第４４卷 第１期系统工程与电子技术
Ｖｏｌ．４４ Ｎｏ．１
２０２２年１月ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａ
ｎｄＥｌｅｃｔｒｏｎｉｃｓＪａｎｕａｒｙ ２
０２２文章编号：１００１ ５０６Ｘ（２０２２）０１ ０３０７ ０６ 网址：ｗｗｗ．ｓｙ
ｓ ｅｌｅ．ｃｏｍ收稿日期：２０２０１２３１；修回日期：２０２１０６２３；网络优先出版日期：２０２１１０１１。网络优先出版地址：ｈｔｔｐ： ∥ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２４２２．ＴＮ．２０２１１０１１．１１００．００６．ｈｔｍｌ基金项目：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）资助课题 通讯作者．引用格式：刘紫燕，马珊珊，梁静，等．注意力机制ＣＮＮ的毫米波大规模ＭＩＭＯ系统信道估计算法［Ｊ］．系统工程与电子技术，２０２２，４４（１）： ３０７ ３１２．犚犲犳犲狉犲狀犮犲犳狅狉犿犪狋：ＬＩＵＺＹ，ＭＡＳＳ，ＬＩＡＮＧＪ，ｅｔａｌ．ＡｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｂａｓｅｄＣＮＮｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎａｌｇ
ｏｒｉｔｈｍｉｎｍｉｌｌｉｍｅｔｅｒ ｗａｖｅｍａｓｓｉｖｅＭＩＭＯｓｙｓｔｅｍ［Ｊ］．ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａ
ｎｄＥｌｅｃｔｒｏｎｉｃｓ，２０２２，４４（１）：３０７ ３１２．注意力机制犆犖犖的毫米波大规模犕犐犕犗系统
信道估计算法
刘紫燕 ，马珊珊，梁 静，朱明成，袁 磊
（贵州大学大数据与信息工程学院，贵州贵阳５５００２５）
摘 要：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（ｍｕｌｔｉｐｌｅｉｎｐｕｔｍｕｌｔｉｐｌｅｏｕｔｐ
ｕｔ，ＭＩ ＭＯ）
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（ｌｅａｓｔｓｑｕａｒｅ，ＬＳ）、最小均方误差（ｍｉｎｉｍｕｍｍｅａｎｓｑｕａｒｅｅｒｒｏｒ，ＭＭＳＥ）、卷积神经网络（ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ，ＣＮＮ）和去噪ＣＮＮ（ｄｅｎｏｉｓｉｎｇＣＮＮ，ＤｎＣＮＮ）算法相比，所提出的Ａｔｔｅｎｔｉｏｎ ＣＮＮ方法信道估计精度平均提升约１．８６ｄＢ。
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
中图分类号：ＴＰ３９１．９ 文献标志码：Ａ 犇犗犐：１０．１２３０５／ｊ．
ｉｓｓｎ．１００１ ５０６Ｘ．２０２２．０１．３８犃狋狋犲狀狋犻狅狀犿犲犮犺犪狀犻狊犿犫犪狊犲犱犆犖犖犮犺犪狀狀犲犾犲狊狋犻犿犪狋犻狅狀犪犾犵
狅狉犻狋犺犿犻狀犿犻犾犾犻犿犲狋犲狉 狑犪狏犲犿犪狊狊犻狏犲犕犐犕犗狊狔
狊狋犲犿ＬＩＵＺｉｙａｎ ，ＭＡＳｈａｎｓｈａｎ，ＬＩＡＮＧＪｉｎｇ，ＺＨＵＭｉｎｇｃｈｅｎｇ，ＹＵＡＮＬｅ
ｉ（犆狅犾犾犲犵犲狅犳犅犻犵犇犪狋犪犪狀犱犐狀犳狅狉犿犪狋犻狅狀犈狀犵犻狀犲犲狉犻狀犵，犌狌犻狕犺狅狌犝狀犻狏犲狉狊犻狋狔，犌狌犻狔
犪狀犵５５００２５，犆犺犻狀犪） 犃犫狊狋狉犪犮狋：Ｉｎｏｕｔｄｏｏｒｒａｙｔｒａｃｉｎｇｃｏｍｍｕｎｉｃａｔｉｏｎｓｃｅｎａｒｉｏｓ，ａｉｍｉｎｇａ
ｔｔｈｅｐｒｏｂｌｅｍｓｏｆｌｏｗｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎａｃｃｕｒａｃｙｄｅｆｅｃｔｅｄｂｙｉｔｓｓｐａｒｓｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓａｎｄｎｏｉｓｅｆａｃｔｏｒｓｉｎｍｉｌｌｉｍｅｔｅｒ ｗａｖｅｍａｓｓｉｖｅｍｕｌｔｉｐ
ｌｅｉｎｐｕｔｍｕｌｔｉｐｌｅｏｕｔｐｕｔ（ＭＩＭＯ），ａｎｉｍａｇｅｄｅｎｏｉｓｉｎｇａ
ｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｂａｓｅｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎａｌｇｏｒｉｔｈｍｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ａｆｔｅｒｃｏｎｓｔｒｕｃｔｉｎｇｔｈｅｄａｔａｓｅｔｆｏｒｓｉｍｕｌａｔｉｎ
ｇｔｈｅｒｅａｌｅｎｖｉｒｏｎｍｅｎｔｂｙｓｅｔｔｉｎｇｔｈｅｐａｒａｍｅｔｅｒｓ，ｇｅｎｅｒａｔｅｃｈａｎｎｅｌｍａｔｒｉｘｉｓｒｅｇａｒｄｅｄａｓａｔｗｏ ｄｉｍｅｎｓｉｏｎａｌｉｍａｇｅ．Ｔｈｅｎ，ｔｈｅａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｎｅｔｗｏｒｋｉｓｃｏｎｓｔｒｕｃｔｅｄｔｏｅｎｈａｎｃｅｔｈｅｓａｌｉｅｎｃｙｏｆｔｈｅｎｏｉｓｅｆｅａｔｕｒｅｓｉｎｔｈｅｉｍａｇｅ，ａｎｄｔｈｅａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｎｅｔｗｏｒｋｉｓｅｍｂｅｄｄｅｄｉｎｔｈｅｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ（ＣＮＮ）ｆｏｒｆｅａｔｕｒｅｆｕｓｉｏｎ．Ｆｉｎａｌｌｙ，ｔｈｅｎｏｉｓｅｅｘｔｒａｃｔｅｄｂｙｔｈｅｎｅｔｗｏｒｋｍｏｄｅｌａｃｈｉｅｖｅｓｔｈｅｄｅｎｏｉｓｉｎｇｅｆｆｅｃｔａｎｄｔｈｅｄｅｎｏｉｓｅｄｉｍａｇ
ｅ，ｔｈｅｅｓｔｉｍａｔｅｄｃｈａｎｎｅｌｍａｔｒｉｘｉｓｏｂｔａｉｎｅｄ．ＴｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｄｅｍｏｎｓｔｒａｔｅｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｂａｓｅｄＣＮＮ（Ａｔｔｅｎｔｉｏｎ ＣＮＮ）ａｌｇｏｒｉｔｈｍａｃｈｉｅｖｅｓｂｅｔｔｅｒｐｅｒｆｏｒｍａｎｃｅｏｆｈｉｇ水写布
ｈｅｒｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎａｃｃｕｒａｃｙ，ｗｈ
ｉｃｈｉｍｐｒｏｖｅｄｂｙａｂｏｕｔ１．８６ｄＢｏｎａｖｅｒａｇｅ，ｃｏｍｐａｒｅｄｗｉ
ｔｈｌｅａｓｔｓｑｕａｒｅ（ＬＳ），ｍｉｎｉｍｕｍｍｅａｎｓｑｕａｒｅｅｒｒｏｒ（ＭＭＳＥ），ＣＮＮａｎｄｄｅｎｏｉｓｉｎｇｃ
ｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ（ＤｎＣＮＮ）．犓犲狔狑狅
狉犱狊：ｍｉｌｌｉｍｅｔｅｒ ｗａｖｅｍａｓｓｉｖｅｍｕｌｔｉｐｌｅｉｎｐｕｔｍｕｌｔｉｐｌｅｏｕｔｐｕｔ（ＭＩＭＯ）；ｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎ；ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ（ＣＮＮ）；ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ；ｄｅｎｏｉｓｉｎｇ
Copyright©博看网 www.bookan. All Rights Reserved.
·３
０８ ·系统工程与电子技术
第４４卷
０ 引 言
毫米波大规模多输入多输出（ｍｕｌｔｉｐｌｅｉｎｐｕｔｍｕｌｔｉｐ
ｌｅｏｕｔｐ
ｕｔ，ＭＩＭＯ）作为５Ｇ关键技术，在提升移动通信系统性能方面因其具有的高速率和高效率得到了广泛运用［１２］。
由于在收发端部署了大量天线，系统反馈、开销、信道矩阵尺寸变化给系统的通信质量带来了挑战。信道状态信息获取的准确性反应了系统的通信质量，对于毫米波大规模ＭＩＭＯ系统信道估计的研究具有重要意义［３４］。信号传播的过程中，受到外界环境、收发信机地理位置、系统配置等影响，对其产生大量数据信息进行学习有利于提取系统信息，为信道估计提供基础。深度学习作为人工智能领域的主要研究方法，其构建的网络模型对大量样本数据具有强大分析能力和识别能力。近年来，将深度学习用于解决通信系统信道估计［５７］、信号检测［８］、预编码［９］等问题具有较好鲁棒性为通信领域研究提供了新兴方向。传统信道估计方法主要有最小二乘法（ｌｅａｓｔｓｑｕａｒｅ，ＬＳ）［１０］、最小均方误差（ｍｉｎｉｍｕｍｍｅａｎｓｑｕａｒｅｅｒｒｏｒ，ＭＭＳＥ）［１１］和压缩感知［１２］算法。ＬＳ算法依据导频辅助作用进行线性插值估计未知信道响应信息，其导频开销大，对多天线系统估计精度较差；ＭＭＳＥ算法需要基于信道的统计特性和先验信息，
计算复杂度高；压缩感知算法通过重构恢复对信号进行处理，对信道的特性具有稀疏性要求。近几
年将深度学习方法用于解决信道估计问题受到学者们的关注。将信道矩阵视作二维图像［１３１５］，其方式区别于传统信道估计算法，通过图像处理方法进行信道估计［１６］。文献［１７］
基于导频辅助作用，通过已知位置的信息估计出信道响应的未知值。但其方法依然依赖于导频的辅助作用，训练过程
中导致系统开销大。随着天线数目的增大，在图像转换过程中存在矩阵维数大的问题，还需要对图像进行去噪、边缘优化等操作。文献［１８］引入去噪卷积神经网络（ｄｅｎｏｉｓｉｎｇｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ，ＤｎＣＮＮ）
［１９］对信道矩阵图像进行去噪处理，该网络的性能优于基于压缩感知的算法。而ＤｎＣＮＮ是针对特定的噪音水平量身定做的，只有当噪
音水平在训练范围内时效果才显著。因此，将信道矩阵视为自然图像进行训练，采用深度学习训练模型估计方法，可适用于多种信号噪声级别及空间相关噪声，并可以提升训
练速度。在去噪过程中，由于前期需要人为设定噪声水平，而噪声通常是与通道和空间相关的，卷积神经网络（ｃｏｎｖｏ ｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ，ＣＮＮ）
在去噪方面具有较好的鲁棒性［２０２１］。
基于导频的信道估计方法，会产生导频污染与开销从
水粉盒而影响通信性能，基于深度学习的信道估计方法可以不依赖导频信号的辅助，根据信道特性采取图像去噪的方式解决信道估计问题。由于系统受噪声影响，为提升去噪泛化能力和估计精度。本文提出一种基于注意力机制的ＣＮＮ的信道估计方案，以ＣＮＮ为基础网络，融合注意力机制构建信道估计网络模型。将信道矩阵视为图像进行去噪处
理，
通过ＣＮＮ提取信道噪声信息，结合注意力机制增强图像噪声特性并进行特征融合提取噪声，该网络具有良好的去噪效果。１ 系统模型搭建毫米波大规模ＭＩＭＯ系统，因大规模ＭＩＭＯ系统中天线数量增多，为减少射频链路和降低系统能耗，采用由
p2p网络电视录像专家
加法器和移相器构成数模混合结构［２２］
。其中端和用
户端数量分别为犅、犝，配置天线数分别为犖狋、犖狉，
射频链路数分别为犖狉犳狋、犖狉犳狉
。在狋时刻，系统传输的数据流为犖狊，经系统传输，第狀个用户向第犿个端发送信号狊，接受信号狔可以表示为狔犿＝犠犎犿，狀犕狊＋狀（１）式中：狔犿为接收信号，狔犿∈犆犖狉×１；
狀为信道中的高斯白噪声，服从Ｎ（０，σ２狀
犐犖狉）分布；犠为系统接收端的混合合并器，犠∈犆犖狊×犖狉；犕为系统发射端的混合预编码器，犕∈犆犖狋×犖狊
；犎犿，狀为毫米波信道，其中，犎犿，狀＝ρ∑犔犻＝１
α犾 狉（φ犾） Ｈ狋（θ犾）；ρ是信道的归一化因子，α犾是第犾条信道的增益， 狉是接收端天线的相
位响应向量， Ｈ狋是发射端天线的相位响向量。φ犾和θ犾
分别是第犾条信道的到达角和离开角。在生成信道路径犾后，信道矩阵可由信道响应加权相加，
信道矩阵犎可以表示为犎＝犙狉犎犾犙Ｈ狋（２）
式中：犎犾＝ρｄｉａｇ（α１，α２，…，α犔）；犙狉和犙狋分别是收发端阵列响应矩阵。
考虑到大规模天线系统中天线间的相关性和毫米波在传播过程中经历散射次数有限，
信道犎犿，狀元素之间存在一定相关性，
信道呈现稀疏特性。依据此特性，可将信道矩阵犎看作二维自然图像［２３］，考虑信道噪声的影响，采用图像去噪技术提取信道噪声部分，通过网络模型进行训练和测试，
得到估计的信道矩阵，从而实现信道估计。２ 基于注意力机制的犆犖犖信道估计２．１ 基于注意力机制的图像特征提取
注意力机制被广泛运用在自然语言处理、图像识别、语音识别等领域，是深度学习技术中关键核心技术之一［２４］。其与人类视觉注意力机制相似，通过注意力机制可以从大
量信息中快速提取出有效的信息，极大提高信息处理的效率。注意力机制的过程如图１所示，其过程主要分为３个阶段：第一阶段为将从模型的卷积层中提取得到犣犻，犼（０≤
犻≤犠，０≤犼≤犎），其中犠、犎表示图片的大小，通过传输到注意力层，将得到犣犻，犼计算与各个元素犓犾，犾＝犻犼之间的相
关性。表达式为
Ｓｉｍｉｌａｒｉｔｙ（
犓犾，犣犻，犼）＝犓犾犣犻，犼（３）Copyright©博看网 www.bookan. All Rights Reserved.
第１期刘紫燕等：注意力机制ＣＮＮ的毫米波大规模ＭＩＭＯ系统信道估计算法·３０９ ·
第二阶段对第一阶段的结果进行数值转换，进行归一
化处理，引入ＳｏｆｔＭａｘ。表达式为
α犻，犼＝ＳｏｆｔＭａｘ（Ｓｉｍ犻，犼）（４）
第三阶段将α犻，犼与犓犾中对应的权重值Ｖａｌｕｅ犻，犼进行加
权求和得到权重值。表达式为
Ａｔｔｅｎｔｉｏｎ（犓犾，犣犻，犼）＝∑犠犻＝１∑犎犼＝１α犻，犼Ｖａｌｕｅ犻，犼（５）高度规
其输入是从卷积层中提取到的特征，输出是该特征的
注意力权重
。
图１ 注意力机制计算过程
Ｆｉｇ．１ Ｃｏｍｐｕｔａｔｉｏｎｐｒｏｃｅｓｓｏｆａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ
算法１ 注意力机制算法
烧结焊剂
输入：卷积层提取特征犣犻，犼
输出：权重Ａｔｔｅｎｔｉｏｎ
１．犠，犎
２．Ｓｉｍｉｌａｒｉｔｙ（犓犾，犣犻，犼）＝犓犾犣犻，犼
３．α犻，犼＝ＳｏｆｔＭａｘ（Ｓｉｍ犻，犼）
４．ｆｏｒ犻＜０ｔｏ犠ｄｏ；
５． ｆｏｒ犼＜０ｔｏ犎ｄｏ；
６．Ａｔｔｅｎｔｉｏｎ（犓犾，犣犻，犼）＝∑犠犻＝１∑犎犼＝１α犻，犼·Ｖａｌｕｅ犻，犼
７． ｅｎｄｆｏｒ
８．ｅｎｄｆｏｒ
２．２ 基于注意力机制犆犖犖信道估计
ＣＮＮ是由基础的神经元之间线性加权组成，并且是具
有卷积结构的深度神经网络。卷积结构可以有效减少网络
参数，缓解模型过拟合问题［２５］。其特征提取功能的核心模
块是由网络中隐含层的卷积层和池化层组成，是一种多层
的监督学习神经网络。该网络模型中的权重参数逐层调节
主要通过梯度下降法最小化损失函数，通过不断的迭代训
练可以提高网络的性能。因此，在图像分类［２６］、识别［２７］、去
噪［２８］等领域得到广泛运用。
ＣＮＮ包括卷积层、激励层、池化层和全连接层，其网络
结构如图２所示。卷积层（Ｃｏｎｖ）可以实现对输入图片的特
征进行提取，其具有局部感受野和权值共享两个特性［２９］。
池化层（ＢＮ）可以降低网络参数并避免特征维数大而出现过
拟合问题。激励层（Ｒｅｌｕ）为了防止数据中存在较大或小的
数据对训练效果弱化。全连接层通过进行特征融合并输出。
Ｆｉｇ．２ ＣＮＮｓｔｒｕｃｔｕｒｅ
本文提出基于注意力机制ＣＮＮ的信道估计模型如图３
所示，其中模型由基础的ＣＮＮ和注意力机制网络组成，将
信道矩阵犎看作二维图像输入到网络模型中。
Ｆｉｇ．３ ＣｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｂａｓｅｄｏｎａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍＣＮＮ
通过ＣＮＮ前两层提取图像的浅层特征，将ＣＮＮ提取
的浅层特征输入到注意力网络中，通过结合注意力机制网
络提取的特征，融合后得到显著特征。最后，将提取的特征
通过卷积层进行噪声提取，将提取的噪声通过全连接层输
出。输入是含信道噪声矩阵，通过模型提取噪声，输出是估
计信道矩阵。整个模型包含１５层，除ｌａｙｅｒ１层、ｌａｙｅｒ２层
和输出全连接层外，每层由Ｃｏｎｖ＋ＢＮ＋Ｒｅｌｕ组成，其中
Ｃｏｎｖ代表卷积，ＢＮ代表批量归一化，Ｒｅｌｕ代表激活函数采
用Ｒｅｌｕ函数，卷积核采用３×３×６４大小。
２．３ 评价指标
本文主要采用归一化均方误差（ｎｏｒｍａｌｉｚｅｄｍｅａｎｓｑｕａｒｅ
ｅｒｒｏｒ，ＮＭＳＥ）来评价信道估计质量。其是用来衡量估计量
与被估计量之间差异程度，表达式为
ＮＭＳＥ＝Ｅ｛＾犎－犎２２２２｝（６）
式中：＾犎是模型估计的信道矩阵，ＮＭＳ越小，则估计性能
越好。
２．４ 复杂度分析
表１为本文提出和对比算法的复杂度比较，其中犖为
子载波数，犔为路径数。基于深度学习的信道估计方法，主
要考虑以在线估计的复杂性为度量。
表１ 算法复杂度对比
犜犪犫犾犲１ 犆狅犿狆犪狉犻狊狅狀狅犳犪犾犵狅狉犻狋犺犿犮狅犿狆犾犲狓犻狋狔
算法乘法运算次数复杂度
ＬＳ犝２＋犖犗（犝２）
ＭＭＳＥ４犝３＋犖犗（犝３）
ＣＮＮ１０２犝３犅＋３６犔犗（犝３犅）
ＤｎＣＮＮ１２８犝２犅＋２４犔犗（犝２犅）
Ａｔｔｅｎｔｉｏｎ ＣＮＮ１７６犝２犅＋３２犔犗（犝２犅）Copyright©博看网 www.bookan. All Rights Reserved.
·３１０ ·系统工程与电子技术第４４卷
由表１可知，考虑在线估计阶段，本文所提算法的复杂度高于ＬＳ，但较ＬＳ估计精度有较大提升，复杂度低于ＭＭＳＥ。主要是神经网络进行在线训练，将已经训练好的网络用于估计，通过对矩阵进行乘法加权无需进行求逆，其复杂度较低。所提算法低于ＣＮＮ，与ＤｎＣＮＮ复杂度处于同等级，因增加了注意力机制，相较于ＣＮＮ和ＤｎＣＮＮ收敛得更快，相较于ＤｎＣＮＮ可以得到更高的估计精度。
３ 仿真结果与分析
本文所采用的数据集主要模拟在十字街道上分布的建筑物、和用户之间的通信场景，通过Ｄｅｅ
ｐＭＩＭＯ捕捉周围环境和位置信息，将产生的数据通过网络模型进行训练并估计信道状态信息。首先通过文献［３０］的方式产生数据集，将得到的信道矩阵输入到网络中。数据集的产生中提供了１８个可以选择的，本文选定了第５～８个。在其分布的１００万多用户中选取第１２００～１８００行的用户。天线数犕＝犕狓×犕狔×犕狕，分别代表狓，狔，狕方向上天线的数量，参数设置如表２所示。其次选取样本数４００００，其中７５％用于训练数据集，１５％用于验证数据，１０％用于测试数据。最后本文将所提出的算法与ＬＳ、ＭＭＳＥ、ＣＮＮ、ＤｎＣＮＮ方法进行比较分析。
表２ 系统仿真的主要参数
犜犪犫犾犲２ 犕犪犻狀狆犪狉犪犿犲狋犲狉狊狅犳狊狔狊狋犲犿狊犻犿狌犾犪狋犻狅狀
参数数值
数５，６，７，８
用户数１２００～１８００
天线数犕狓＝１，犕狔＝１６，犕狕＝８
天线间距０．５
系统带宽／ＧＨｚ０．５
ＯＦＤＭ子载波数１０２４
路径数５
学习率γ０．００１
激活函数Ｒｅｌｕ
ＳＮＲ范围／ｄＢ３０
ｂａｃｈ＿ｓｉｚｅ３２
ｅｐｏｃｈ３００
图４分别对比了ＣＮＮ、ＤｎＣＮＮ２种方法和所提方法在不同迭代次数下各网络模型的损失。通过设定相同网络参数，在不同迭代次数下，优于基于注意力机制模块的优化，在提取特征时更加注重需要关注的特征而忽略不重要的特征，基于所提方法的网络模型在损失性能上优于ＣＮＮ、ＤｎＣＮＮ
。
图４ 不同迭代次数下各网络模型的损失
Ｆｉｇ．４ Ｌｏｓｓｏｆｅａｃｈｎｅｔｗｏｒｋｍｏｄｅｌｕｎｄｅｒｄｉｆｆｅｒｅｎｔｉｔｅｒａｔｉｏｎｔｉｍｅｓ
图５～图７分别对比了在信噪比（ｓｉｇｎａｌｔｏｎｏｉｓｅｒａｔｉｏ，
ＳＮＲ）分别为１０ｄＢ、２０ｄＢ、３０ｄＢ时，ＣＮＮ、ＤｎＣＮＮ两种方
法和所提方法在不同网络层数下各网络模型的ＮＭＳＥ性
能比较。从图４～图６可以看出，通过不断增加网络层的数
量来对比模型的估计性能，所提方法在相同网络层数下性
能优于ＣＮＮ、ＤｎＣＮＮ方法。从图４可以看出，当网络层数
为９和１１时，可以发现所提方法和ＤｎＣＮＮ方法的ＮＭＳＥ
性能在同一等级。从图５可以看出，当网络层数为９和１０
时，可以发现所提方法和ＤｎＣＮＮ方法ＭＳＥ性能在同一等
级。此外，所提方法在１２层内收敛，而ＣＮＮ、ＤｎＣＮＮ在
１５层和１４层收敛。从图６可以看出，当网络层数为９和
１３时，可以发现所提方法和ＤｎＣＮＮ方法ＭＳＥ性能在同
一等级。此外，所提方法在１１层内收敛，而ＣＮＮ、ＤｎＣＮＮ
在１４层和１３层收敛。本文方法模型上较其他简单和实
用。随着神经网络层数的增加，所提方法都能取得更好的
ＮＭＳＥ性能
。
图５ 不同网络层数下各网络模型的ＮＭＳＥ性能比较（ＳＮＲ＝１０ｄＢ）
Ｆｉｇ．５ ＮＭＳＥｐｅｒｆｏｒｍａｎｃｅｃｏｍｐａｒｉｓｏｎｏｆｖａｒｉｏｕｓｎｅｔｗｏｒｋｍｏｄｅｌｓ
ｕｎｄｅｒｄｉｆｆｅｒｅｎｔｎｅｔｗｏｒｋｌａｙｅｒｓ（ＳＮＲ＝１０ｄＢ）Copyright©博看网 www.bookan. All Rights Reserved.
第１期
刘紫燕等：注意力机制ＣＮＮ的毫米波大规模ＭＩＭＯ系统信道估计算法
·３１１
·
图６ 不同网络层数下各网络模型的ＮＭＳＥ性能比较（ＳＮＲ＝２０ｄＢ）Ｆｉｇ．６ ＮＭＳＥｐｅｒｆｏｒｍａｎｃｅｃｏｍｐａｒｉｓｏｎｏｆｖａｒｉｏｕｓｎｅｔｗｏｒｋｍｏｄｅｌｓｕｎｄｅｒｄｉｆｆｅｒｅｎｔｎｅｔｗｏｒｋｌａｙｅｒｓ（ＳＮＲ＝２０ｄＢ
伞齿轮传动
）图７ ＮＭＳＥ（ＳＮＲ＝３０ｄＢ）
Ｆｉｇ．
７ ＮＭＳＥｐｅｒｆｏｒｍａｎｃｅｃｏｍｐａｒｉｓｏｎｏｆｖａｒｉｏｕｓｎｅｔｗｏｒｋｍｏｄｅｌｓｕｎｄｅｒｄｉｆｆｅｒｅｎｔｎｅｔｗｏｒｋｌａｙ
ｅｒｓ（ＳＮＲ＝３０ｄＢ）图８分别对比了ＬＳ、ＭＭＳＥ、ＣＮＮ、ＤｎＣＮＮ４种方法和本文所提方法在不同ＳＮＲ下的ＮＭＳＥ性能，其中ＬＳ和ＭＭＳＥ为传统信道估计算法。ＬＳ算法的估计性能最差，ＭＭＳＥ算法较ＬＳ算法有一定的提升。从图８可以看出，本文所提方法较ＣＮＮ、ＤｎＣＮＮ方法估计性能平均提升约１．５３ｄＢ。在ＳＮＲ为０～１５ｄＢ情况下，比ＣＮＮ、ＤｎＣＮＮ方法估计性能平均提高约０．１５～０．２３ｄＢ；在１６～３０ｄＢ情况下基于所提方法的信道估计性能平均提高约０．６８～１．４３ｄＢ。由于所提方法对样本进行训练学习时增加了注意力机制模块，在噪声提取上表现出了更好的性能，在同一ＳＮＲ下，基于所提方法的信道估计精度平均提升约１．８６ｄＢ。图８ 基于Ａｔｔｅｎｔｉｏｎ ＣＮＮ和其他方法的ＮＭＳＥ曲线Ｆｉｇ．８ Ｎｏｒｍａｌｉｚｅｄｍｅａｎｓｑ
ｕａｒｅｅｒｒｏｒｃｕｒｖｅｓｂａｓｅｄｏｎＡｔｔｅｎｔｉｏｎ ＣＮＮａｎｄｏｔｈｅｒｍｅｔｈｏｄｓ
深度学习方法应用于通信领域主要得益于对未知模型
强大的学习能力，
提出基于注意力机制ＣＮＮ方法相较于其他方法性能有所提升。本文通过选取分布的中较为集中的几个和多个用户产生更符合实际通信场景的数据，
仿真结果表明，在不同ＳＮＲ情况下，其估计精度有所提升，并且随着信噪比增加，ＮＭＳＥ减小，
估计性能越好。４ 结 论
针对信道估计受噪声、系统性能影响的问题，本文通过
ＤｅｅｐＭＩＭＯ模拟产生数据集，
将产生信道矩阵视为图像的方式。本文通过注意力机制模块增强图像空间像素特征，将注意力机制结合ＣＮＮ对图像进行去噪。结果表明，本文所提算法的信道估计精度较其他方法有所提升。下一步的研究
方向是创建更切合真实环境的数据集，其他图像的处理方式提取信道特征以及更简单的网络模型提升信道估计的精度。
参考文献
［１］ＭＵＭＴＡＺＳ，ＲＯＤＲＩＱＵＥＺＪ，ＤＡＩＬＬ．ｍｍＷａｖｅｍａｓｓｉｖｅＭＩ
ＭＯ：ａｐａｒａｄｉｇｍｆｏｒ５Ｇ［Ｍ］．ＮｅｗＹｏｒｋ：Ａｃａｄｅｍｉｃ，２０１６．［２］ＢＯＣＣＡＲＤＩＦ，ＨＥＡＴＨＲ，ＬＯＺＡＮＯＡ，ｅｔａｌ．Ｆｉｖｅｄｉｓｒｕｐｔｉｖｅｔｅｃｈｎｏｌｏｇｙｄ
ｉｒｅｃｔｉｏｎｓｆｏｒ５Ｇ［Ｊ］．ＩＥＥＥＣｏｍｍｕｎｉｃａｔｉｏｎｓＭａｇａ ｚｉｎｅ，２０１４，５２（２）：７４８０．
［３］康国良．毫米波大规模ＭＩＭＯ系统信道估计算法研究［Ｄ］．南昌：江西理工大学，２０１８．
ＫＡＮＧＧＬ．Ｒｅｓｅａｒｃｈｏｎｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎａｌｇｏｒｉｔｈｍｆｏｒｍｉｌｌｉ ｍｅｔｅｒｗａｖｅｍａｓｓｉｖｅＭＩＭＯｓｙｓｔｅｍ［Ｄ］．Ｎａｎｃｈａｎｇ：ＪｉａｎｇｘｉＵｎｉ ｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２０１８．［４］ＳＷＩＮＤＬＥＨＵＲＳＴＡＬ，ＡＹＡＮＯＧＬＵＥ，ＨＥＹＤＡＲＩＰ，ｅｔａｌ．Ｍｉｌｌｉｍｅｔｅｒ ｗａｖｅｍａｓｓｉｖｅＭＩＭＯ：ｔｈｅｎｅｘｔｗｉｒｅｌｅｓｓｒｅｖｏｌｕｔｉｏｎ？［Ｊ］．
ＩＥＥＥＣｏｍｍｕｎｉｃａｔｉｏｎＭａｇａｚｉｎｅ，２０１４，５２（９）：５６６２．［５］ＳＵＮＺＨ，ＺＨＡＯＺ，ＦＵＸＭ，ｅｔａｌ．ＬｉｍｉｔｅｄｆｅｅｄｂａｃｋｄｏｕｂｌｅｄｉｒｅｃｔｉｏｎａｌｍａｓｓｉｖｅＭＩＭＯｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎ：ｆｒｏｍｌｏｗ ｒａｎｋｍｏｄｅｌｉｎｇｔｏｄｅｅｐｌｅａｒｎｉｎｇ［Ｃ］∥Ｐｒｏｃ．ｏｆｔｈｅＩＥＥＥ１９ｔｈＩｎｔｅｒｎａ ｔｉｏｎａｌＷｏｒｋｓｈｏｐｏｎＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇＡｄｖａｎｃｅｓｉｎＷｉｒｅｌｅｓｓＣｏｍｍｕｎｉｃａｔｉｏｎｓ，２０１８．［６］ＨＵＡＮＧＸ，ＬＩＵＳＭ．ＭａｓｓｉｖｅＭＩＭＯｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎｆｏｒｖｅｈｉｃｕｌａｒｃｏｍｍｕｎｉｃａｔｉｏｎｓ：ａｄｅｅｐｌｅａｒｎｉｎｇｂａｓｅｄａｐｐｒｏａｃｈ［Ｃ］∥Ｐｒｏｃ．ｏｆｔｈｅＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｍｕｎｉｃａｔｉｏｎｓ
Ｗｏｒｋｓｈｏｐｓ，２０２０．［７］ＤＥＭＩＲＯＴ，ＢＪＯＲＮＳＯＮＥ．ＣｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎｉｎｍａｓｓｉｖｅＭＩＭＯｕｎｄｅｒｈａｒｄｗａｒｅｎｏｎ ｌｉｎｅａｒｉｔｉｅｓ：Ｂａｙｅｓｉａｎｍｅｔｈｏｄｓｖｅｒｓｕｓｄｅｅｐｌｅａｒｎｉｎｇ［
Ｊ］．ＩＥＥＥＯｐｅｎＪｏｕｒｎａｌｏｆｔｈｅＣｏｍｍｕｎｉｃａｔｉｏｎｓＳｏｃｉｅｔｙ，２
０２０，３２（８）：１０９１２４．［８］ＹＥＨ，ＬＩＧＹ，ＪＵＡＮＧＢ．Ｐｏｗｅｒｏｆｄｅｅｐｌｅａｒｎｉｎｇｆ
ｏｒｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎａｎｄｓｉｇｎａｌｄｅｔｅｃｔｉｏｎｉｎＯＦＤＭｓｙｓｔｅｍｓ［Ｊ］．ＩＥＥＥＷｉｒｅｌｅｓｓＣｏｍｍｕｎｉｃａｔｉｏｎｓＬｅｔｔｅｒｓ，２０１８，７（１）：１１４１１７．
［９］ＡＮＧＨＪ，ＳＯＮＧＹ，ＹＡＮＧＪＨ，ｅｔａｌ．Ｄｅｅｐ ｌｅａｒｎｉｎｇ ｂａｓｅｄｍｉｌｌｉｍｅｔｅｒ ｗａｖｅｍａｓｓｉｖｅＭＩＭＯｆｏｒｈｙｂｒｉｄｐｒｅｃｏｄｉｎｇ［
Ｊ］．ＩＥＥＥＴｒａｎｓ．ｏｎＶｅｈｉｃｕｌａｒＴｅｃｈｎｏｌｏｇｙ，２
０１９，６８（３）：３０２７３０３２．［１０］ＭＡＪＪ，ＰＩＮＧＬ．Ｄａｔａ ａｉｄｅｄｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎｉｎｌａｒｇｅａｎｔｅｎｎａｓｙｓｔｅｍｓ［Ｊ］．ＩＥＥＥＴｒａｎｓ．ｏｎＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，２０１４，６２（１２）：３１１１３１２４．Copyright©博看网 www.bookan. All Rights Reserved.
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议