[发明专利]针对MIMO-OFDM通信系统的贝叶斯神经网络信道估计方法和装置

说明书

本申请提出了一种针对MIMO‑OFDM通信系统的贝叶斯神经网络信道估计方法，涉及深度学习技术领域，其中，该针对MIMO‑OFDM通信系统的贝叶斯神经网络信道估计方法包括：获取输入数据，并通过MIMO‑OFDM通信系统进行数据传输，得到接收端的通信数据；根据接收端的通信数据和预先训练好的贝叶斯神经网络确定信道响应的估计值，其中，贝叶斯神经网络中的网络参数均为概率分布；根据信道响应的估计值在接收端对发送数据进行恢复并解码。本发明引入贝叶斯神经网络对MIMO‑OFDM信道进行拟合，提高了信道估计准确度。

技术领域

本申请涉及深度学习领域，尤其涉及一种针对MIMO-OFDM通信系统的贝叶斯神经网络信道估计方法和装置。

背景技术

深度学习网络这一学科自从2006年起，随着基于层叠的限制玻尔兹曼机的深度信念网络的学习算法的提出，而逐渐开创起来的，它在人工智能领域中是一门新兴的学科，其研究的主要内容，就是多层神经网络的建模和算法学习的问题。深度学习网络方法已经成功运用于其他很多领域，比如说图像处理，自然语言处理等。

深度学习是一种新兴的多层神经网络学习算法，因其缓解了传统网络训练中局部最小性，引起机器学习领域的广泛关注。随着近几年的发展，深度学习网络不仅仅指多层神经网络，而是泛指由复杂网络结构构成的多层网络，主要可将深度学习网络分为两种，一是模型驱动的深度学习网络，该类网络依据已知的知识和机制构建，通常是将已知的迭代算法展开成网络，比如LAMP和LISTA算法；二是数据驱动深度学习方法，此方法将网络看作是黑盒并依赖大量数据训练，常见的全连接网络以及深度卷积网络都属于此种方法。深度网络凭借其多层网络结构，在很多领域获得了很好的应用。但是与此同时，传统网络内部各层的权重、偏置等均为定值，其所给出的估计结果也只能为单个值，这种点估计方式在多径信道这种随机性较强的环境下往往会存在overfitting和overconfident等问题，导致网络的泛化能力变差。因此本发明引入了贝叶斯神经网络，该网络不仅可以通过设置先验分布加入我们对于信道环境已知的专家知识，还能通过权重、偏置等参数后验分布和给定先验分布之间的KL距离进行正则化，防止过拟合。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种针对MIMO-OFDM通信系统的贝叶斯神经网络信道估计方法，解决了现有方法中由于信道环境随机性强，点估计形式神经网络存在overfitting和overconfident等问题导致网络泛化能力差和调试困难的技术问题，通过引入概率分布对MIMO-OFDM信道进行拟合，提高了拟合的准确度和网络的适用范围，同时通过设置先验分布加入对于信道环境已知的专家知识，对权重、偏置等参数后验分布和给定先验分布之间的KL距离进行正则化，防止过拟合。

本申请的第二个目的在于提出一种针对MIMO-0FDM通信系统的贝叶斯神经网络信道估计装置。

本申请的第三个目的在于提出一种非临时性计算机可读存储介质。

为达上述目的，本申请第一方面实施例提出了一种针对MIMO-OFDM通信系统的贝叶斯神经网络信道估计方法，包括：获取输入数据，并通过MIMO-OFDM通信系统进行数据传输，得到接收端的通信数据；根据接收端的通信数据和预先训练好的贝叶斯神经网络确定信道响应的估计值，其中，贝叶斯神经网络中的网络参数均为概率分布；根据信道响应的估计值在接收端对发送数据进行恢复并解码。

可选地，在本申请的一个实施例中，还包括：

搭建MIMO-0FDM通信系统，并依据所建模的信道产生训练数据。

可选地，在本申请的一个实施例中，MIMO-OFDM通信系统的发送端由4QAM编码，OSTBC编码和OFDM变换构成，MIMO-OFDM通信系统的接收端由OFDM反变换，OSTBC解码和4QAM解码构成。

可选地，在本申请的一个实施例中，还包括：