本发明涉及无线通信领域，具体来说，涉及无线通信领域中基于机器学习的信道估计模型的硬件加速器，更具体来说，涉及一种信道估计加速器、信道估计模型的推理方法。
背景技术：
1、在无线通信环境中，发送端发送的信号会受到衰落和噪声的影响发生失真，因此接收机需要对信道进行估计。信道估计有助于信号后续的均衡、解调和解码等操作，信道估计的准确性将直接影响通信系统的性能。与此同时，人工智能(artificial intelligence，ai)已在许多领域表现出了突出的性能，如计算机视觉、自然语言处理和游戏等领域。在无线通信领域，人工智能也受到了广泛关注，研究人员将深度学习(deep learning，dl)应用于信道估计、信号检测、信道解码和调制模式识别等问题，以期望在性能和时延等方面获得相较于传统方法更好的表现。
2、在信道估计方面，相关研究人员结合深度学习得到了以下信道估计模型：(1)fc-dnn，是一个结合深度神经网络(deep neural network，dnn)来进行信道估计和信号检测的信道估计模型，它采用数据驱动、离线训练和在线部署的方式来实现信道估计，相关仿真实验表明，该信道估计模型能够有效的应对信号的失真和干扰；(2)comnet，是采用了模型驱动的思想，在深度神经网络的结构设计上引入通信领域专业知识，使用dnn来辅助ofdm接收机中的原有模块，它使用最小二乘法(least squa re，ls)的结果作为网络的初始化数据，增强了信道估计模型的性能和可解释性，并显著降低了信道估计模型的复杂度。然而，由于使用了离线数据进行训练，使得训练数据与实际数据不匹配，导致上述两种信道估计模型进行在线部署时模型性能下降，为了解决该问题，相关研究人员提出了一种新的信道估计模型switchnet，该模型是一个通过在线学习选择相关的参数来配置多个在不同信道环境下训练的信道估计模型，能够实现对多种信道环境的兼容，从而解决训练数据与实际数据不匹配而导致的模型性能下降问题。
3、同时，受机器视觉领域中图像降噪和图像超分辨率等研究的启发，新的信道估计模型还在不断出现。例如，channelnet，该模型是将导频处的ls信道估计矩阵当作带噪声的低分辨率图像，而将完整的信道估计矩阵当作无噪声的高分辨率图像，通过直接级联图像超分辨率神经网络模型和图像降噪神经网络模型来完成信道估计任务，获得了良好的性能表现。然而信道估计问题与图像处理问题之间存在着一定的差异，机器视觉领域的神经网络模型并不是针对信道估计任务设计的，直接将对应领域的神经网络模型应用于信道估计问题并不能获得最佳的性能表现。因此，相关研究针对无线信道的特点对channelnet进行了改进，如reesnet是在channel net的基础上引入残差学习并压缩了模型规模；icinet是在channelnet的基础上引入预处理网络来应对信道间干扰(inter channelinterference，ic i)；interpolation-resnet是在channelnet的基础上引入双线性插值以兼容多种导频模式；rrdbnet是在channelnet的基础上引入稠密连接来增加信道估计模型容量以提高模型的训练效率；attrnet、ha02和channelfor mer等信道估计模型是在channelnet的基础上引入注意力机制来增强信道估计模型的自适应能力。
4、虽然研究人员在信道估计方面提出了多种信道估计模型，但大多数的模型设计还处在算法设计层面，缺少对应的加速器设计，导致这些信道估计模型难以在实际环境中进行部署和测试。此外，尽管目前已存在大量成熟的深度学习加速器，但它们大多面向的是机器视觉或自然语言处理等领域，对具有通信专业知识模块或复杂连接结构的信道估计专用模型无法直接支持或效率不高。
技术实现思路
1、因此，本发明的目的在于克服上述现有技术的缺陷，提供一种信道估计加速器、信道估计模型的推理方法。
2、本发明的目的是通过以下技术方案实现的：
3、根据本发明的第一方面，提供一种信道估计加速器，所述信道估计加速器用于基于导频信号、信道估计指令以及信道估计模型得到信道估计结果，其特征在于，所述信道估计加速器包括：总控制器、片内缓存以及计算引擎，其中，所述总控制器用于基于所述信道估计指令生成所述片内缓存对应的地址和配置所述计算引擎中的计算操作，其中，所述计算操作包括：最小二乘操作、卷积操作、矩阵逐元素相加操作、转置卷积操作和注意力操作；所述片内缓存用于基于其对应的地址缓存导频信号、信道估计模型中所有网络层的权重，并缓存信道估计模型中每一层网络层的输入输出数据和各网络层之间不规则连接产生的中间结果；所述计算引擎包括最小二乘计算模块和处理模块，其中，所述最小二乘计算模块用于对所述片内缓存中缓存的导频信号执行最小二乘操作以得到导频处信道估计矩阵；所述处理模块用于基于信道估计模型中所有网络层的权重对导频处信道估计矩阵执行卷积操作、矩阵逐元素相加操作、转置卷积操作和注意力操作以得到信道估计模型中每一层网络层的输入输出数据和各网络层之间不规则连接产生的中间结果并反馈给所述片内缓存，其中，信道估计模型中最后一层网络层的输出数据为信道估计结果。
4、在本发明的一些实施例中，所述总控制器包括：指令缓存模块，用于缓存所述信道估计指令；有限状态机模块，用于基于所述指令缓存模块缓存的信道估计指令生成所述片内缓存对应的地址和配置所述计算引擎中的计算操作。
5、在本发明的一些实施例中，所述片内缓存包括：数据缓存模块，用于缓存导频信号、信道估计模型中每一层网络层的输入输出数据和各网络层之间不规则连接产生的中间结果；权重缓存模块，用于缓存信道估计模型中所有网络层的权重。
6、在本发明的一些实施例中，所述数据缓存模块包括：数据缓存单元，用于缓存导频信号、信道估计模型中每一层网络层的输入输出数据；中间结果缓存单元，用于缓存信道估计模型中各网络层之间不规则连接产生的中间结果。
7、在本发明的一些实施例中，所述数据缓存单元包括：第一数据子缓存单元和第二数据子缓存单元，用于分别缓存信道估计模型中对应网络层的输入输出数据，且所述第一数据子缓存单元还被用于缓存导频信号，其中，所述第一数据子缓存单元和所述第二数据子缓存单元被配置为按照如下方式缓存信道估计模型中对应网络层的输入数据或输出数据：在对信道估计模型中的一层网络层的输入数据执行对应的操作得到该网络层的输出数据时，其中一个数据子缓存单元用于缓存该网络层的输出数据以作为下一层网络层的输入数据，并将另一个数据子缓存单元用于缓存下一层网络层的输出数据。
8、在本发明的一些实施例中，各网络层之间不规则连接产生的中间结果包括：信道估计模型中多个按照预设层数的网络层组成的固定结构之间的不规则连接产生的中间结果和按照预设层数的网络层组成的固定结构中各网络层之间不规则连接产生的中间结果，其中，所述中间结果缓存单元包括：第一中间结果子缓存单元，用于缓存信道估计模型中按照预设层数的网络层组成的固定结构中各网络层之间不规则连接产生的中间结果；第二中间结果子缓存单元，用于缓存信道估计模型中多个按照预设层数的网络层组成的固定结构之间的不规则连接产生的中间结果。
9、在本发明的一些实施例中，所述计算操作还包括双线性插值操作，且所述计算引擎还包括：双线性插值计算模块；其中，所述处理模块被配置为基于信道估计模型中所有网络层的权重对导频处信道估计矩阵执行卷积操作、矩阵逐元素相加操作和注意力操作并将结果给所述双线性插值计算模块，以及对所述双线性插值计算模块得到的结果执行预设次数的卷积操作以得到信道估计模型中每一层网络层的输入输出数据和各网络层之间不规则连接产生的中间结果并反馈给所述片内缓存；所述双线性插值计算模块用于对接收到的数据执行双线性插值操作并将结果给所述处理模块。
10、在本发明的一些实施例中，所述处理模块包括：按照预设的串联结构依次串行连接的多个卷积执行单元、多个矩阵逐元素相加执行单元、多个注意力执行单元和一个转置卷积执行单元，其中，每个执行单元分别用于执行对应的操作。
11、在本发明的一些实施例中，所述处理模块被设置为：基于信道估计指令选择对应的执行单元执行对应的操作。
12、根据本发明第二方面，提供一种信道估计模型的推理方法，所述方法包括：获取导频信号、信道估计指令以及信道估计模型；采用上述实施例中所述的加速器基于导频信道、信道估计指令以及信道估计模型得到信道估计结果。
13、根据本发明的第三方面，提供一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现第二方面所述方法的步骤。
14、与现有技术相比，本发明的优点在于：
15、本发明上述实施例中提出的信道估计加速器能够通过不同的信道估计指令配置高效实现指令对应的信道估计模型的推理和数据的访存操作，同时提高信道估计模型的硬件执行效率和降低推理延迟。
1.一种信道估计加速器，所述信道估计加速器用于基于导频信号、信道估计指令以及信道估计模型得到信道估计结果，其特征在于，所述信道估计加速器包括：总控制器、片内缓存以及计算引擎，其中，
2.根据权利要求1所述的加速器，其特征在于，所述总控制器包括：
3.根据权利要求1所述的加速器，其特征在于，所述片内缓存包括：
4.根据权利要求3所述的加速器，其特征在于，所述数据缓存模块包括：
5.根据权利要求4所述的加速器，其特征在于，所述数据缓存单元包括：第一数据子缓存单元和第二数据子缓存单元，用于分别缓存信道估计模型中对应网络层的输入输出数据，且所述第一数据子缓存单元还被用于缓存导频信号，其中，所述第一数据子缓存单元和所述第二数据子缓存单元被配置为按照如下方式缓存信道估计模型中对应网络层的输入数据或输出数据：
6.根据权利要求4所述的加速器，其特征在于，各网络层之间不规则连接产生的中间结果包括：信道估计模型中多个按照预设层数的网络层组成的固定结构之间的不规则连接产生的中间结果和按照预设层数的网络层组成的固定结构中各网络层之间不规则连接产生的中间结果，其中，所述中间结果缓存单元包括：
7.根据权利要求1所述的加速器，其特征在于，所述计算操作还包括双线性插值操作，且所述计算引擎还包括：双线性插值计算模块；其中，
8.根据权利要求7所述的加速器，其特征在于，所述处理模块包括：按照预设的串联结构依次串行连接的多个卷积执行单元、多个矩阵逐元素相加执行单元、多个注意力执行单元和一个转置卷积执行单元，其中，每个执行单元分别用于执行对应的操作。
9.根据权利要求8所述的加速器，其特征在于，所述处理模块被设置为：基于信道估计指令选择对应的执行单元执行对应的操作。
10.一种信道估计模型的推理方法，其特征在于，所述方法包括：
11.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序可被处理器执行以实现权利要求10所述方法的步骤。
12.一种电子设备，其特征在于，包括：
