CN109617584B - 一种基于深度学习的mimo系统波束成形矩阵设计方法 - Google Patents

一种基于深度学习的mimo系统波束成形矩阵设计方法 Download PDF

Info

Publication number
CN109617584B
CN109617584B CN201910014714.0A CN201910014714A CN109617584B CN 109617584 B CN109617584 B CN 109617584B CN 201910014714 A CN201910014714 A CN 201910014714A CN 109617584 B CN109617584 B CN 109617584B
Authority
CN
China
Prior art keywords
deep learning
matrix
beam forming
training
model
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
Application number
CN201910014714.0A
Other languages
English (en)
Other versions
CN109617584A (zh
Inventor
朱洪波
夏文超
郑淦
张军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201910014714.0A priority Critical patent/CN109617584B/zh
Publication of CN109617584A publication Critical patent/CN109617584A/zh
Application granted granted Critical
Publication of CN109617584B publication Critical patent/CN109617584B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
    • 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
    • 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
    • H04B17/3913—Predictive models, e.g. based on neural network models
    • 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
    • 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
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/0848—Joint weighting
    • H04B7/0854—Joint weighting using error minimizing algorithms, e.g. minimum mean squared error [MMSE], "cross-correlation" or matrix inversion
    • 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
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/086—Weighted combining using weights depending on external parameters, e.g. direction of arrival [DOA], predetermined weights or beamforming

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种基于深度学习的MIMO系统波束成形矩阵设计方法，步骤如下，首先利用已知算法获得深度学习网络所需要的训练样本集；接着构建深度学习神经网络模型，初始化模型相关参数并利用训练样本集进行训练；然后利用导频获取信道送入神经网络预测出波束成形矩阵系数，最后将信道与波束成形矩阵系数组合，构成波束成形矩阵。该方法利用深度学习神经网络获得的波束成形矩阵能够同时兼顾性能与算法复杂度，可以在保证性能的前提下降低时延，使得MIMO系统能提供实时服务。

Description

一种基于深度学习的MIMO系统波束成形矩阵设计方法
技术领域
本发明属于移动通信技术领域，具体涉及一种基于深度学习的MIMO系统波束成形矩阵设计方法。
背景技术
多输入多输出(MIMO)系统可以有效提升通信网络容量，而波束成形技术作为MIMO系统的关键技术，受到了广泛关注。传统的优化算法依赖迭代过程，虽然可以取得不错的性能，但是算法复杂度高，计算时延大，无法满足实时服务的需求。而一些启发式的方法例如迫零法、正则迫零法，虽然复杂度低，但是性能却大打折扣。深度学习作为人工智能的一种实现方式，通过将线上计算复杂度转移到线下，在保证性能的前提下，极大地降低了线上服务时延，使得波束成形技术能够实现实时服务。
发明内容
本发明所要解决的技术问题是克服现有技术的不足，提供一种基于深度学习的MIMO系统波束成形矩阵设计方法，兼顾性能与算法复杂度，可以在保证性能的前提下降低时延，使得MIMO系统能提供实时服务。
本发明提供一种基于深度学习的MIMO系统波束成形矩阵设计方法，包括如下步骤：
S1、利用已知算法获取深度学习网络所需的训练样本集，所述训练样本集包括作为输入数据集的信道矩阵集合，以及作为输出数据集的波束成形矩阵系数集合。
S2、构建深度学习神经网络模型，并初始化模型参数；
S3、利用S1中的样本集训练S2中构建的深度学习神经网络模型，训练完成后保存模型；
S4、用户发送导频，基站通过导频来估计信道矩阵；
S5、将S4中获取的信道矩阵输入S3中保存的模型进行预测，获取波束成形矩阵系数；
S6、根据S4获取的信道矩阵及S5中获取的波束成形矩阵系数，构建波束成形矩阵。
作为本发明的进一步技术方案，S1中已知算法为加权最小均方误差算法或迫零法或正则迫零法。
进一步的，S2中模型参数包括权重参数、偏置参数、网络层数、每层神经元数目、学习率、训练周期及每次训练送入网络的样本数。
进一步的，步骤S6中，构建的波束矩阵为W＝[w1，w2，…，wK]，其中
Figure GDA0003281411250000021
其中，波束成形矩阵的系数包括向量p和q，pk是向量p的第k个元素，qk是向量q的第k个元素，hi是信道矩阵H的第i列向量，I代表单位矩阵，σ2代表噪声功率，K代表用户数目，运算符||·||2代表2范数运算。
本发明首先利用已知算法获得深度学习网络所需要的训练样本集；接着构建深度学习神经网络模型，初始化模型相关参数并利用训练样本集进行训练；然后利用导频获取信道送入神经网络预测出的波束成形矩阵系数，最后将信道与波束成形矩阵系数组合，构成波束成形矩阵。利用深度学习神经网络获得的波束成形矩阵能够同时兼顾性能与算法复杂度，可以在保证在性能的前提下降低时延，使得MIMO系统能提供实时服务。
附图说明
图1为本发明的MIMO系统模型图；
图2为本发明的方法流程示意图。
图3为本发明实施例提供的系统和速率与发射天线数关系图
图4为本发明实施例提供的平均每个样本执行时间与发射天线数关系图。
具体实施方式
本实施例提供一种基于深度学习的MIMO系统波束成形矩阵设计方法，如图1所示，假设基站有N根发射天线服务K个单天线用户，信号由基站发射给用户，信道矩阵记为
H＝[h1，h2…hK]；
其中hk是N根发射天线与第k个用户天线构成的信道向量。我们的目的是设计波束成形矩阵W＝[w1，w2，…，wK]，使得系统和速率最大化，即
Figure GDA0003281411250000031
Figure GDA0003281411250000032
其中
Figure GDA0003281411250000033
wk是W的第k列向量,Pmax是最大可用功率。
传统的算法依赖迭代过程，虽然可以取得不错的性能，但是算法复杂度高，计算时延大，因此无法满足实时服务的需求。而一些启发式的方案例如迫零法、正则迫零法，虽然复杂度低，但是性能也大打折扣。深度学习作为人工智能的一种实现方式，通过将线上计算复杂度转移到线下，在保证性能的前提下，极大地降低了线上服务时延，使得波束成形技术能够实现实时服务。
如图2所示，该方法包括如下步骤：
S1：利用已知算法获得深度学习网络所需要的训练样本集，样本集包含两个部分：输入数据集为信道矩阵H集合，输出数据集为波束成形矩阵系数集合，包括向量p和q；
S2：构建深度学习神经网络模型，并初始化模型相关参数，包括权重参数、偏置参数、网络层数、每层神经元数目、学习率、训练周期数以及每次训练送入网络的样本数；
S3：利用步骤S1产生的训练样本集训练步骤S2构建的神经网络模型，训练方式包括监督学习和无监督学习。训练完成后保存模型。
S4：用户发送导频，基站通过导频来估计信道矩阵H；
S5：将步骤S4得到的信道矩阵H送入步骤S3保存的神经网络模型进行预测，获得波束成形矩阵系数:向量p和q；
S6：根据步骤S4得到的信道矩阵H和步骤S5得到的系数p和q,构建波束成形矩阵w，其中w的第k列向量表示为
Figure GDA0003281411250000041
其中，pk是向量p的第k个元素，qk是向量q的第k个元素,hi是信道H的第i列向量，I代表单位矩阵，σ2代表噪声功率，K代表用户数目，运算符||·||2代表2范数运算。
已知算法包括加权最小均方误差算法，迫零法，正则迫零法等。本实施例中利用加权最小均方误差算法生成训练样本集。训练样本集包含20000样本，每次训练读取200样本，一共训练100个周期。神经网络包括两层卷积层，每层8个卷积核，每个卷积核大小为3*3，各层权重初始化为标准正太分布，偏置因子初始化为0.5，每层激活函数为修正线性单元(ReLU)函数，学习率大小为0.001。无线通信网络参数设置如下：
宏小区基站辐射半径 500m
路径损耗模型(dB) 128.1+37.6log10(d),d(km)
用户数K＝发射天线数N 2,4,6,8,10,12
该实例作为本发明实施例的一种特殊情况，可推广到其他类似情形。
图3中展示了深度学习、加权最小均方误差算法、迫零以及正则迫零四种方案下的系统和速率。由此可见，深度学习方案性能最好。图4中展示了深度学习、加权最小均方误差算法、迫零以及正则迫零四种方案下平均每个样本的执行时间。由此可见，深度学习方案算法复杂度虽然高于迫零以及正则迫零，但是远远低于加权最小均方误差算法。综合图3和图4可以发现，本发明提出的一种基于深度学习的MIMO系统波束成形矩阵设计方法可以同时兼顾性能与算法复杂度。
传统的算法依赖迭代过程，虽然可以取得不错的性能，但是算法复杂度高，计算时延大，因此无法满足实时服务的需求。而一些启发式的方案例如迫零法、正则迫零法，虽然复杂度低，但是性能也大打折扣。深度学习作为人工智能的一种实现方式，通过将线上计算复杂度转移到线下，在保证性能的前提下，极大地降低了线上服务时延，使得波束成形技术能够实现实时服务。
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人员应该了解，本发明不受上述具体实施例的限制，上述具体实施例和说明书中的描述只是为了进一步说明本发明的原理，在不脱离本发明精神范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由权利要求书及其等效物界定。

Claims (3)

1.一种基于深度学习的MIMO系统波束成形矩阵设计方法，其特征在于，包括如下步骤：
S1、利用已知算法获取深度学习网络所需的训练样本集，所述训练样本集包括作为输入数据集的信道矩阵集合，以及作为输出数据集的波束成形矩阵系数集合；
S2、构建深度学习神经网络模型，并初始化模型参数；
S3、利用S1中的样本集训练S2中构建的深度学习神经网络模型，训练完成后保存模型；
S4、用户发送导频，基站通过导频来估计信道矩阵；
S5、将S4中获取的信道矩阵输入S3中保存的模型进行预测，获取波束成形矩阵系数；
S6、根据S4获取的信道矩阵及S5中获取的波束成形矩阵系数，构建波束成形矩阵；步骤S6中，构建的波束矩阵为W＝[w1，w2，…，wK]，其中，
Figure FDA0003281411240000011
其中，波束成形矩阵的系数包括向量p和q，pk是向量p的第k个元素，qk是向量q的第k个元素，hi是信道矩阵H的第i列向量，I代表单位矩阵，σ2代表噪声功率，K代表用户数目，运算符||·||2代表2范数运算。
2.根据权利要求1所述的一种基于深度学习的MIMO系统波束成形矩阵设计方法，其特征在于，所述S1中已知算法为加权最小均方误差算法或迫零法或正则迫零法。
3.根据权利要求1所述的一种基于深度学习的MIMO系统波束成形矩阵设计方法，其特征在于，所述S2中模型参数包括权重参数、偏置参数、网络层数、每层神经元数目、学习率、训练周期及每次训练送入网络的样本数。
CN201910014714.0A 2019-01-08 2019-01-08 一种基于深度学习的mimo系统波束成形矩阵设计方法 Active CN109617584B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910014714.0A CN109617584B (zh) 2019-01-08 2019-01-08 一种基于深度学习的mimo系统波束成形矩阵设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910014714.0A CN109617584B (zh) 2019-01-08 2019-01-08 一种基于深度学习的mimo系统波束成形矩阵设计方法

Publications (2)

Publication Number Publication Date
CN109617584A CN109617584A (zh) 2019-04-12
CN109617584B true CN109617584B (zh) 2021-12-21

Family

ID=66016394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910014714.0A Active CN109617584B (zh) 2019-01-08 2019-01-08 一种基于深度学习的mimo系统波束成形矩阵设计方法

Country Status (1)

Country Link
CN (1) CN109617584B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020214168A1 (en) * 2019-04-17 2020-10-22 Nokia Technologies Oy Beam prediction for wireless networks
CN110768704B (zh) * 2019-10-22 2023-04-07 南京邮电大学 基于残差神经网络的混合波束赋形矩阵优化方法
CN111010222B (zh) * 2019-11-13 2022-05-13 东南大学 一种基于深度学习的大规模mimo下行用户调度方法
CN110995327B (zh) * 2019-12-17 2021-05-04 电子科技大学 一种多载波mimo系统的混合波束成形优化方法及系统
CN111181612B (zh) * 2019-12-31 2021-03-30 内蒙古大学 一种大规模mimo系统的协作波束赋型方法
CN111277312B (zh) * 2020-02-26 2020-10-30 电子科技大学 基于深度复数网络的固定子阵空基毫米波波束成形方法
CN111262803B (zh) * 2020-03-04 2022-08-26 广州番禺职业技术学院 一种基于深度学习的物理层安全通信方法、装置及系统
CN112188428B (zh) * 2020-09-28 2024-01-30 广西民族大学 一种传感云网络中Sink节点的能效最优化方法
CN112235025B (zh) * 2020-10-15 2021-10-22 东南大学 Sar约束的能效最大化多用户mimo上行预编码方法
CN112261721B (zh) * 2020-10-19 2023-03-31 南京爱而赢科技有限公司 一种基于贝叶斯调参支持向量机的联合波束分配方法
CN112911610B (zh) * 2021-01-25 2022-07-12 东南大学 一种面向无线通信网络优化的信道波束图样拓展方法
CN112929306B (zh) * 2021-02-08 2022-11-11 西北工业大学 一种基于深度学习信道估计的多播频控阵方法
CN113904704B (zh) * 2021-09-27 2023-04-07 西安邮电大学 一种基于多智能体深度强化学习的波束预测方法
CN114389730B (zh) * 2021-12-23 2023-11-21 南京邮电大学 一种基于深度学习和脏纸编码的miso系统波束形成设计方法
WO2023201492A1 (zh) * 2022-04-18 2023-10-26 北京小米移动软件有限公司 基于ai的csi上报方法、接收方法、装置及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102868432A (zh) * 2012-09-07 2013-01-09 天津理工大学 一种双阶段神经网络下的盲波束形成装置及其形成方法
CN105790813A (zh) * 2016-05-17 2016-07-20 重庆邮电大学 一种大规模mimo下基于深度学习的码本选择方法
CN107332598A (zh) * 2017-06-26 2017-11-07 浙江理工大学 一种基于深度学习的mimo系统联合预编码和天线选择方法
WO2018011742A1 (en) * 2016-07-13 2018-01-18 Incelligent P.C. Early warning and recommendation system for the proactive management of wireless broadband networks
CN108462517A (zh) * 2018-03-06 2018-08-28 东南大学 一种基于机器学习的mimo链路自适应传输方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106100789B (zh) * 2016-06-13 2019-02-12 南京邮电大学 基于分簇的多层mimo无线传感器网络盲检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102868432A (zh) * 2012-09-07 2013-01-09 天津理工大学 一种双阶段神经网络下的盲波束形成装置及其形成方法
CN105790813A (zh) * 2016-05-17 2016-07-20 重庆邮电大学 一种大规模mimo下基于深度学习的码本选择方法
WO2018011742A1 (en) * 2016-07-13 2018-01-18 Incelligent P.C. Early warning and recommendation system for the proactive management of wireless broadband networks
CN107332598A (zh) * 2017-06-26 2017-11-07 浙江理工大学 一种基于深度学习的mimo系统联合预编码和天线选择方法
CN108462517A (zh) * 2018-03-06 2018-08-28 东南大学 一种基于机器学习的mimo链路自适应传输方法

Also Published As

Publication number Publication date
CN109617584A (zh) 2019-04-12

Similar Documents

Publication Publication Date Title
CN109617584B (zh) 一种基于深度学习的mimo系统波束成形矩阵设计方法
Shen et al. A graph neural network approach for scalable wireless power control
Huang et al. Deep learning-based sum data rate and energy efficiency optimization for MIMO-NOMA systems
CN113162679A (zh) 基于ddpg算法的irs辅助无人机通信联合优化方法
Faisal et al. Machine learning approaches for reconfigurable intelligent surfaces: A survey
CN110971279A (zh) 一种毫米波通信系统中智能波束训练方法及预编码系统
Lin et al. BsNet: A deep learning-based beam selection method for mmWave communications
Elbir et al. Federated learning for physical layer design
Dai et al. Energy‐efficient resource allocation for device‐to‐device communication with WPT
CN108833060B (zh) 一种基于ep-nsa算法的大规模mimo系统检测方法
CN111010222B (zh) 一种基于深度学习的大规模mimo下行用户调度方法
CN116208619A (zh) 一种智能反射表面辅助的车联网安全计算卸载方法、系统、设备及介质
CN113490219B (zh) 一种面向超密集组网的动态资源分配方法
Yang et al. Dynamic neural network for MIMO detection
Hu et al. Removing channel estimation by location-only based deep learning for RIS aided mobile edge computing
CN117240331A (zh) 一种基于图神经网络的无蜂窝网络下行预编码设计方法
CN115102592B (zh) 一种基于联邦学习的多用户mimo波束成形方法
WO2023185978A1 (zh) 信道特征信息上报及恢复方法、终端和网络侧设备
Dong et al. Optimization-driven DRL based joint beamformer design for IRS-aided ITSN against smart jamming attacks
Song et al. Maximizing packets collection in wireless powered IoT networks with charge-or-data time slots
CN107346985B (zh) 一种结合发射天线选择技术的干扰对齐方法
Hou et al. Particle swarm optimization inspired low-complexity beamforming for MmWave massive MIMO systems
Cui et al. Hierarchical learning approach for age-of-information minimization in wireless sensor networks
Huang et al. Self-attention reinforcement learning for multi-beam combining in mmWave 3D-MIMO systems
CN116419257A (zh) 一种通信方法及装置

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