CN110417444B - 一种基于深度学习的毫米波信道波束训练方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的毫米波信道波束训练方法，属于电通信技术领域，所要解决的技术问题在于降低波束训练的开销，在波束训练中加入一个事先训练好的神经网络，用于预测信道矩阵对应的最佳收发波束组合。低精度模式下，在已设计好的收发波束集合中选择若干组收发波束组合，对信道进行实测，将实测结果输入神经网络，将神经网络的输出作为信道矩阵的最佳收发波束组合的预测。在高精度模式下，先实施低精度模式的初测，补测阶段在初测输出的最佳收发波束组合概率向量基础上，选择若干组不同的收发波束组合，对信道进行实测，最终将初测和补测中接收信号强度最大的收发波束组合作为信道矩阵的最佳收发波束组合的预测。

Description

一种基于深度学习的毫米波信道波束训练方法

技术领域

本发明公开了一种基于深度学习的毫米波信道波束训练方法，涉及毫米波无线通信技术，属于电通信技术领域。

背景技术

近年来，随着互联网产业的不断发展，无线数据流量正持续性地增长，当前通信系统提供的业务已逐渐落后于用户的需求，因此，即将于2020年投入商用的第五代通信系统(5G)成为了通信领域的研究热点。值得注意的是，目前的移动通信主要集中在6GHz以下的较低频段，但是由于数据量的增长，低频段的频谱资源已经十分拥挤，无法满足5G峰值速率10Gbps的通信要求，而30GHz-300GHz的毫米波频段可以为我们提供足够的未经开发商用的频谱资源，因此毫米波通信已成为广大5G研究者们研究的重点。

考虑到毫米波的高频特性，信号在实际通信过程中存在更高的路径损耗。为了克服上述困难，研究者们根据毫米波波长短的特点，提出了结合大规模多输入多输出(massive MIMO)系统以及波束成形技术的解决方案。大规模天线阵列能够提供足够的阵列增益，能有效补偿毫米波信号传播过程中的损耗，而波束成形技术则能够将传输能量集中在特定的波束指向上，提高了系统能量效率和频谱效率，也减少了用户间干扰。

在毫米波大规模MIMO系统中，获取适配于毫米波信道的最佳收发波束十分重要。毫米波信道通常包含一条视距路径和若干条非视距路径，若能将收发波束对准信道的视距路径方向，信号传输中的信道增益较大，引起的信号衰减较小。获取毫米波信道的最佳收发波束组合的过程称为波束训练。最直接的波束训练方法是波束扫描。在进行波束扫描前，预先在收发端约定发送波束集合与接收波束集合。波束扫描时，测试发送波束集合与接收波束集合的所有收发波束组合，从中选择接收信号强度最大的一种组合作为最佳的收发波束。这种波束扫描的方法尽管具有较好的性能，但是需要遍历所有的收发波束组合，开销较大。

为减少波束训练开销，文献[1]“毫米波通信增强信道估计和码书的设计”(Z.Xiao,H.Dong,L.Bai,P.Xia,and X.Xia,“Enhanced channel estimation andcodebook design for millimeter-wave communication,”IEEE Trans.Veh.Technol.,vol.67，no.10，pp.9393-9405，Oct.2018.)采用基于分层码本的波束训练方法，在码本的上层包含数量较多的宽波束码字，在码本的下层包含数量较少的窄波束码字，在波束训练时，先采用宽波束扫描，然后选择宽波束对应的窄波束进行细化的波束扫描。该项工作的难点在于宽波束的设计问题。一种设计宽波束的方法是关闭部分天线，但这样会造成总发射功率的下降和信号辐射范围的缩小；另一种方法是使用更多的射频链路，但这样会提高硬件复杂度及功耗。

文献[2]“多用户毫米波大规模MIMO系统的波束训练和分配”(X.Sun，C.Qi，G.Y.Li，“Beam Training and Allocation for Multiuser Millimeter Wave MassiveMIMO Systems”IEEE Trans.Wireless Commun.，vol.18，no.2，pp.1041-1053，Feb.2019.)通过初测和补测两个阶段实施波束训练，在初测阶段只测试发送波束集合与接收波束集合的部分收发波束组合，根据初测结果进行两行两列的搜索来预测需要补测的波束组合，最终选择初测和补测的收发波束组合中接收信号强度最大的一个组合作为最佳的收发波束组合。该方法不需要进行宽波束的设计，并且算法实现比较简单。但是该方法所需的训练开销和文献“毫米波通信增强信道估计和码书的设计”相比更大，并且初测阶段平均能量搜索的方法并不能很好反映实际信道与其最佳收发波束组合之间的内在关系，因此最终的波束训练性能也有较大差距。

发明内容

本发明的发明目的是针对上述背景技术的不足，提供了一种基于深度学习的毫米波信道波束训练方法，该方法在波束训练中引入神经网络模型，深入挖掘信道特征与对应的最佳收发波束组合之间的关系，在有效减少了波束训练开销的同时保证了波束训练的性能，解决了现有波束训练方法训练开销大、硬件复杂度及功耗大的技术问题。

本发明为实现上述发明目的采用如下技术方案。

本发明在波束训练阶段加入一个事先训练好的神经网络，用于预测信道矩阵对应的最佳收发波束组合。神经网络的训练过程包括，从事先定义好的发送波束集合

中选择T个发送波束{f_t，t＝1，2，...，T}；从事先定义好的接收波束集合

中选择T个接收波束{w_t，t＝1，2，...，T}。其中

和

中波束数目分别为M和N。随机生成S个N_t行N_r列的信道矩阵H_i，i＝1，2，...，S。信道矩阵H采用Saleh-Valenzuela信道建模，表示如下：

其中，N_t表示发送天线数目，N_r表示接收天线数目，L表示信道的路径数目，g_l表示第l条路径的信道增益。

Θ_l和Φ_l分别表示第l条路径的到达角和出发角，d_r和d_t分别表示收发端的天线单元间距，λ表示毫米波信号波长。信道导向矢量α(N_r，θ_l)定义如下：

根据所选T个收发波束组合，计算接收信号：

其中，η_i，t表示概率分布已知的随机噪声，x表示收发端已知的发送符号。

计算每个信道矩阵H_i对应的

中的最佳波束

和

中的最佳波束

在

中的索引记为

在w_c中的索引记为

构成组合

信道矩阵H_i对应的

中的最佳波束

和w_c中的最佳波束

采用如下方法求得：

其中，

构成信道矩阵H_i对应的最佳收发波束组合。

神经网络选用多隐层深度前馈神经网络。如图1所示，神经网络的输入为T维的接收信号{y_i，t，t＝1，2，...，T}，设定神经网络对应的目标输出为

实际输出是一个维数是MN的最佳收发波束组合概率向量P，向量的每个元素表示该组收发波束为最佳收发波束组合的概率，其中M和N分别表示

和

中的波束数目。对神经网络依次训练S次，训练的目标是使神经网络输出概率向量最大元素对应的收发波束组合等于信道矩阵对应的最佳收发波束组合。

波束训练包括低精度和高精度两种预设的模式。低精度模式只包括初测，低精度模式的初测包括，依次使用所述T个收发波束组合[f_t，w_t]，t＝1，2，...，T对信道进行实测，即发射端使用波束f_t发送信号，接收端使用波束w_t接收信号，将对信道实测得到的T维接收信号输入事先训练好的神经网络，将神经网络的输出作为信道矩阵的最佳收发波束组合的预测。低精度模式的流程图如图2(a)所示，具体包括如下步骤：

步骤1、定义集合

为接收波束集合，其中接收波束数目为M；

为发送波束集合，其中发送波束数目为N。则可构成Q＝MN个收发波束组合。定义集合

为收发波束组合的集合，其中包括Q个不同的收发波束组合。从

中选择T个发送波束{f_t，t＝1，2，...，T}；从

中选择T个接收波束{w_t，t＝1，2，...，T}，则得到T个收发波束组合构成的集合

其中b_t表示为：b_t＝[f_t，w_t]，t＝1，2，...，T，所选波束在

和

中的索引分别为{u_t，t＝1，2，...，T}和{v_t，t＝1，2，...，T}；所选波束组合在

中的索引为Q_t＝{q_t，t＝1，2，...，T}，其中q_t＝(u_t-1)×M+v_t。

步骤2、随机生成S个N_t行N_r列的信道矩阵H_i，i＝1，2，...，S，计算每个信道矩阵H_i对应的

中的最佳波束

和

中的最佳波束

在

中的索引记为

在

中的索引记为

构成组合

步骤3、计算接收信号

i＝1，2，...，S，t＝1，2，...，T。

步骤4、将{y_i，t，t＝1，2，...，T}输入到神经网络，设定神经网络对应的目标输出为

对神经网络依次训练S次。

步骤5、依次使用所述T个收发波束组合[f_t，w_t]，t＝1，2，...，T对信道进行实测，即发射端使用波束f_t发送信号，接收端使用波束w_t接收信号，将对信道实测得到的T维接收信号输入事先训练好的神经网络。

步骤6、得到神经网络实际输出的最佳收发波束组合概率向量P。获得输出概率最大的波束组合索引q′＝arg max_{q＝1，2，...，Q} P，则

中对应收发波束组合b′＝[f′，w，]，f′，w′在

和

中的索引分别为u′和v′，返回预测的信道最佳收发波束组合索引为[u′，v′]，结束。

高精度模式包括初测和补测两个阶段。在高精度模式下，先实施低精度模式的初测，再进行补测。补测包括，根据低精度模式下神经网络输出的最佳收发波束组合概率向量P，选择概率较大的若干个未经过初测的收发波束组合，对信道进行实测，将初测和补测中接收信号强度最大的收发波束组合作为信道矩阵的最佳收发波束组合的预测。高精度模式的流程图如图2(b)所示，具体包括如下步骤：

步骤1至步骤5与低精度模式下的步骤1至步骤5一致。

步骤6、根据神经网络实际输出的最佳收发波束组合概率向量P进行补测。补测方法如步骤6.1至步骤6.3所示：

步骤6.1、将P中Q_t各索引元素对应的概率设为0，即

保证在补测阶段不会选择初测阶段所选收发波束组合。

步骤6.2、将P中各概率元素按降序排列，依次按概率大小选择K个收发波束组合，作为补测的收发波束组合，得到补测收发波束组合集合

以及对应的收发波束组合索引集合Q_k。

步骤6.3、用补测的收发波束组合对信道进行实测，获得K个接收信号。

步骤7、得到初测和补测中接收信号强度最大的收发波束组合b′＝[f′，w′]，f′，w′在

和

中的索引分别为u′和v′，返回预测的信道最佳收发波束组合索引为[u′，v′]，结束。

根据上述方法，本发明提供一种基于深度学习的毫米波信道波束训练装置，所述装置包括：

波束选择模块：用于获取接收波束集合

和发送波束集合

其中，接收波束数目为M，发送波束数目为N。从

中选择T个发送波束{f_t，t＝1，2，...，T}；从

中选择T个接收波束{w_t，t＝1，2，...，T}。获取所选波束在

和

中的索引，分别为{u_t，t＝1，2，...，T}和{v_t，t＝1，2，...，T}。

信道样本生成模块：用于随机生成S个N_t行N_r列的信道矩阵H_i，i＝1，2，...，S，计算每个信道矩阵H_i的最佳收发波束组合

在

中的索引记为

在

中的索引记为

构成组合

接收信号样本计算模块：用于计算接收信号y_i，t，i＝1，2，...，S，t＝1，2，...，T。

神经网络训练模块：用于将{y_i，t，t＝1，2，...，T}输入到神经网络，设定神经网络对应的目标输出为

对神经网络依次训练S次。

初测阶段神经网络输入模块：用于依次使用所述T个收发波束组合对信道进行实测，即发射端使用波束f_t发送信号，接收端使用波束w_t接收信号，将对信道实测得到的T维接收信号输入事先训练好的神经网络。

初测阶段神经网络输出模块：用于得到神经网络实际输出的最佳收发波束组合概率向量P。

波束训练模式设定模块：用于设定波束训练的工作模式。若为低精度模式，执行低精度模式输出模块，否则执行补测阶段波束选择模块。

低精度模式输出模块：用于获得输出概率最大的波束组合[f′，w′]，f′，w′在

和

中的索引分别为u′和v′，输出预测的信道最佳收发波束组合索引为[u′，v′]。

补测阶段波束选择模块：用于根据神经网络输出模块得到的最佳收发波束组合概率向量P进行补测，选择概率较大的K个未经初测的收发波束组合，对信道进行实测。

高精度模式输出模块：用于获得初测和补测中接收信号强度最大的收发波束组合[f′，w′]，f′，w′在

和

中的索引分别为u′和v′，输出预测的信道最佳收发波束组合索引为[u′，v′]。

本发明采用上述技术方案，具有以下有益效果：

(1)本发明在波束训练中引入了神经网络模型，从已设计好的收发波束中选择较少的收发波束组合，并通过大量已知信道样本的训练，深入挖掘信道特征与对应的最佳收发波束组合之间的关系，从而比较准确地对未知信道的最佳收发波束组合进行预测，在有效减少了波束训练开销的同时保证了波束训练的性能。

(2)在波束训练中，初测和补测两个阶段均只需选择较少的收发波束组合对信道进行实测，有效减少了波束训练开销。

(3)在收发波束设计上，本发明仅采用窄波束，大大减少了硬件复杂度。

附图说明

图1是本发明神经网络的输入输出示意图。

图2(a)、图2(b)是本发明低精度模式和高精度模式下波束训练的流程图。

图3是本发明公开的一种基于深度学习的毫米波信道波束训练装置的结构示意图。

图4是基站处为天线数为16的均匀线性阵列，用户单天线情况下的波束选择分布示意图。

图5是基站处为天线数为32的均匀线性阵列，用户单天线，不同信噪比情况下本发明波束训练准确率与已有方法的比较。

图6是基站处为天线数为32的均匀线性阵列，用户单天线，不同信噪比情况下本发明用户可达速率与已有方法的比较。

图7是基站和用户端均为天线数为8的均匀线性阵列情况下收发波束组合选择分布示意图。

图8是基站和用户端均为天线数为8的均匀线性阵列，不同信噪比情况下本发明波束训练准确率与已有方法的比较。

图9是基站和用户端均为天线数为8的均匀线性阵列，不同信噪比情况下本发明用户可达速率与已有方法的比较。

图10是是基站处为4行32列的均匀平面阵列，用户单天线情况下的波束选择分布示意图。

图11是基站处为4行32列的均匀平面阵列，用户单天线，不同信噪比情况下本发明波束训练准确率与已有方法的比较。

图12是基站处为4行32列的均匀平面阵列，用户单天线，不同信噪比情况下本发明用户可达速率与已有方法的比较。

具体实施方式

下面结合附图对发明的技术方案进行详细说明。

考虑一个上行链路毫米波大规模MIMO系统中的波束训练过程。系统由1个基站以及1个用户构成。基站配有N_r根天线，射频链路数为N_R，N_R＜＜N_r。同样，用户端配有N_t根天线，用户端的射频链路数为1。射频链路通过相互独立的数据流与用户通信，一般每个射频链路服务一个用户，即N_R＝1。

假设基站为多天线，用户端为单天线，即N_t＝1，天线阵列为一维时，基站处天线阵列为均匀线性阵列(Uniform Linear Array，ULA)，则基站与用户间的信道建模表示为：

其中，L表示信道的路径数目，g_l表示第l条路径的信道增益。信道导向矢量α(N_r，θ_l)表示如下：

其中，

d表示天线间距，λ表示毫米波信号波长，Θ_l表示第l条路径的到达角。设d＝λ/2，θ_l服从[-1，1]的均匀分布。

收发波束w和f分别从

和

中选择，且

和

中波束数目分别为M＝N_r和N＝N_t。一维天线阵列情况下，发送波束集合

中波束数目N＝1，因此不需要考虑发送波束的选择。

中接收波束表示如下：

假设基站为多天线，用户端为多天线，即天线阵列为二维时，基站和用户端天线阵列均为均匀线性阵列，则基站与用户间的信道建模表示为：

其中，L表示信道的路径数目，g_l表示第l条路径的信道增益。

d_r和d_t分别表示收发端的天线单元间距，λ表示毫米波信号波长。Θ_l和Φ_l分别表示第l条路径的到达角和出发角。设d_r＝d_t＝λ/2，θ_l，

服从[-1，1]的均匀分布。

收发波束w和f分别从

和

中选择，且

和

中波束数目分别为M＝N_r和N＝N_t，

和

中收发波束分别表示如下：

假设基站为多天线，用户端为单天线，基站处天线阵列为均匀平面阵列(UniformPlanar Array，UPA)，此时可等效为基站为多天线，用户端为多天线，天线数目分别为N_r和N_t，且均为均匀线性阵列的情况。此时，均匀平面阵列的天线数目为N_rN_t。

本发明在波束训练阶段加入一个事先训练好的神经网络，用于预测信道矩阵对应的最佳收发波束组合。神经网络的训练过程包括，从事先定义好的发送波束集合

中选择T个发送波束{f_t，t＝1，2，...，T}；从事先定义好的接收波束集合

中选择T个接收波束{w_t，t＝1，2，...，T}；天线阵列为一维时，如图4所示，等间隔选择T个接收波束；天线阵列为二维时，如图7所示，等间隔选择T个收发波束组合。随机生成S个N_t行N_r列的信道矩阵H_i，i＝1，2，...，S。根据所选收发波束组合，计算接收信号：

其中，η_i，t表示均值为0，方差为σ²的复高斯白噪声，x表示收发端已知的发送符号。假设平均传输功率相等，且为P，则信道的信噪比SNR定义如下：

用户可达速率R_i定义如下：

计算每个信道矩阵H_i对应的

中的最佳波束

和

中的最佳波束

在

中的索引记为

在

中的索引记为

构成组合

信道矩阵H_i对应的

中的最佳波束

和

中的最佳波束

采用如下方法求得：

其中，

构成信道矩阵H_i对应的最佳收发波束组合。

神经网络选用多隐层深度前馈神经网络，包含5个隐层，每个隐层中神经元数目分别为1000、600、400、200、100。每个隐层神经元的激活函数选择Relu函数。如图1所示，神经网络的输入为T维的接收信号{y_i，t，t＝1，2，...，T}。设定神经网络的目标输出为

表示最佳收发波束组合索引。实际输出时，定义

为目标收发波束组合在所有收发波束组合中的索引，对q_i进行独热编码，得到实际输出的目标最佳收发波束组合概率向量

向量中各元素表示如下：

则可将该问题转化为一个深度学习中的多分类问题。假设神经网络最后输出层真实输出为一个维数为MN的向量O_i＝{o_i，q，q＝1，2，...，MN}，在输出层后以softmax函数输出，则可得到最佳收发波束概率向量P_i＝{p_i，q，q＝1，2，...，MN}。即P_i＝softmax(O_i)。其中，P_i和O_i中各元素满足如下关系：

则最终预测的最佳收发波束组合索引为[u′_i，v′_i]，且满足如下关系：

q′_i＝arg max_q P_i，

q′_i＝(u′_i-1)×M+v′_i，

对神经网络依次训练S次，训练的目标是使神经网络输出的最佳收发波束组合概率向量中最大元素对应的收发波束组合等于信道矩阵对应的最佳收发波束组合，即预测得到的最佳收发波束组合索引[u′_i，v′_i]应与目标输出

相等。

波束训练包括低精度和高精度两种预设的模式。低精度模式只包括初测，低精度模式的初测包括，依次使用所述T个收发波束组合[f_t，w_t]，t＝1，2，...，T对信道进行实测，即发射端使用波束f_t发送信号，接收端使用波束w_t接收信号，将对信道实测得到的T维接收信号输入事先训练好的神经网络，将神经网络的输出作为信道矩阵的最佳收发波束组合的预测。低精度模式的流程图如图2(a)所示，具体包括如下步骤：

步骤1、定义集合

为接收波束集合，其中接收波束数目为M；

为发送波束集合，其中发送波束数目为N。则可构成Q＝MN个收发波束组合。定义集合

为收发波束组合的集合，其中包括Q个不同的收发波束组合。从

中选择T个发送波束{f_t，t＝1，2，...，T}；从

中选择T个接收波束{w_t，t＝1，2，...，T}，则得到T个收发波束组合构成的集合

其中b_t表示为：

b_t＝[f_t，w_t]，t＝1，2，...，T，

所选波束在

和

中的索引分别为{u_t，t＝1，2，...，T}和{v_t，t＝1，2，...，T}；所选波束组合在

中的索引为Q_t＝{q_t，t＝1，2，...，T}，其中q_t＝(u_t-1)×M+v_t。

步骤2、随机生成S个N_t行N_r列的信道矩阵H_i，i＝1，2，...，S，计算每个信道矩阵H_i对应的

中的最佳波束

和

中的最佳波束

在

中的索引记为

在

中的索引记为

构成组合

步骤3、计算接收信号

i＝1，2，...，S，t＝1，2，...，T。

步骤4、将{y_i，t，t＝1，2，...，T}输入到神经网络，设定神经网络对应的目标输出为

对神经网络依次训练S次。

步骤5、依次使用所述T个收发波束组合[f_t，w_t]，t＝1，2，...，T对信道进行实测，即发射端使用波束f_t发送信号，接收端使用波束w_t接收信号，将T次信道实测得到的接收信号输入事先训练好的神经网络。

步骤6、得到神经网络实际输出的最佳收发波束组合概率向量P。获得输出概率最大的波束组合索引q′＝arg max_{q＝1，2，...，Q} P，则

中对应收发波束组合b′＝[f′，w′]，f′，w′在

和

中的索引分别为u′和v′，返回预测的信道最佳收发波束组合索引为[u′，v′]，结束。

高精度模式包括初测和补测两个阶段。在高精度模式下，先实施低精度模式的初测，再进行补测。补测包括，根据所述低精度模式下神经网络输出的最佳收发波束组合概率向量P，选择概率较大的若干个未经过初测的收发波束组合，对信道进行实测，将初测和补测中接收信号强度最大的收发波束组合作为信道矩阵的最佳收发波束组合的预测。高精度模式的流程图如图2(b)所示，具体包括如下步骤：

步骤1至步骤5与低精度模式下的步骤1至步骤5一致。

步骤6、根据神经网络实际输出的最佳收发波束组合概率向量P进行补测。补测方法如步骤6.1至步骤6.3所示：

步骤6.1、将P中Q_t各索引元素对应的概率设为0，即

保证在补测阶段不会选择初测阶段所选收发波束组合。

步骤6.2、将P中各概率元素按降序排列，依次按概率大小选择K个收发波束组合，作为补测的收发波束组合，得到补测收发波束组合集合

以及对应的收发波束组合索引集合Q_k。

步骤6.3、用补测的收发波束组合对信道进行实测，获得K个接收信号。

步骤7、得到初测和补测中接收信号强度最大的收发波束组合b′＝[f′，w′]，f′，w′在

和

中的索引分别为u′和v′，返回预测的信道最佳收发波束组合索引为[u′，v′]，结束。

最终以准确率作为波束训练的性能指标。波束训练准确率定义如下：

根据上述方法，本发明提供一种基于深度学习的毫米波信道波束训练装置，如图3所示，所述装置包括：

波束选择模块：用于获取接收波束集合

和发送波束集合

其中接收波束数目为M，发送波束数目为N。从

中选择T个发送波束{f_t，t＝1，2，...，T}；从

中选择T个接收波束{w_t，t＝1，2，...，T}。获取所选波束在

和

中的索引，分别为{u_t，t＝1，2，...，T}和{v_t，t＝1，2，...，T}。

信道样本生成模块：用于随机生成S个N_t行N_r列的信道矩阵H_i，i＝1，2，...，S，计算每个信道矩阵H_i的最佳收发波束组合

在

中的索引记为

在

中的索引记为

构成组合

接收信号样本计算模块：用于计算接收信号y_i，t，i＝1，2，...，S，t＝1，2，...，T。

神经网络训练模块：用于将{y_i，t，t＝1，2，...，T}输入到神经网络，设定神经网络对应的目标输出为

对神经网络依次训练S次。

初测阶段神经网络输入模块：用于依次使用所述T个收发波束组合对信道进行实测，即发射端使用波束f_t发送信号，接收端使用波束w_t接收信号，将对信道实测得到的T维接收信号输入事先训练好的神经网络。

初测阶段神经网络输出模块：用于得到神经网络实际输出的最佳收发波束组合概率向量P。

波束训练模式设定模块：用于设定波束训练的工作模式。若为低精度模式，执行低精度模式输出模块，否则执行补测阶段波束选择模块。

低精度模式输出模块：用于获得输出概率最大的波束组合[f′，w′]，f′，w′在

和

中的索引分别为u′和v′，输出预测的信道最佳收发波束组合索引为[u′，v′]。

补测阶段波束选择模块：用于根据神经网络输出模块得到的最佳收发波束组合概率向量P进行补测，选择概率较大的K个未经初测的收发波束组合，对信道进行实测。

高精度模式输出模块：用于获得初测和补测中接收信号强度最大的收发波束组合[f′，w′]，f′，w′在

和

中的索引分别为u′和v′，输出预测的信道最佳收发波束组合索引为[u′，v′]。

下面结合仿真条件与结果对本发明做进一步的描述：

假设基站天线数N_r为32，阵列结构为均匀线性阵列，用户为单天线，即天线阵列为一维情况。发送波束集合

中发送波束的数目为1，接收波束集合

中接收波束数目为32，信道中多径数目L＝3，其中视距路径增益为

非视距路径增益为

l＝2，3。接收波束分布如图4所示，等间隔选择T个接收波束。在神经网络输出最佳收发波束组合概率向量P基础上补测K个接收波束。分别令T＝8，11，对应的K＝7，4，则低精度模式下总开销O＝T，高精度模式下总开销O＝T+K。文献[1]中总开销为19，而采用波束扫描的方法所需开销为O＝N_r＝32。从训练开销来看，本发明所需的训练开销远小于波束扫描方法，且小于文献[1]中分层码本方法。图5表示本发明的波束训练准确率和文献[1]基于分层码本方法的训练准确率对比。由仿真结果可以看出，从波束训练的准确率来看，低精度模式下的波束训练性能与分层码本方法有一定的差距，但是随着训练开销的增大，波束训练准确率有所提升；而在高精度模式下，本发明的性能大大提升，从波束训练的准确率来看与分层码本方法的差距已不明显，在噪声为-10dB到0dB时，本发明的波束训练准确率均略优于分层码本方法。图6表示本发明的用户可达速率与文献[1]基于分层码本方法用户可达速率的对比。由仿真结果可看出，在低精度模式下，本发明的用户可达速率相比分层码本方法有一定的差距，随着训练开销增大，性能有所提升。而在高精度模式下，本发明性能大大提升，在用户可达速率上与分层码本方法基本相当。

假设基站天线数N_r＝8，阵列结构为均匀线性阵列，用户端天线数N_t＝8，阵列结构为均匀线性阵列。信道中多径数目L＝3，其中视距路径增益为

非视距路径增益为

l＝2，3。收发波束组合分布如图7所示，等间隔选择T个收发波束组合。在神经网络输出最佳收发波束组合概率向量P基础上补测K个收发波束组合。低精度模式下总开销O＝T，高精度模式下总开销为O＝T+K。文献[1]分层码本方法的总开销为21。波束扫描方法的总开销为O＝N_rN_t＝64。本发明初测数为16，补测数为4时，低精度模式下开销为16，为波束扫描方法所需训练开销的1/4，且小于分层码本方法，高精度模式下训练开销为20，仍远小于波束扫描方法，和分层码本方法训练开销基本一致；当初测数为32，补测数为6时，低精度模式下训练开销为32，高精度模式下训练开销为38，和分层码本方法相比，训练开销较大，但仍远小于波束扫描方法。图8表示本发明的波束训练准确率与文献[1][2]的方法下的训练准确率的对比。由仿真结果可以看出，当初测数为16，补测数为4时，在低精度模式下，本发明的波束训练准确率和分层码本方法相比有较大差距，但是优于相同开销情况下的平均能量搜索方法，而在高精度模式下，本发明的波束训练准确率有很大提高，和分层码本方法的差距已不明显。当初测数为32，补测数为6时，在低精度模式和高精度模式下，本发明的波束训练准确率均高于分层码本方法，且远优于相同开销下的平均能量搜索方法波束准确率。图9分别给出了本发明的用户可达速率、文献[1][2]的方法下的用户可达速率。由仿真结果可以看出，当初测数为16，补测数为4时，在低精度模式下，本发明的用户可达速率和分层码本方法相比有一定差距；而在高精度模式下，性能有了很大提升，从用户可达速率来看，与分层码本方法的用户可达速率基本一致。当初测数为32，补测数为6时，本发明性能表现优异，在-10dB到0dB信噪比情况下，本发明的用户可达速率在两种模式下均优于分层码本方法。本发明和文献[2]所述的平均能量搜索方法相比，在同样的训练开销情况下，也均能够有更好的波束训练结果。在5dB信噪比时，当初测数为16，补测数为4时，平均能量搜索方法的用户可达速率为本发明高精度模式下用户可达速率的44％；当初测数为32，补测数为6时，平均能量搜索方法的用户可达速率为本发明高精度模式下用户可达速率的63％。

假设基站天线数N_r为128，阵列结构为4行32列的均匀平面阵列，用户为单天线，此时可等效为基站天线数N_r＝32，用户端天线数N_t＝4，两端天线阵列结构均为均匀线性阵列的二维天线阵列情况。发送波束集合

中发送波束的数目为1，接收波束集合

中接收波束数目为128，信道中多径数目L＝3，其中视距路径增益为

非视距路径增益为

l＝2，3。接收波束的分布和二维天线情况下的收发波束组合分布类似，如图10所示，等间隔选择T个接收波束。在神经网络输出最佳收发波束组合概率向量P基础上补测K个接收波束。初测数T＝32，补测数K＝6，则低精度模式下总开销O＝T，高精度模式下总开销O＝T+K。文献[1]中分层码本方法的训练开销为23。波束扫描方法的开销为128。从训练开销来看，本发明训练开销比分层码本所需方法更大，但是远小于波束扫描方法。图11表示本发明的波束训练准确率与文献[1][2]的方法下的训练准确率的对比。在低精度模式下，本发明的波束训练准确率低于分层码本方法；在高精度模式下，本发明性能大大提升，和分层码本相比基本相当。在相同开销情况下，本发明在两种模式下性能均优于平均能量搜索方法，在5dB信噪比下，本发明低精度模式准确率比平均能量搜索方法高10.2％，本发明高精度模式准确率比平均能量搜索方法高38.4％。图12表示本发明的用户可达速率与文献[1][2]的方法下用户可达速率的对比。在低精度模式下，本发明的用户可达速率低于分层码本方法。在高精度模式下，本发明性能大大提升，在-10dB到0dB均略高于分层码本方法，而在高信噪比时和分层码本方法结果基本一致。在相同开销情况下，本发明在两种模式下性能均优于平均能量搜索方法，在5dB信噪比下，平均能量搜索方法的用户可达速率为本发明低精度模式用户可达速率的67.6％。

另外，和分层码本方法相比，本发明只需采用窄波束，不需要考虑宽波束的设计问题，因此不会造成发射功率下降、辐射范围缩小、硬件复杂度与功耗较高等在宽波束设计中出现的问题。

综上所述，本发明能够以较少的训练开销进行有效的波束训练。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步地详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于深度学习的毫米波信道波束训练方法，其特征在于，在低精度模式下仅包含初测阶段，利用神经网络从信道矩阵中选择接收信号强度最大的收发波束组合为最佳收发波束组合；在初测阶段开始之前，在发送波束集合

和接收波束集合

中分别选择T个发送波束和接收波束，所选波束在

和

中的索引分别为{u_t,t＝1,2,…,T}和{v_t,t＝1,2,…,T}，所选波束组合在收发波束组合集合

中的索引为Q_t＝{q_t,t＝1,2,…,T}，其中，q_t＝(u_t-1)×M+v_t，以所选的收发波束组合的接收信号为神经网络的输入，以收发波束组合概率向量为神经网络的输出，并选择收发波束组合概率向量中最大元素对应的收发波束组合作为神经网络预测的最佳收发波束组合，以神经网络预测的最佳收发波束组合等于信道矩阵对应的最佳收发波束组合为目标训练神经网络参数，从信道矩阵中选择接收信号强度最大的收发波束组合为最佳收发波束组合通过表达式：

实现，

为发送波束集合

中的最佳波束，

为接收波束集合

中的最佳波束，H_i为第i个信道矩阵，x表示收发端已知的发送符号。

2.根据权利要求1所述一种基于深度学习的毫米波信道波束训练方法，其特征在于，在高精度模式下包含低精度模式下的初测阶段以及补测阶段，所述补测阶段对初测阶段未选择的有限个接收信号强度较大的收发波束组合进行实测，筛选出补测阶段接收信号强度最大的收发波束组合，以初测阶段和补测阶段接收信号强度最大的收发波束组合为高精度模式下的最佳收发波束组组合。

3.根据权利要求1所述一种基于深度学习的毫米波信道波束训练方法，其特征在于，所述信道矩阵采用Saleh-Valenzuela信道建模，表示如下：

N_t表示发送天线数目，N_r表示接收天线数目，L表示信道的路径数目，g_l表示第l条路径的信道增益，Θ_l和Φ_l分别表示第l条路径的到达角和出发角，

d_r和d_t分别表示收发端的天线单元间距，λ表示毫米波信号波长，信道导向矢量α(N_r,θ_l)定义如下：

4.一种基于深度学习的毫米波信道波束训练装置，其特征在于，包括：

波束选择模块，用于获取接收波束集合和发送波束集合，

信道样本生成模块，用于随机生成若干信道矩阵，计算每个信道矩阵的最佳收发波束组合，

接收信号样本计算模块，用于计算各信道矩阵中各收发波束组合的接收信号，

神经网络训练模块，用于将各信道矩阵中各收发波束组合的接收信号输入到神经网络，设定神经网络对应的目标输出为最佳收发波束组合，对神经网络依次训练，

初测阶段神经网络输入模块，用于依次使用所述获的收发波束组合对信道进行实测，将对信道实测得到接收信号输入事先训练好的神经网络，

初测阶段神经网络输出模块，用于得到神经网络实际输出的最佳收发波束组合概率向量，

波束训练模式设定模块，用于设定波束训练的工作模式，若为低精度模式，执行低精度模式输出模块，否则，执行补测阶段波束选择模块，

低精度模式输出模块，用于获得输出概率最大的波束组合，

补测阶段波束选择模块，用于根据初测阶段神经网络输出模块得到的最佳收发波束组合概率向量进行补测，对初测阶段未选择的概率较大的有限个的收发波束组合进行信道实测，及，

高精度模式输出模块，用于获得初测阶段和补测阶段中接收信号强度最大的收发波束组合。

Images