(jì)

信道估計(jì)的過程主要由殘差去噪和基于CGAN的信道估計(jì)兩部分構(gòu)成：首先通過殘差SENet完成對接收信號的殘差去噪,去除噪聲干擾;然后采用訓(xùn)練好的CGAN網(wǎng)絡(luò)進(jìn)行信道估計(jì),根據(jù)RSENet網(wǎng)絡(luò)傳入的接收信號和導(dǎo)頻序列恢復(fù)原始信號,完成信道估計(jì)。

2.1 基于RSENet的圖像去噪網(wǎng)絡(luò)

SENet[11]是一種基于通道注意力機(jī)制的網(wǎng)絡(luò)模型,通過SENet可以從大量的圖像信息中提取更為有效的特征信息,極大地提高了圖像處理的效率。同時(shí)由于網(wǎng)絡(luò)層數(shù)的加深,神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)梯度消失、網(wǎng)格退化的問題,將ResNet[12]的殘差結(jié)構(gòu)引入到SENet模型中,構(gòu)建了一個(gè)RSENet的網(wǎng)絡(luò)模型。

RSENet的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示,其網(wǎng)絡(luò)主要分為擠壓、激勵(lì)、放縮和殘差操作4部分。

圖2 殘差SENet模塊結(jié)構(gòu)Fig.2 Structure of residual SENet module

1)擠壓操作

首先通過池化操作對輸入特征圖X∈H×W×C進(jìn)行全局池化操作。該操作通過在空間維度H×W上聚合特征映射為一個(gè)通道描述符的一個(gè)實(shí)數(shù),該實(shí)數(shù)具有全局的感受野。該擠壓操作能夠獲取到輸入的通道特征以及空間關(guān)系,壓縮后的多維統(tǒng)計(jì)量z∈C的第c個(gè)元素為

(7)

式中：uc(i,j)為X的第i行第j列的元素。

2)激勵(lì)操作

通過兩個(gè)全連接層獲取非線性的跨通道的交互,同時(shí)通過降低維度來限制網(wǎng)絡(luò)模型的復(fù)雜性。全連接層通過權(quán)重參數(shù)W生成每個(gè)通道的權(quán)重,最后通過Sigmod激活函數(shù)將權(quán)值限制到0與1之間,即

s=Fex(z,W)=σ(g(z,W))=σ(W2δ(W1z)

(8)

式中：W1和W2為兩個(gè)全連接層的參數(shù);δ(·)與σ(·)為ReLU和Sigmoid激活函數(shù)。得到的s為X各個(gè)通道重要程度的權(quán)重。

3)放縮操作(Scale)

xc=Fscale(uc,Sc)=Scuc

(9)

(10)

4)殘差操作

2.2 基于條件生成對抗網(wǎng)絡(luò)的信道估計(jì)

圖3 模型整體流程結(jié)構(gòu)Fig.3 The overall process structure of the model

2.2.1 生成網(wǎng)絡(luò)

RSENet-CGAN的生成器網(wǎng)絡(luò)模型結(jié)構(gòu)如圖4所示。網(wǎng)絡(luò)模型引入U(xiǎn)-Net[13]架構(gòu),與常用的編碼器-解碼器結(jié)構(gòu)相比,U-Net架構(gòu)增加了跳躍連接,將編碼器塊和解碼器塊的特征圖通過級聯(lián)層進(jìn)行組合,以保留特征圖在不同分辨率下的像素細(xì)節(jié),在改善圖像細(xì)節(jié)方面有著較好的效果(每個(gè)殘差塊通過跳躍連接將前端的特征信息傳遞到后端,防止網(wǎng)絡(luò)退化)。整個(gè)U-Net架構(gòu)使用了3個(gè)編碼塊和4個(gè)解碼塊,每個(gè)編碼塊由1個(gè)卷積層、1個(gè)BN和1個(gè)LeakyReLU激活函數(shù)層構(gòu)成,每個(gè)解碼塊由1個(gè)反卷積、1個(gè)BN和ReLU構(gòu)成。

圖4 RSENet-CGAN的生成網(wǎng)絡(luò)Fig.4 The generative network of RSENet-CGAN

低分辨率信道圖像首先通過編碼塊的卷積操作對信道圖像進(jìn)行特征提取。BN層的批量歸一化使得每一層有近似相同的分布,有效避免消失梯度問題,能夠提高網(wǎng)絡(luò)模型的收斂速度。在解碼塊中通過反卷積逐層放大圖像尺寸同時(shí)通過跳躍連接保留卷積前的像素細(xì)節(jié)來降低圖像放大時(shí)圖像細(xì)節(jié)的丟失,恢復(fù)超分辨率信達(dá)圖像。

編碼塊和解碼塊采用不同的激活函數(shù)：編碼塊采用ReLU作為激活函數(shù)以更好地挖掘信道特征信息;由于解碼塊中的反卷積計(jì)算量更大,因此采用收斂速度更快的LeakyReLU作為激活函數(shù)。同時(shí),為了降低噪聲對于網(wǎng)絡(luò)模型的干擾,提高網(wǎng)絡(luò)的泛化能力,在編碼塊后引入SENet網(wǎng)絡(luò)模塊,通過SENet的通道注意力機(jī)制提高對信道圖像重要特征的提取,并通過激勵(lì)和放縮操作降低噪聲特征權(quán)重來抑制噪聲干擾。最后將殘差網(wǎng)絡(luò)融入到SENet中,能夠解決由于網(wǎng)絡(luò)層數(shù)的加深而導(dǎo)致梯消失,網(wǎng)格退化的問題。

2.2.2 判別器網(wǎng)絡(luò)

原始CGAN中判別器是一個(gè)簡單的卷積神將網(wǎng)絡(luò),對于生成器生成的信道圖像的判別效果不佳。為了提高判別器網(wǎng)的準(zhǔn)確度,使用了判別器中的patch結(jié)構(gòu)[14]來識別輸入細(xì)節(jié)。與常規(guī)判別器不同,常規(guī)判別器將輸入映射到一個(gè)單個(gè)標(biāo)量輸出表示真或者假,而使用patch結(jié)構(gòu)的判別器將輸入映射到感受野,其中每個(gè)元素表示輸入的部分是真的還是假的。

如圖5所示,判別器網(wǎng)絡(luò)的前端由1個(gè)卷積層、1個(gè)LeakyReLU層、1個(gè)Droupt層和3個(gè)編碼塊組成,1個(gè)編碼塊由1個(gè)卷積層、1個(gè)BN層、1個(gè)LeakyReLU層和1個(gè)Droupt層構(gòu)成。針對在訓(xùn)練時(shí)判別器網(wǎng)絡(luò)很容易出現(xiàn)過擬合現(xiàn)象,在編碼塊中引入了Dropout機(jī)制[15]來解決這一問題。具體做法是在每個(gè)編碼塊的LeakyReLU層后添加Droupt層,參數(shù)dropout_ratio的值設(shè)置為0.25,即經(jīng)過Droupt層后25%的輸出值會被網(wǎng)絡(luò)拋棄,即將激活值置零,從而減小網(wǎng)絡(luò)的大小,有效防止網(wǎng)絡(luò)過擬合,提升網(wǎng)絡(luò)的泛化能力,其中卷積層的卷積核大小全部設(shè)置為3×3。在最后一層,使用卷積層代替全連接層來獲得感受野,然后平均感受野的所有響應(yīng),以提供判別器的最終輸出。

圖5 RSENet-CGAN的判別網(wǎng)絡(luò)Fig.5 The discriminant network of RSENet-CGAN

2.2.3 損失函數(shù)的設(shè)計(jì)

原始CGAN網(wǎng)絡(luò)的生成器部分只添加了一個(gè)條件約束,這使得網(wǎng)絡(luò)會過于自由,然而在模型訓(xùn)練階段仍然會出現(xiàn)模型崩塌,生成的信道圖像不穩(wěn)定的問題。為了有效提高模型訓(xùn)練的穩(wěn)定性,在原始CGAN模型的損失函數(shù)中添加了一個(gè)回歸損失項(xiàng),最終要計(jì)算的目標(biāo)損失是

(11)

對抗網(wǎng)絡(luò)損失項(xiàng)用于提升生成器和判別器的準(zhǔn)確率,引入的回歸損失項(xiàng)用于提高生成器生成的信道圖像與真實(shí)信道圖像的相似性,進(jìn)而降低網(wǎng)絡(luò)模型的不穩(wěn)定問題。其中對抗網(wǎng)絡(luò)的損失如式(12)所示：

LCGAN(Gψ,Dθ,Y,H,Φ)=

E[lgDθ(H,Φ)]+E[lg(1-Dθ(G(Yψ,Φ)))]

(12)

回歸損失主要分為L1損失與L2損失：L1損失又叫最小絕對值誤差,主要用于計(jì)算實(shí)際值與預(yù)測值之間的絕對值之和;L2損失又叫最小平方誤差,主要用于計(jì)算實(shí)際值與預(yù)測值之間的平方差之和。L1損失相較于L2損失收斂速度慢且沒有穩(wěn)定的解,因此采用收斂速度更快的L2損失作為回歸損失,表達(dá)式為

L2=E[‖H-Gψ(Y,Φ)‖2]

(13)

式中：H表式信道矩陣;Gψ(Y,Φ)表示在輸入接收信號Y和導(dǎo)頻序列Φ后生成器生成的信道矩陣;‖H-Gψ(Y,Φ)‖2表示真實(shí)的信道矩陣與生成的信道矩陣的平方差。網(wǎng)絡(luò)模型的優(yōu)化過程即使得L2損失不斷減小的過程。

3 仿真設(shè)計(jì)與結(jié)果分析

3.1 仿真數(shù)據(jù)與參數(shù)

仿真配置：GPU為GeForceRTX2080Ti;CPU為Intel i5-9400F;內(nèi)存為32 GB;操作系統(tǒng)為Ubuntu 19.10;深度學(xué)習(xí)框架為Tensorflow2.0。訓(xùn)練使用的數(shù)據(jù)集通過DeepMIMO生成,場景采用的是戶外大規(guī)模MIMO的毫米波光線追蹤場景。該場景是一個(gè)十字路口,水平街道長600 m,寬40 m,垂直街道長440 m,寬40 m。兩條街道兩側(cè)都有樓房,水平街道兩側(cè)建筑物的底座尺寸為30 m×40 m,垂直街道建筑物的底座為60 m×60 m。具體的仿真參數(shù)設(shè)置見表1。

表1 室外大規(guī)模MIMO仿真信道參數(shù)Tab.1 Outdoor massive MIMO simulation channel parameters

在參數(shù)設(shè)置時(shí)將用戶數(shù)k固定為32,根據(jù)設(shè)置的天線數(shù)量可以生成4個(gè)信道矩陣H分別為64×32,128×32,192×32和256×32的數(shù)據(jù)集。接收信號Y的相應(yīng)數(shù)據(jù)集由信道矩陣數(shù)據(jù)集和使用1 b量化的導(dǎo)頻序列生成,同時(shí)在接收信號中加入不同信道比的高斯白噪聲。數(shù)據(jù)集按照70%,20%,10%劃分為訓(xùn)練集、測試集和驗(yàn)證集。DeepMIMO根據(jù)場景參數(shù)生成用戶與天線陣列之間的信道向量。

(14)

式中：‖·‖表示矩陣范數(shù)計(jì)算;E表示期望。通過計(jì)算10lg{·}來獲得NMSE,NMSE的值越小表示模型估計(jì)的精確度越高。

3.2 仿真結(jié)果分析

圖6比較了在SNR為0 dB時(shí),基于RSENet-CGAN的毫米波大規(guī)模MIMO系統(tǒng)中導(dǎo)頻序列長度和神經(jīng)網(wǎng)絡(luò)的層數(shù)對于信道估計(jì)精度的影響。從圖中可以看出,RSENet-CGAN的估計(jì)誤差隨著神經(jīng)網(wǎng)絡(luò)層數(shù)的增加而降低,與CGAN網(wǎng)絡(luò)收斂于8層相比,本文所提出的基于RSENet-CGAN的算法由于引入了殘差網(wǎng)絡(luò)加快了網(wǎng)絡(luò)的收斂速度,使得網(wǎng)絡(luò)收斂于7層內(nèi),降低了網(wǎng)絡(luò)模型的復(fù)雜度。

圖6 不同網(wǎng)絡(luò)層數(shù)下的NMSEFig.6 NMSE under different network layers

圖7比較了CGAN與本文所提的RSENet-CGAN方法在不同的迭代層數(shù)下網(wǎng)絡(luò)模型的損失,其中SNR=0 dB,導(dǎo)頻序列長度為8,其他參數(shù)保持一致。在不同的迭代次數(shù)下,基于RSENet-CGAN的網(wǎng)絡(luò)損失要優(yōu)于CGAN,并在50次epoch后達(dá)到最優(yōu)的網(wǎng)絡(luò)損失后保持穩(wěn)定。

圖7 SNR=0 dB時(shí)不同訓(xùn)練次數(shù)下的模型損失Fig.7 Model loss under different training times when SNR=0 dB

圖8比較了基站天線數(shù)對于網(wǎng)絡(luò)模型估計(jì)精度的影響,可以看出,隨著基站天線數(shù)量的增加,CGAN的估計(jì)誤差在增大,在基站天線數(shù)量由192增加到256時(shí)估計(jì)誤差增加得更為明顯,而本文所提出的RSENet-CGAN隨著基站側(cè)天線數(shù)量增加仍然能保持穩(wěn)定的估計(jì)精度?；緜?cè)天線數(shù)量的增加意味著信道矩陣的規(guī)模增大,變得更加復(fù)雜,因此網(wǎng)絡(luò)模型的學(xué)習(xí)難度增加,估計(jì)精度下降。而在RSENet-CGAN中,網(wǎng)絡(luò)引入了殘差通道注意力模塊來去除噪聲,降低了噪聲干擾對于模型的影響,同時(shí)在生成器中采用U-Net結(jié)構(gòu)提高了信道矩陣二維圖像的分辨率,保證了網(wǎng)絡(luò)模型較強(qiáng)的泛化能力。

圖8 SNR=0 dB時(shí)基站天線對網(wǎng)絡(luò)模型的NMSE的影響Fig.8 Impact of base station antenna on the NMSE ofnetwork model when SNR=0 dB

圖9比較了OMP、CNN、DnCNN、CGAN與本文的RSENet-CGAN在不同SNR下的NMSE,SNR的范圍設(shè)置在-10～30 dB,其中OMP為壓縮感知算法,其他的均為深度學(xué)習(xí)算法。從圖9中可以看出,OMP算法受噪聲的影響較大,在低信噪比下NMSE較差。RSENet-CGAN由于引入了殘差SENet注意力模塊,降低了噪聲對于網(wǎng)絡(luò)模型的干擾,在不同的信噪比下都表現(xiàn)優(yōu)異,相較于CGAN網(wǎng)絡(luò)模型估計(jì)精度平均提高約了2.2 dB。

圖9 不同信道估計(jì)方法下的NMSEFig.9 NMSE under different channel estimation methods

3.3 運(yùn)行時(shí)間

表2列舉了在線估計(jì)階段不同方法完成信道估計(jì)所耗費(fèi)的時(shí)間,所得的結(jié)果為200次線上測試時(shí)間的平均值,通過運(yùn)行時(shí)間的快慢可以反映出算法在實(shí)際環(huán)境中的實(shí)用性。

表2 運(yùn)行時(shí)間比較Tab.2 Run time comparison

由表2可以看出,CNN與DnCNN的計(jì)算時(shí)間較低,這是因?yàn)镃NN與DnCNN簡單的體系結(jié)構(gòu)和較少的網(wǎng)絡(luò)層。RSENet-CGAN的計(jì)算時(shí)間要略高于CGAN,這是因?yàn)镽SENet-CGAN在CGAN基礎(chǔ)上添加了網(wǎng)絡(luò)模塊,然而最終的耗時(shí)在實(shí)時(shí)通信系統(tǒng)的實(shí)施傳輸中是可以接受的。

4 結(jié) 論

本文針對傳統(tǒng)深度學(xué)習(xí)的信道估計(jì)方法受噪聲干擾導(dǎo)致估計(jì)精度低、適用性差的問題,提出了一種基于RSENet-CGAN網(wǎng)絡(luò)模型的信道估計(jì)方法,該模型從低分辨率的接收信號中恢復(fù)高分辨率的原始信號。在生成器中引入SENet,通過其模型的通道注意力模塊來抑制噪聲特征,降低噪聲干擾,同時(shí)將SENet與殘差網(wǎng)絡(luò)相結(jié)合來解決網(wǎng)絡(luò)層數(shù)加深出現(xiàn)的梯度消失的問題,引入了聯(lián)合損失項(xiàng)來提高網(wǎng)絡(luò)的穩(wěn)定性。仿真結(jié)果表明,RSENet-CGAN網(wǎng)絡(luò)模型相較于壓縮感知OMP和同類型的深度學(xué)習(xí)算法(如CNN、DnCNN、CGAN)在低SNR下具有更高的估計(jì)精度。