摘要
作为5G的核心技术,波束域毫米波大规模多输入多输出(Multiple-Input and Multiple-Output,MIMO)是当前研究的热点之一,而噪声特征的提取对其信道估计的性能提升发挥着极其重要的作用。因此,在波束域毫米波大规模MIMO系统中,构建了一种新型两步噪声学习网络(Two-step Noise Learning Network, TNLNet)。基本原理是在接收信号反复经过卷积层和池化层提取噪声特征的基础上,利用波束域毫米波大规模MIMO信道矩阵稀疏性所引起的相邻元素相近的特点,采用下采样,将信道矩阵重构成4个子矩阵,提高训练测试效率。结果表明,该算法以比全卷积去噪近似消息传递(Fully Convolutional Denoising Approximate Message Passing,FCDAMP)算法和学习去噪的近似消息传递(Learned Denoising-based Approximate Message Passing,LDAMP)算法更低的复杂度,取得了比最小二乘算法、最小均方误差算法、FCDAMP和LDAMP更优的归一化均方误差(Normalized Mean Squared Error,NMSE)性能;与快速灵活去噪卷积神经网络(Fast and Flexible Denoising convolutional neural Network,FFDNet)相比虽然复杂度略高,但该算法具有更优的NMSE性能,且在单一训练模型中获得了比FFDNet更宽的信噪比适用范围,增强了实用性。
- 单位