CN108306662B - 一种基于数据驱动的混合波束成形中的模拟波束选择方法 - Google Patents
一种基于数据驱动的混合波束成形中的模拟波束选择方法 Download PDFInfo
- Publication number
- CN108306662B CN108306662B CN201810191213.5A CN201810191213A CN108306662B CN 108306662 B CN108306662 B CN 108306662B CN 201810191213 A CN201810191213 A CN 201810191213A CN 108306662 B CN108306662 B CN 108306662B
- Authority
- CN
- China
- Prior art keywords
- analog beam
- vector
- user
- channel
- analog
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0408—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas using two or more beams, i.e. beam diversity
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
- H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
- H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
- H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
- Radio Transmission System (AREA)
Abstract
本发明通信技术领域,具体涉及一种基于数据驱动的混合波束成形中的模拟波束选择方法。本发明的方法将混合波束成形中的模拟波束选择问题当成一个多分类问题。利用大量的毫米波信道样本和支持向量机,该方法能够训练得到一个以最大和速率为目标的分类统计模型。对于实时通信传输中,利用所得到的分类统计模型,每一个移动用户能够以较低复杂度的方式确定最优的模拟波束。当训练样本足够多的时候,该方法的和速率性能能够近似于最优值,而该方法的实现复杂度比最优的穷举搜索算法的复杂度低若干个(与移动用户数目相关)数量级。
Description
技术领域
本发明属于通信技术领域,具体涉及一种基于数据驱动的混合波束成形中的模拟波束选择方法。
背景技术
当前5G标准已经明确了对更高传输速率、更低时延的要求。而为了实现5G的要求,需要利用更宽的频谱资源。因此,产业界和学术界认为毫米波频段是能实现更高传输速率、更低时延的要求的理想频段。毫米波具有更短的波长,因此能在有限的空间中配备更多的天线。所以毫米波技术也是实现大规模多天线系统的理想技术。
另一方面,在传统的数字波束成形中每一根发射天线都会配备一条射频链路。然而,大规模多天线系统一般多达上百个天线,如果每一根天线都配备一条射频链路,会使得能耗和实施成本非常高。所以传统的全数字波束成形的实施方案在实际的大规模多天线系统中不再实用。模拟波束成形通过移相器调整天线接收和发射信号的相位,从而克服了射频链路的硬件限制,降低了天线系统的成本和能耗。然而,模拟波束成形只能满足单流传输,并且相移器受到幅度为常数的限制,其性能与无硬件约束的传统的数字波束成形相比略低,通常只能达到次优的性能。混合数模波束成形作为毫米波多天线系统的全新技术,利用远小于天线数的射频链路以降低系统的能耗和实施成本,另一方面实施大量的相移器增加收发天线的增益,从而实现大规模多天线系统的性能与硬件成本的折衷,且能够满足多流传输,当前,混合波束成形得到了产业界和学术界广泛的关注。
由于模拟波束成形会直接影响收发天线的增益,因此它对系统性能较为关键。当前混合波束成形主要是基于模拟波束码本集来实现模拟波束的选择。如何选择合适的模拟波束是混合波束成形面临的较大难题。当前,解决该问题的主要方法是通过穷举搜索算法来找到最优的模拟波束,然而该方法的复杂度非常高,不适合应用在实际系统中。
发明内容
本发明的目的是提出一种基于数据驱动思想的大规模MIMO上行传输混合波束成形中的低复杂度模拟波束选择的方法。系统模型如图1所示:基站有NB个天线来服务K个移动用户。设每个用户具有Nu个天线。混合波束成形结构包含了数字波束成形部分和模拟波束成形部分。在模拟波束成形部分,基站具有Ns个射频链路,而每个射频链路包含NR个天线。因此,基站天线数目可以写为NB=Ns×NR。这里假设用户数目不大于每个射频链路的天线数目,即K≤Ns。
在上行链路中,当用户k(k∈{1,2,…,K})传输上行信号给基站时,该上行信号可以写为
xk=cksk, (1)
基站上的接收信号可以被表示为
另一方面,基站上第l个射频链路的波束可以写为
在通过接收波束处理后,接收信号可以进一步写为
然后,通过接收数字波束矩阵W的接收信号可以写为
对于毫米波信道假设毫米波模型具有L个散射路径。因此,上行用户k的信道矩阵可以写为
其中αk,i是第个i路径的复增益,ρk为用户k和基站间的路损系数。为用户k的第个i路径的离开角(DoA),而为基站端第个i路径的到达角(AoA)。这里和分别为基站端和用户端的天线阵列响应向量(response vectors)。这里采用均匀线性阵列(ULA),则和可以分别写为
其中λ是信号波长,d为天线元素间的距离。接下来,公式(0-1)中的信道矩阵可以写为如下紧凑的形式:
假设每个用户在一个事先定义好的码本集里挑选用来传输的模拟波束。这个码本集被定义为F,里面包含|F|个模拟波束码字。该码本集可以表示
F={c1,c2,…c|F|}. (12)
G={G1,G2,…G|G|}, (13)
假设每一个用户都共享同一个传输波束码本集,并且基站已知该码本集。
根据公式(7),上行的和速率可以写为
其中,γi为用户i的信干燥比,它可以被写为
根据(15)和(16),模拟波束的最优选择问题可以写为如下形式
首先根据公式(16),K=2时的和速率可以写为
通过一些数学处理,公式(18)可以写为
由公式(21)可知,并不含有矩阵求逆的运算。因此,将当作是K=2时低复杂度的速率衡量指标。接下来,将上述低复杂度的速率衡量指标扩展到K≥3的一般情况。当K≥3时,合并K-1个等效信道向量为一个合并向量。具体地,当K≥3时,速率衡量指标可以写为这里为k的补集,为K-1个等效信道向量的合并向量,它可以表示为
其中ai为归一化系数。因此,K≥3情况下的和速率可以表示为
为降低波束选择的复杂度,利用机器学习来解决这一问题。具体地,利用支持向量机来对用户的上行信道向量进行分类。而分类的类型就是候选的模拟波束。
根据毫米波信道模型,每一个信道样本能够表示成4L+1个实数特征值,它们包含了路径衰落,L个路径增益(每个路径增益包含实部和虚部),L个离开角和L个到达角。为保证训练的有效性,每个实数特征值将会根据它们的统计特性随机产生。另外,由于数值较大的特征值会对训练产生偏向,因此把每一个实数特征值都归一化为
其中是第m个信道样本的第l个特征值,为的均值。为在M中第l项特征值的最大值。为在M中第l项特征值的最小值。通过上面对样本的描述,可以将每个样本表示为一个包含有4L+1个归一化特征值的向量tm∈R1×(2L+1)(m∈{1,2,…,M})。
将||GmHkci||2设为样本的KPI函数。另外,根据每一个用户具有|F|个模拟波束的选择。因此,衡量样本信道向量和每一个候选波束组合的KPI函数。然后,对于该信道样本,把能使KPI函数最大的发射模拟波束作为它的标记(lable)。因此,M个信道样本的标记就可以写成一个M维的向量r∈R1×M。该向量中的每一个元素为能使对应样本达到最大KPI函数值的发射波束的序号。
对于每一个样本的特征向量tm∈R1×(2L+1)(m∈{1,2,…,M}),有该样本的标记r[m]。通过这M个标记过的训练样本,得到一个多类分类器。该分类器的输入是信道特征向量,而输出是最优的模拟波束。在混合波束成形中,一个波束码本集通常包含有两个以上的候选模拟波束。因此,为了区分|F|个类别,采用|F|个一对多(one-vs-the-rest)的支持向量机分类器。每一个一对多分类器将信道特征向量分为一类和其他类。以第n个分类器为例,它会将标记为n的样本归为一类,而将其他样本归为另一类。比如对于第i个样本,如果它的标记r[i]=n,则令yi=+1,而如果它的标记r[i]≠n,则令yi=-1。根据上述内容,支持向量机中训练第n个分类器的分离超平面的优化问题可以写为
其中向量w即为分离超平面向量。φ是映射函数,它能将样本数据ti映射到高维空间。b为门限常数。C为惩罚常数。ζi是对样本数据ti误分类造成的误差值。
当训练阶段结束后,第n个分类器的分类模型(即模拟波束cn∈F的分类器)可以表示为
对于问题(25),利用另一个一对多分类器来实现模拟波束的选择。问题(25)的目的是在已知和的情况下,找到能使最大化的k和cn的组合。又因为有M个训练样本和|F|和候选模拟波束,根据公式(17)得到M|F|个合并信道向量的训练样本。问题(25)的分类器的另一个输入是信道特征向量它有M个训练样本。因此,通过组合的训练样本和的训练样本,对于问题(25)的分类器的输入值共有M2|F|个训练样本。并且每一个样本包含有(Ns+4L+1)个特征值,因此可以写为一个(Ns+4L+1)维的样本向量。
问题(25)的分类器的分类器中,将公式(21)中的f(a,b)作为KPI函数。且每一个输入样本都标记着能使其KPI函数最大的模拟波束序号。因此,M2|F|个训练样本被分成了|F|类。同样在训练阶段结束后,得到其分类模型。具体地,第n个分类器的分类模型(即模拟波束cn∈|F|的分类器)可以表示为
其中为待分类信道的特征向量,是和的合并向量。si为支持向量,V2为支持向量的集合。如果则cn能使KPI函数最大。因此,可以推断用户k的最优波束就是cn。如果则用户k的最优波束不是cn,这就需要通过其他分类器才能确定。
这里将进一步讨论基于数据驱动的模拟波束选择方法的复杂度,并与穷举搜索算法的复杂度做对比。一个t×t的方阵求逆的复杂度为O(t3)。因此,穷举搜索算法的复杂度可以直接写为
基于数据驱动的模拟波束选择方法中,由于由于训练阶段是在线下进行的,而分类阶段是在线上进行的。因此将训练阶段的复杂度不计入波束选择的复杂度中。由于核函数需要对特征向量求Forbinius范数,因此第一个分类器的复杂度为
其他K-1个用户的波束选择是通过第二个分类器实现的,其复杂度为
综合上述结果,基于数据驱动的模拟波束选择方法的复杂度
与现有技术相比,本发明方案的有益效果是:
当训练样本足够多的时候,本发明方法的和速率性能能够接近最优值,而相比于穷举搜索算法的复杂度,本发明方法的实现复杂度能够大幅度降低,具有较高的实用性。
附图说明
图1为本发明的系统框图。
图2为所发明方法与穷举搜索算法的和速率性能对比图。
图3为所发明方法在不同样本数据下的上行和速率性能图。
图4为穷举搜索的复杂度与次优化方法的复杂度对比图。
图5为次优化方法的复杂度与所发明方法的复杂度对比图。
具体实施方式
第一步:首先,从模拟波束码本集G中任选一个模拟波束作为接收模拟波束。然后用集合S表示已选择模拟波束的用户集合。用集合Ω表示还未选择模拟波束的用户集合。然后将集合Ω中每一个用户信道特征向量输入到|F|个分类器中,如果则把模拟波束码本集F中的cn分配给用户k。再从得到的组合中将等效信道向量的Forbinius范数最大的一个组合作为分配结果,即然后更新集合G和集合S。
第二步:计算所有已选择模拟波束的用户的合并信道向量然后将集合Ω中用户的信道特征向量与的合并向量输入到|F|个分类器(n=1,2,…,|F|)中。如果则把模拟波束码本集F中的cn分配给用户k。再从得到的组合中将函数最大的一个组合作为分配结果,即然后更新集合G和集合S。
第三步:重复上述过程直到集合Ω中元素为零。
Claims (1)
1.一种基于数据驱动的混合波束成形中的模拟波束选择方法,其特征在于,包括以下步骤:
S1、定义基站端的接收模拟波束码本集为G:
G={G1,G2,…G|G|}
定义用户用来传输的模拟波速码本集为F:
F={c1,c2,…c|F|}
定义集合S表示已选择模拟波束的用户集合、集合Ω表示还未选择模拟波束的用户集合;
其中,为待分类信道的特征向量,si为支持向量,V1为支持向量的集合,ai是拉格朗日乘子,yi是第i个样本的符号标记,函数K是高斯核函数,b门限值,n=1,2,…,|F|;如果则把模拟波束码本集F中的cn分配给用户k,再从得到的组合中将等效信道向量的Forbinius范数最大的一个组合作为分配结果,即 为用户k的等效上行信道向量,Hk为信道矩阵;然后更新集合G和集合S;
其中,si为支持向量,V2为支持向量的集合,n=1,2,…,|F|;如果则把模拟波束码本集F中的cn分配给用户k;再从得到的组合中将函数最大的一个组合作为分配结果,即然后更新集合G和集合S;其中,函数为:
其中,NR为每个射频链路包含的天线数,P为上行信号的最大功率,σ2为高斯加性白噪声功率;
S3、重复S1到S2直到集合Ω中元素为零;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810191213.5A CN108306662B (zh) | 2018-03-08 | 2018-03-08 | 一种基于数据驱动的混合波束成形中的模拟波束选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810191213.5A CN108306662B (zh) | 2018-03-08 | 2018-03-08 | 一种基于数据驱动的混合波束成形中的模拟波束选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108306662A CN108306662A (zh) | 2018-07-20 |
CN108306662B true CN108306662B (zh) | 2020-08-28 |
Family
ID=62849642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810191213.5A Active CN108306662B (zh) | 2018-03-08 | 2018-03-08 | 一种基于数据驱动的混合波束成形中的模拟波束选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108306662B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112703682A (zh) * | 2018-09-13 | 2021-04-23 | 诺基亚通信公司 | 用于使用机器学习来设计波束网格的装置和方法 |
US11870530B2 (en) | 2018-09-28 | 2024-01-09 | Nokia Technologies Oy | Beam alignment |
CN109547071B (zh) * | 2018-11-15 | 2020-09-29 | 北京大学 | 一种单小区mu-miso混合预编码系统及其模拟波束选择方法 |
CN114204971B (zh) * | 2021-12-10 | 2024-01-30 | 东南大学 | 一种迭代的聚合波束成形设计和用户设备选择方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105830359A (zh) * | 2013-12-18 | 2016-08-03 | 阿尔卡特朗讯 | 用于基站收发机和移动收发机的波束形成装置、方法和计算机程序 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160020844A1 (en) * | 2013-03-14 | 2016-01-21 | Google Inc. | Systems and methods for wireless backhaul transport |
-
2018
- 2018-03-08 CN CN201810191213.5A patent/CN108306662B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105830359A (zh) * | 2013-12-18 | 2016-08-03 | 阿尔卡特朗讯 | 用于基站收发机和移动收发机的波束形成装置、方法和计算机程序 |
Also Published As
Publication number | Publication date |
---|---|
CN108306662A (zh) | 2018-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Long et al. | Data-driven-based analog beam selection for hybrid beamforming under mm-wave channels | |
CN108306662B (zh) | 一种基于数据驱动的混合波束成形中的模拟波束选择方法 | |
Wang et al. | Hybrid precoder and combiner design with low-resolution phase shifters in mmWave MIMO systems | |
Jang et al. | Deep autoencoder based CSI feedback with feedback errors and feedback delay in FDD massive MIMO systems | |
Yang et al. | Machine learning enabling analog beam selection for concurrent transmissions in millimeter-wave V2V communications | |
Rezaie et al. | Location-and orientation-aided millimeter wave beam selection using deep learning | |
CN110557177A (zh) | 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法 | |
Alkhateeb et al. | Single-sided adaptive estimation of multi-path millimeter wave channels | |
CN112468202B (zh) | 低复杂度毫米波大规模mimo混合预编码方法 | |
CN108199753A (zh) | 一种毫米波通信中基于迭代最小的预编码方法 | |
Shaikh et al. | Localization based on angle of arrival in EM lens-focusing massive MIMO | |
Wu et al. | Low-complexity downlink channel estimation for millimeter-wave FDD massive MIMO systems | |
CN108566236B (zh) | 用户终端、基站以及混合波束成形传输方法和系统 | |
Guo et al. | Robust efficient hybrid pre-coding scheme for mmWave cell-free and user-centric massive MIMO communications | |
Ma et al. | Low complexity beam selection scheme for terahertz systems: A machine learning approach | |
Wu et al. | Distance-aware precoding for near-field capacity improvement in XL-MIMO | |
Wang et al. | Joint pre/post-processing design for large millimeter wave hybrid spatial processing systems | |
Elbir et al. | Robust hybrid beamforming with quantized deep neural networks | |
Sidharth et al. | Deep learning based hybrid precoding for mmWave massive MIMO system using comcepNet | |
Xu et al. | Agglomerative group scheduling for mmWave massive MIMO under hybrid beamforming architecture | |
Peken et al. | Unsupervised mmWave beamforming via autoencoders | |
Lee et al. | Hybrid precoding technique with iterative algorithm for MIMO-OFDM system | |
Gupta et al. | A novel hybrid precoding technique for millimeter wave | |
CN111431567B (zh) | 一种毫米波大规模波束空间mimo系统 | |
CN112398513A (zh) | 一种massive MIMO系统的波束赋形方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |