本发明属于人工智能辅助无线通信，尤其涉及一种基于深度展开网络的超大规模mimo近场信道估计方法。
背景技术：
1、为了满足人们日益增长的数据需求，各种新兴技术的不断涌现，通信系统的各项性能指标得到了很大的提高。超大规模mimo技术作为通信网络的关键技术之一，在基站部署大量天线，有望进一步提升整个通信网络的频谱效率，扩大覆盖范围，实现更大容量。然而，要实现上述预期效果的必要前提是实现对信道的准确估计。
2、随着基站天线数量的增加，带来的不仅仅是信号处理计算复杂度的增加，还有通信电磁特性的改变。以往基站装备较少天线时，可以采用平面波假设进行建模，此时信道在角域上具有稀疏性，可以构建角域稀疏字典，基于角域稀疏性设计信道估计算法。当基站装备天线数量达到数百甚至数千时，会产生近场效应，此时平面波假设不再成立，应当改为球面波假设，信道的稀疏性也由角域变到了极域，如果再利用角域稀疏字典对其进行信道估计，会带来性能上的损失。对此，部分学者研究了近场极域稀疏性，同时，提出了极域稀疏字典的构建方法，在此基础上，可以选取正交匹配追踪算法，实现对近场信道的有效估计，但该方法属于贪婪算法，严重依赖于采样字典的大小，限制了算法的性能。
3、此外，随着以人工智能为代表的数字化技术的快速发展，无线通信网络向着更加智能化的方向发展。通过对大量数据进行特征提取和挖掘，利用人工智能技术，实现网络优化。深度学习作为人工智能的关键技术之一，在图像处理、语音信号分析等领域已经展现出强大的能力，因此学者们纷纷将其引入无线通信领域，实现智能无线通信。在信道估计领域，已设计出不少神经网络结构，实现了对信道的准确估计，然而这些神经网络大多是数据驱动模型，可解释性较差。
技术实现思路
1、发明目的：为解决上述问题，本发明利用近场信道的极域稀疏性，构建极域稀疏字典，提出一种基于深度展开网络的超大规模mimo近场信道估计方法，实现近场信道估计。相比近场迭代收缩阈值算法，设计的深度展开网络进一步提升了信道估计准确度。
2、为实现上述目的，本发明采用如下技术方案：
3、一种基于深度展开网络的超大规模mimo近场信道估计方法，包括以下步骤：
4、步骤1、利用近场散射点，同时考虑角度和距离信息，采用球面波假设，依据传播路径数量，采用多径模型，构建近场信道；
5、步骤2、用户终端向基站发送导频信号，基站端考虑混合预编码，构建模拟均衡矩阵，建立接收信号模型，获取接收信号；
6、步骤3、划分网格，对角度域进行均匀采样，对距离域进行非均匀采样，获取近场极域字典，并结合模拟均衡矩阵构建近场感知矩阵；
7、步骤4、依据接收信号和近场感知矩阵，建立稀疏信号恢复问题，利用迭代收缩阈值算法，逐步更新近场极域信道，待迭代结束后，利用近场极域字典将近场极域信道转换到原始信道，从而对近场信道进行估计；
8、步骤5、依据迭代收缩阈值算法，将步长项和软阈值收缩函数利用神经网络层代替，设计深度展开网络模型，确定损失函数；
9、步骤6、依据近场信道模型，生成多组信道数据，并生成对应的接收信号数据，将信道数据和接收信号数据合并，构成深度展开网络模型数据集，将数据集按比例划分为训练集、验证集和测试集，将接收信号作为输入，信道作为输出，利用训练集对搭建的深度展开网络模型进行训练，并保存训练好的深度展开网络模型；
10、步骤7、基于训练好的深度展开网络模型，考虑新用户，重新获取近场极域字典，并构建近场感知矩阵，获取接收信号，将接收信号输入深度展开网络模型，获得输出的近场信道，实现对近场信道的估计。
11、进一步的，步骤1具体包括以下步骤：
12、
13、其中，h表示近场信道，n表示基站天线数，l表示路径分量的个数，ln代表路径索引，即所有路径分量中的第n条路径；分别表示ln近场路径分量的路径增益、角度和距离；是与相关的近场阵列转向矢量，具体表达式为：
14、
15、其中，j表示复数单位，表示从第ln个散射点到第n个基站天线的距离，代表了基站天线的坐标信息，对应有n＝1,2,....,n；λ表示载波波长，为天线间距，为实际物理角度；t表示矩阵转置。
16、进一步的，步骤2具体包括以下步骤：
17、考虑上行信道估计，基站采用n天线均匀线性阵列，考虑混合预编码，配备射频链数量为nrf，其中nrf＜＜n；考虑1个单天线用户，在q个时隙中传输导频序列，设用户在第q个时隙传输的导频为xq，此时基站处接收信号表示为：
18、yq＝aqhxq+aqnq (3)
19、其中，代表表示满足恒模约束的模拟均衡矩阵，以aq中的第(i,j)个元素|aq(i,j)|为例，满足对应有i＝1,2,....,nrf，j＝1,2,....,n；表示待估计的用户到基站的上行信道；代表服从分布的高斯复数噪声，σ2表示噪声的方差，in∈rn×n为单位矩阵；对于任意时隙q＝1,2,...,q，设置xq＝1，将所有q时隙堆叠在一起，获得如下所示的串联形式：
20、
21、其中，表示整体观测矩阵，其中a中的元素是独立的，从集合中以等概率随机生成；表示接收信号，表示等效噪声；因此信道估计问题是在已知接收信号y和整体观测矩阵a的前提下估计上行信道h。
22、进一步的，步骤3具体包括以下步骤：
23、步骤3.1、对于近场信道，对角度进行均匀采样，即第n个角度采样值为对应有n＝1,2,....,n；对距离进行非均匀采样，设定阈值βδ，计算阈值距离设定距离采样数量s，计算采样距离，即第n个角度采样值上的第s个距离为利用采样角度值和距离值，结合式(2)，构造极域字典如下：
24、w＝[b(θ1,rs,1),b(θ2,rs,2),...,b(θn,rs,n),...,b(θn,rs,n)] (5)
25、步骤3.2、考虑信道的稀疏表示，结合式(1)、(2)和(5)，将信道重写为：
26、h＝whp (6)
27、其中，hp表示近场极域信道；
28、步骤3.3、结合式(4)和(6)，构建感知矩阵an＝aw，代表近场极域信道hp的感知矩阵；将接收信号重写为：
29、
30、因此，近场信道估计是在已知y,a,w的情况下，对hp进行估计，再通过式(6)还原出真实信道。
31、进一步的，步骤4具体包括以下步骤：
32、步骤4.1、将式(7)中的上行近场信道估计问题转化为以下的稀疏信号恢复问题：
33、
34、其中，εn表示近场信道的阈值参数；
35、步骤4.2、通过将l0范数放宽至l1范数，问题(8)转化为可处理的形式：
36、
37、其中，λp为正则化参数；
38、步骤4.3、考虑第k次迭代过程，利用迭代收缩阈值算法，逐步更新hpk：
39、给定hpk-1时，式(9)等价于
40、
41、其中，步长取值为tkp＝1/ρmax(anhan)，ρmax(·)表示矩阵的最大特征值，为式(9)中函数在hpk-1处的梯度，计算得到
42、
43、忽略掉常数项后，(10)重写为
44、
45、通过微分进一步得到：
46、
47、其中，表示软阈值收缩函数，λptkp为阈值；以x的第i个元素xi为例，具体的运算过程为(·)+表示取最大值，sgn(·)表示符号函数；
48、当更新到最大迭代次数或者收敛时，停止迭代，将近场极域信道还原到原始信道；
49、h＝whp (14)。
50、进一步的，步骤5具体包括以下步骤：
51、步骤5.1、展开后的神经网络的每层循环写为：
52、
53、由此设计神经网络总体框架；其中，vp＝tkpanh用一个神经网络全连接层代替，软阈值收缩函数用神经网络的卷积层代替；
54、步骤5.2、设计软阈值收缩函数层，引入残差结构；采用3个二维卷积层构成，依次选取1×1，3×3，5×5大小的卷积核，分别采用8个，32个，2个滤波器，分别输出8组，32组，2组特征，相邻卷积层在之前均采用relu激活函数；输入前先将复数信道的虚部和实部分离，使网络分别挖掘实部和虚部的特征；输出时将实部和虚部重新合并，还原回复数信道；
55、步骤5.3、选择归一化均方误差nmse作为神经网络的损失函数：
56、
57、其中，表示求期望操作，表示信道估计值。
58、进一步的，步骤6具体包括以下步骤：
59、步骤6.1、考虑信噪比(0,20)db，利用matlab分别生成信道数据和接收信号数据集，数据集的组成具体划分为：训练集、验证集和测试集，分别包含40000、5000和5000个样本；
60、步骤6.2、设置神经网络的优化器、超参数及优化策略：
61、网络的优化器选取adam，初始学习率为0.001，并且每经过20轮训练后学习率减半；考虑到使用的gpu内存限制，批量大小设置为64；采用分层训练，保证算法的收敛性；在每次训练中，采用提前停止策略，提高训练速度，防止过拟合；
62、步骤6.3、将步骤6.1中的训练集和验证集送入步骤5中构建的深度展开网络模型中，对网络进行训练。
63、进一步的，步骤7具体包括以下步骤：
64、步骤7.1、采用式(16)的归一化均方误差nmse作为评估指标，将步骤6.1中的测试集输入到步骤6.4中完成训练的深度展开网络中，得到模型输出的估计信道；
65、步骤7.2、计算模型输出的估计信道与原始输入信道矩阵之间的nmse，用以评估模型算法信道估计性能。选取对比算法为最小二乘算法，正交匹配追踪算法，迭代收缩阈值算法；相比正交匹配追踪算法，迭代收缩阈值算法具有更低的估计误差；相比迭代收缩阈值算法，本发明提出的深度展开网络进一步提升了信道估计的性能。
66、有益效果：本发明所构建的一种基于深度展开网络的超大规模mimo近场信道估计方法，利用近场信道的极稀疏性，充分捕捉超大规模mimo近场信道特征，利用迭代收缩阈值算法对近场信道进行估计，取得了较好的效果，随后进一步利用神经网络对算法进行迭代展开，在保持可解释性的同时，进一步提升了信道估计的准确度。
1.一种基于深度展开网络的超大规模mimo近场信道估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于深度展开网络的超大规模mimo近场信道估计方法，其特征在于，步骤1具体包括以下步骤：
3.根据权利要求2所述一种基于深度展开网络的超大规模mimo近场信道估计方法，其特征在于，步骤2具体包括以下步骤：
4.根据权利要求3所述一种基于深度展开网络的超大规模mimo近场信道估计方法，其特征在于，步骤3具体包括以下步骤：
5.根据权利要求4所述一种基于深度展开网络的超大规模mimo近场信道估计方法，其特征在于，步骤4具体包括以下步骤：
6.根据权利要求5所述一种基于深度展开网络的超大规模mimo近场信道估计方法，其特征在于，步骤5具体包括以下步骤：
7.根据权利要求6所述一种基于深度展开网络的超大规模mimo近场信道估计方法，其特征在于，步骤6具体包括以下步骤：
8.根据权利要求7所述一种基于深度展开网络的超大规模mimo近场信道估计方法，其特征在于，步骤7具体包括以下步骤：
