CN108462517B - 一种基于机器学习的mimo链路自适应传输方法 - Google Patents

Abstract

本发明公开了一种基于机器学习的MIMO链路自适应传输方法，使用非监督学习自编码算法进行特征的提取与降维，引入深度学习的思想，能够在保留主要信息状态信息的前提下降低特征维度与计算复杂度。本发明利用逻辑回归算法构建信道状态信息与传输参数间的映射关系，不同于以往固定的参数化模型，能够基于样本数据进行训练，在数据集质量较优，覆盖所有状态的情况下，能够更好的建立信道状态信息与传输参数间的映射关系，并相较于传统的单一等效信噪比，能够更充分的利用信道状态信息。此外，本发明还基于信道矩阵进行CQI选择，通过信道矩阵和噪声方差研究基于机器学习的MIMO链路自适应方法不受接收机设计的约束，具有普适性。

Description

一种基于机器学习的MIMO链路自适应传输方法

技术领域

本发明涉及无线通信技术领域，特别是涉及一种基于机器学习的MIMO链路自适应传输方法。

背景技术

快速而明显的波动是瞬时信道的重要特征，而针对变化的信道条件而动态地调整传输模式是实现无线系统稳定性与传输效率的关键。自适应传输技术根据当前信道状态信息(CSI,Channel State Information)来动态地选择传输参数从而在保持传输稳定性的前提下实现较高吞吐量。当前和未来传输系统中需要确定多个关键传输参数，如发射功率、调制编码方案(MCS,Modulation and Coding Scheme)，在多天线发送和多天线接收(MIMO,Multiple-Input-Multiple-Output)系统中，还包括秩和预编码矩阵的选择。然而，由于如用户、模式选择，预编码等多种传输因素的耦合，并且随着大规模MIMO的应用，在传输系统中实现链路自适应极具挑战性。

传统的链路自适应是单个信噪比(SNR,Signal to Noise Ratio)与MCS对应的一维问题，但是由于多信道传输中的信道状态信息的高维度，单个SNR无法有效地描述MIMO或正交频分复用系统(OFDM,Orthogonal Frequency Division Multiplexing)的信道状态，即平均SNR无法提供足够的信息来确定理想的传输模式。而传统的基于机器学习的方法常常使用原始数据作为特征集，不进行特征提取和降维来去除冗余信息，导致系统复杂性与维度大大增加。

发明内容

发明目的：本发明的目的是提供一种能够解决现有技术中存在的缺陷的基于机器学习的MIMO链路自适应传输方法。

技术方案：为达到此目的，本发明采用以下技术方案：

本发明所述的基于机器学习的MIMO链路自适应传输方法，包括以下步骤：

S1：利用机器学习非监督学习算法对信道状态信息进行特征提取；

S2：将非监督学习算法结构中间层的输出数据作为分类器的输入，调制编码方式类别作为分类器输出，基于训练数据集对分类器训练，构建特征向量到调制编码方式类别的映射关系，即进行信道质量指示的选择；

S3：采用神经网络构建秩指示分类器，每一可选的秩指示对应一个分类器，可选的秩指示的数量为N_S，将训练数据训练过的分类器通过校验数据集进行分类性能评价，选择分类性能最优的分类器；根据信道矩阵和噪声方差，在满足误码字率限制的情况下，选择能够实现最高速率的调制编码方式组合；

S4：将N_S组层数与相匹配的调制编码组合通过比较器，选择MIMO系统最高频谱效率的层数与调制编码方式，如果有两组或多组组合实现同样速率，则选择层数较少的，并返回适应当前信道条件的信道质量指示和秩指示。

进一步，所述步骤S1中的信道状态信息包括信道质量指示和秩指示。

进一步，所述步骤S1中的非监督学习算法为自编码结构，通过使用多层神经网络来拟合数据。这样能够有效发掘数据内部特征，在较低维度下能够提取到包含足够信息的特征向量。

进一步，所述自编码结构通过以下过程实现：使用没有带类别标签的训练数据，在加入稀疏性与神经单元数量限制的条件下，尝试逼近一个恒等函数，对原始输入数据进行特征提取与降维。

进一步，所述恒等函数为h_W,b(x)≈x，x为非监督学习算法结构的输入。

进一步，所述步骤S1具体通过以下过程实现：通过信道估计获得信道矩阵与噪声方差，获得归一化后的信号矩阵P后分别取其实部与虚部作为非监督学习算法结构的输入x；通过梯度下降法对代价函数加入稀疏性与正则化惩罚，得到神经网络参数后提取得到特征e；将提取到的特征e作为分类器的数据构建信道信息特征与匹配传输参数之间的映射。

进一步，所述步骤S2中的分类器采用无参数的分类算法，包括逻辑回归算法、支持向量机算法、k-NN算法和Softmax算法，分类器的输入为自编码神经网络结构中间隐藏层的输出数据，分类器的输出为调制编码方式类别。

进一步，所述步骤S2中的调制编码方式为有限个确定的调制编码组合，利用Softmax分类算法来估计每个类别的发生概率，并利用梯度下降算法对参数进行更新，得到较优的分类结果。

有益效果：本发明公开了一种基于机器学习的MIMO链路自适应传输方法，与现有技术相比，具有如下有益效果：

1)使用非监督学习自编码算法进行特征的提取与降维，引入深度学习的思想，能够在保留主要信息状态信息的前提下降低特征维度与计算复杂度；

2)利用逻辑回归算法构建信道状态信息与传输参数间的映射关系，不同于以往固定的参数化模型，能够基于样本数据进行训练，在数据集质量较优，覆盖所有状态的情况下，能够更好的建立信道状态信息与传输参数间的映射关系，并相较于传统的单一等效信噪比，能够更充分的利用信道状态信息；

3)基于信道矩阵进行CQI选择，通过信道矩阵和噪声方差研究基于机器学习的MIMO链路自适应方法具有开拓性意义，此算法不受接收机设计的约束，具有普适性。

附图说明

图1为本发明具体实施方式中大规模MIMO下行链路自适应传输系统的框图；

图2为本发明具体实施方式中多层自编码结构特征提取的示意图；

图3为本发明具体实施方式中Autoencoder-Softmax模型的示意图；

图4为本发明具体实施方式中基于Autoencoder-Softmax的自适应调制编码(AMC)系统模型的示意图；

图5为本发明具体实施方式中4发4收下分别固定RI的频谱效率及其与RI自适应的频谱效率对比。

具体实施方式

下面结合具体实施方式对本发明的技术方案作进一步的介绍。

本具体实施方式公开了一种基于机器学习的MIMO链路自适应传输方法，包括以下步骤：

S1：利用机器学习非监督学习算法对信道状态信息进行特征提取。信道状态信息包括信道质量指示和秩指示。非监督学习算法为自编码结构，通过使用多层神经网络来拟合数据。其中，自编码结构通过以下过程实现：使用没有带类别标签的训练数据，在加入稀疏性与神经单元数量限制的条件下，尝试逼近一个恒等函数，对原始输入数据进行特征提取与降维。例如，恒等函数为h_W,b(x)≈x，x为非监督学习算法结构的输入。

S2：将非监督学习算法结构中间层的输出数据作为分类器的输入，调制编码方式类别作为分类器输出，基于训练数据集对分类器训练，构建特征向量到调制编码方式类别的映射关系，即进行信道质量指示的选择。信道质量指示的英文缩写为CQI。分类器采用无参数的分类算法，包括逻辑回归算法、支持向量机算法、k-NN算法和Softmax算法，分类器的输入为自编码神经网络结构中间隐藏层的输出数据，分类器的输出为调制编码方式类别。调制编码方式为有限个确定的调制编码组合，利用Softmax分类算法来估计每个类别的发生概率，并利用梯度下降算法对参数进行更新，得到较优的分类结果。

S3：采用神经网络构建秩指示分类器，每一可选的秩指示对应一个分类器，可选的秩指示的数量为N_S，将训练数据训练过的分类器通过校验数据集进行分类性能评价，选择分类性能最优的分类器；根据信道矩阵和噪声方差，在满足误码字率限制的情况下，选择能够实现最高速率的调制编码方式组合。秩指示的英文缩写为RI。

S4：将N_S组层数与相匹配的调制编码组合通过比较器，选择MIMO系统最高频谱效率的层数与调制编码方式，如果有两组或多组组合实现同样速率，则选择层数较少的，并返回适应当前信道条件的信道质量指示和秩指示。

步骤S1具体通过以下过程实现：通过信道估计获得信道矩阵与噪声方差，获得归一化后的信号矩阵P后分别取其实部与虚部作为非监督学习算法结构的输入x；通过梯度下降法对代价函数加入稀疏性与正则化惩罚，得到神经网络参数后提取得到特征e；将提取到的特征e作为分类器的数据构建信道信息特征与匹配传输参数之间的映射。

步骤S1中，使用信道矩阵与噪声方差来衡量信道状态，采用如下形式作为自适应系统的输入：

因为信道矩阵在复数域，而神经网络的构建通常在实数域，因而分别将信道矩阵的实数和虚数作为输入，如当N_T＝4,N_R＝4，系统输入维度为32。对于MIMO-OFDM系统或大规模MIMO系统(Massive MIMO)，信道矩阵的维度非常大，可以使用深度学习中自编码算法的思想，通过多级网络来拟合输入数，来实现特征空间的提取与降维。当输入数据特征提取比较难以重现时，可采用多层网络Autoencoder网络，其特征提取的示意图如图2所示。其中中间隐藏层为编码输出，即提取出来的特征。输入层到中间隐藏层的部分为encoder，中间隐藏层到输出层的部分为decoder部分。encoder的传输函数可选择logsig或satlin(分段函数)，decoder的传输函数可选择logsig，线性函数或分段函数。

Autoencoder结构输入为x，即归一化后的信道矩阵P的实数部分与虚数部分。当N_T＝4,N_R＝4时，n＝32，Autoencoder模型为得到拟合函数h_W；b(x)≈x。神经网络结构中，n_l来表示网络的层数，神经网络有参数(W,b)≈(W⁽¹⁾,b⁽¹⁾,···,W^(nl),b^(nl))，其中W_ij ^(l)是第l层第j神经元与第l+1层第i神经元之间的联接参数,b_i ^(l)是第l+1层第i神经元对应的偏置项。s_l为第l层的节点数。用a_i ^(l)表示第l层第i神经元的激活值(输出值)。当l＝1时，a_i ⁽¹⁾＝x_i a(1)_i＝x_i。对于给定参数集合(W,b)，则Autoencoder的计算可表示为：

a^(l+1)＝f(W^(l)a^(l)+b^(l)) (2)

h_W,b(x)≈x (3)

因为Autoencoder基于神经网络结构，因而可以使用梯度下降法来对参数进行更新。对于m个样本输入的代价函数为：

其中第一项为均方差项，来衡量对输入值的拟合偏差大小，第二项为正则化项(Regularization)，通过增加对代价函数的惩罚来防止过度拟合。Autoencoder网络的初始化中，随机生成各参数的值。对于含有多层隐藏层的Autoencoder网络，可以每一次训练编码部分和译码部分的一个隐藏层，将所得参数固定再增加隐藏层进行训练。

基于梯度下降法对参数W和b的更新规则为：

其中α是学习速率，传输函数f(·)如前所述，有多种选择形式，通常为logsig函数f(z)＝1/(1+exp(-z))或线性函数。通过训练获得参数W和b，中间隐藏层的激活值即为所提取的特征值，当隐藏层为一层时，提取特征e为：

e＝a⁽²⁾＝f(W⁽¹⁾x+b⁽¹⁾) (8)

上式中，e表示提取出的特征，为了简化可以使用函数g表示特征提取函数，即e＝g(x)。

对Autoencoder的设计中，往往加入稀疏性限制，能够更好的发掘数据特征进行编码与译码。在第二章中对稀疏Autoencoder有一定的介绍，通过加入稀疏性参数ρ实现稀疏性限制，因而整体代价函数为：

其中J(W,b)如式(4)中所定义，β'为稀疏性惩罚项的权重。

步骤S2中：分类器可选择支持向量机SVM，k-NN或Softmax。因为Autoencoder结构为神经网络结构，因而可以使用同为神经网络结构的Softmax，分别训练后可以级联进行综合训练。

对于LTE等系统，为了简化UE端的计算复杂度和较少反馈信令开销，调制编码方式为确定的MCS组合，共有16个类别，CQI＝0,1,···,16，对于数据集{(x⁽¹⁾,y⁽¹⁾),...,(x^(m),y^(m))}，其中y⁽ⁱ⁾∈{1,2,...,16}，能够利用Softmax回归来估计每个类别的发生概率p(y＝j|x)，假设函数具有形式：

其中

即x为类别j的概率为：

其代价函数没有最小化的闭式解，可利用梯度下降对参数进行更新，得到较优的分类结果。其中梯度下降法中的梯度公式为：

利用参数更新规则

进行参数的更新。

对于Autoencoder-Softmax结构，可以将Autoencoder结构中的编码部分与Softmax结构级联，即中间隐藏层的输出作为Softmax的输入，其模型示意图如图3所示。在对Softmax训练调参之后，再通过对整体结构的训练实现参数的微调，能够进一步提高分类算法的准确度。

步骤S3中：通过信道实现产生数据集，通过重复大量信道实现来覆盖所有可能状态。针对每一可选层数n(n＝1,···,N_S),通过信道矩阵H和噪声方差σ²，在层数确定的情况下遍历MCS组合，选择满足CWER限制的最优MCS组合，得到一组层数与MCS组合，即分类器选择：

在不同的层数下重复该过程，针对该信道矩阵可产生N_S组RI与CQI组合，所产生的训练集用来训练模型，测试集用来测试性能确定最优参数。

步骤S4中：训练基于Autoencoder-Softmax的CQI分类器。对于所有标记组合中层数为n的训练数据，构建从信道矩阵(通过噪声方差归一化后)到CQI的映射关系，因而共产生N_S个Autoencoder-Softmax分类器，分别对应不同的RI。

将该机器学习模型嵌入到MIMO传输系统中，针对每一次信道实现，首先利用噪声方差对信道矩阵进行归一化，得到P，将其输入到N_S个Autoencoder-Softmax分类器中得到N_S个匹配当前信道的RI/CQI组合，在满足CWER限制的情况下，选择速率最高的RI/CQI组合，如果有两组或多组能够达到相同速率的，则选择层数较小的组合，抗干扰的鲁棒性更强。并将RI与CQI反馈到基站端。图4为本发明具体实施方式基于AE-Softmax的自适应调制编码系统模型的示意图。

对于图1给出的大规模MIMO下行链路自适应传输的系统框图，考虑发射天线和接收天线数都为4时的情况，固定层数与预编码矩阵，当层数大于等于2时，使用两个码字，根据LTE标准，一个码字最多映射到两个层上。随着RI的增大，传输系统的频谱效率有一定提高，同时CWER有一定下降。在大多数SNR情况下，RI、CQI同时自适应的频谱效率优于层数固定，只进行CQI选择的频谱效率。图5为同时选择RI、CQI对应的CWER和BER，此时CWER满足小于0.1的要求，能够保证传输的稳定性。

Claims (7)

1.一种基于机器学习的MIMO链路自适应传输方法，其特征在于：包括以下步骤：

S1：利用机器学习非监督学习算法对信道状态信息进行特征提取；

特征提取的方法包括：通过信道估计获得信道矩阵与噪声方差，获得归一化后的信号矩阵P后分别取其实部与虚部作为非监督学习算法结构的输入x；通过梯度下降法对代价函数加入稀疏性与正则化惩罚，得到神经网络参数后提取得到特征e；将提取到的特征e作为分类器的数据构建信道信息特征与匹配传输参数之间的映射；

S2：将非监督学习算法结构中间层的输出数据作为分类器的输入，调制编码方式类别作为分类器输出，基于训练数据集对分类器训练，构建特征向量到调制编码方式类别的映射关系，即进行信道质量指示的选择；

S3：采用神经网络构建秩指示分类器，每一可选的秩指示对应一个分类器，可选的秩指示的数量为N_S，将训练数据训练过的分类器通过校验数据集进行分类性能评价，选择分类性能最优的分类器；根据信道矩阵和噪声方差，在满足误码字率限制的情况下，选择能够实现最高速率的调制编码方式组合；

S4：将N_S组层数与相匹配的调制编码组合通过比较器，选择MIMO系统最高频谱效率的层数与调制编码方式，如果有两组或多组组合实现同样速率，则选择层数较少的，并返回适应当前信道条件的信道质量指示和秩指示。

2.根据权利要求1所述的基于机器学习的MIMO链路自适应传输方法，其特征在于：所述步骤S1中的信道状态信息包括信道质量指示和秩指示。

3.根据权利要求1所述的基于机器学习的MIMO链路自适应传输方法，其特征在于：所述步骤S1中的非监督学习算法为自编码结构，通过使用多层神经网络来拟合数据。

4.根据权利要求3所述的基于机器学习的MIMO链路自适应传输方法，其特征在于：所述自编码结构通过以下过程实现：使用没有带类别标签的训练数据，在加入稀疏性与神经单元数量限制的条件下，尝试逼近一个恒等函数，对原始输入数据进行特征提取与降维。

5.根据权利要求4所述的基于机器学习的MIMO链路自适应传输方法，其特征在于：所述恒等函数为h_W,b(x)≈x，x为非监督学习算法结构的输入，W是两神经元之间的联接参数，b是神经元的偏置项。

6.根据权利要求1所述的基于机器学习的MIMO链路自适应传输方法，其特征在于：所述步骤S2中的分类器采用无参数的分类算法，包括逻辑回归算法、支持向量机算法、k-NN算法和Softmax算法，分类器的输入为自编码神经网络结构中间隐藏层的输出数据，分类器的输出为调制编码方式类别。

7.根据权利要求1所述的基于机器学习的MIMO链路自适应传输方法，其特征在于：所述步骤S2中的调制编码方式为有限个确定的调制编码组合，利用Softmax分类算法来估计每个类别的发生概率，并利用梯度下降算法对参数进行更新，得到较优的分类结果。

Images