CN110535500B - 一种基于深度学习的毫米波mimo混合波束成形优化方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的毫米波MIMO混合波束成形优化方法，具体包括：本发明的一种基于深度学习的毫米波MIMO混合波束成形优化方法可以将传统毫米波大规模MIMO混合波束成形优化问题中的约束条件映射到神经网络中，将多用户混合波束成形系统完整的转化为一个等价的神经网络。这能够使混合波束成形中复杂的非凸优化问题转化为类似于自编码器端到端无监督优化，可对多个波束成形矩阵进行联合优化。

Description

一种基于深度学习的毫米波MIMO混合波束成形优化方法

技术领域

本发明涉及无线通信领域，具体涉及一种基于深度学习的毫米波MIMO混合波束成形优化方法

背景技术

混合波束形成技术是毫米波多输入多输出(MIMO)系统支持超高传输容量、低复杂度的一种有前途的技术。然而，数字和模拟波束形成器的设计是一个具有非凸性优化的挑战，特别是在多用户情况下。混合波束成形的优化问题中涉及到四个波束成形的优化，采用分层结构逐步优化四个矩阵无法确保全局最优解；研究人员提出的以传统方案得到的波束成形矩阵作为标签训练神经网络的方法，其性能受制于传统方案，没有充分利用神经网络强大的近似能力。对于现有的一对一神经网络波束成形系统，实际应用中，当面对接收端为多个用户时，采用一对一的通信系统和方法，需要建立多个系统并且分别训练系数，造成了资源的浪费，提高了成本。

发明内容

本发明的目的在于克服现有技术中所存在的上述不足，提供一种基于深度学习的毫米波MIMO混合波束成形的优化方法，本发明运用神经网络的方式构建一个混合波束成形系统，将混合波束成形系统中基带波束成形器的矩阵F_bb，射频波束成形器的矩阵F_rf，射频结合器的矩阵W_rf和基带结合器矩阵W_bb等效转化为包含四个神经网络的级联神经网络；在本发明将射频结合神经网络分裂为k个子射频结合神经网络；基带结合神经网络分裂为k个子基带结合神经网络；子射频结合神经网络与子基带结合神经网络一一相连，模拟单小区多用户情景；并增加用户优先权系数，用以改变用户优化优先级；将整个波束成形系统映射为一个神经网络，这样能将混合波束成形中复杂的非凸优化问题转化为类似于自编码器端到端无监督优化技术，用以解决混合波束成形技术中波束成形矩阵的联合优化。

为了实现上述发明目的，本发明提供了以下技术方案：

一种基于深度学习的毫米波MIMO混合波束成形优化方法，步骤包括：

S1，将输入信号由星座映射为复信号，拆解为实部和虚部两个通道；

S2，将所述复信号依次输入基带波束成形神经网络和射频波束成形神经网络，得到发射信号，所述发射信号经由信道传输到接收端；

S3，所述接收端接收到射频信号后，将所述射频信号依次输入射频结合神经网络和基带结合神经网络得到输出信号；

S4，计算所述输入信号和所述输出信号之间的损失函数，利用Adam算法反向更新系统神经网络的参数，直至系统神经网络的参数收敛，所述系统神经网络包括：基带波束成形神经网络、射频波束成形神经网络、射频结合神经网络和基带结合神经网络，

所述射频结合神经网络由相互独立的多个子射频结合神经网络构成，所述基带结合神经网络由相互独立的多个子基带结合神经网络构成，一个所述的子射频结合神经网络和一个所述子基带结合神经网络构成一个用户的接收端模型，当一个新用户加入时，相应的在所述接收端增加一个所述用户接收端模型，并依次完成步骤S1～S4。

优选的，当加入新的子神经网络时，保持加入新的子神经网络前的子神经网络参数不变，并依次完成步骤S1～S4，直至新的子神经网络参数和发射端的神经网络参数收敛，然后系统神经网络依次完成步骤S1～S4，直到系统神经网络参数收敛。

优选的，增加用户优先权系数，所述的损失函数为：

γ_k为用户的优先权系数，S_k为用户k的输入信号，

为用户k的输出信号，E表示取算术平均值，通过增加用户优先权系数，提高用户优化优先级，根据损失函数，通过Adam算法对神经网络权重和偏置进行优化。

优选的，所述基带波束成形神经网络为n层全连接的神经网络，所述输入信号传至所述基带波束成形神经网络，并对所述输入信号进行相位和幅度调整，所述基带波束成形神经网络输出信号为

其中

表示n层神经网络的级联，f的下标t代表发射端，

为所述基带波束成形神经网络权重和偏置的集合，所述S^bb为基带波束成形信号。

优选的，所述射频波束成形神经网络为一层只对信号进行相位调整的神经网络，所述基带波束成形信号S^bb传至所述射频波束成形神经网络，所述波束成形神经网络的射频链路数为

每个射频链路的信号都经过相互独立移相器，扩展为N_t个信号并进行调相，N_t为发射端天线数；

将经过移相器传至N_t根发射天线的信号组合，形成射频发射信号：

N_t为发射端天线数，S^bb，p中p表示射频波束成形神经网络处理的第p根射频链路信号，

表示第p根射频链路与第q根天线之间的相位参数，ρ为功率控制参数。

优选的，所述射频发射信号S^t通过天线阵列发射，经由通道传输，各个用户之间的信道不同，但信道都是确定且已知的，经信道后的实部、虚部输出为：

H_k表示第k个用户的信道矩阵，第k个用户接收到的信号记为

将所有用户接收机接收的信号组合在一起得到射频信号S^r。

优选的，所述的射频结合神经网络由k个相互独立的调相神经网络构成，所述射频接收信号S^r传至所述射频结合神经网络，所述射频结合神经网络的输入信号对应射频信号S^r，所述射频结合神经网络的射频链路数为

对于用户k，N_r根天线接收到的信号经相位调整后传递至

个射频链路中，用户k所接收到的信号为：

其中，

表示用户k的第m根天线与第q条射频链之间的相位参数，

表示用户k的第m根接收天线接收到的信号，m∈(1，2，...，N_r)，所述射频结合神经网络输出信号为S^rf。

优选的，所述射频部分涉及到的复数运算，利用欧拉公式e^jθ＝(cosθ+jsinθ)进行转化，实现对信号相位的调整。

优选的，所述基带结合神经网络由k个相互独立的n层全连接神经网络构成，将信号

传至第k个子基带结合神经网络，所述基带结合神经网络对信号进行相位和幅度调整；

所述k个子基带结合神经网络的输出信号组合得到基带结合神经网络的输出信号为

表示n层神经网络的串联，f的下标r代表接收端，

为基带结合神经网络权重和偏置的集合。

与现有技术相比，本发明的有益效果：。

将多用户混合波束成形问题中的约束条件映射到神经网络中，将混合波束成形系统完整的转化为一个神经系统，也就相当于把混合波束成形系统中的非凸优化问题转化为类似于自编码端到端无监督优化，本方法的误比特率在同等条件下低于传统波束成形系统误比特率，相比于单小区单用户，单小区多用户减少了资源的浪费，提高了资源利用率。在优选方案中，单小区多用户神经网络可以改变用户优先权系数，从而改变用户的优化优先级；对于新增用户，神经网络权重不需要完全调整，单小区多用户模型只需要对整个神经网络权重进行微调，就能达到整体的优化效果。

附图说明

图1为本发明的单小区多用户毫米波大规模MIMO混合波束形成系统模型；

图2为本发明的单小区多用户神经网络结构图；

图3为本发明的一个用户的射频波束成形神经网络结构图；

图4为本发明的一个用户的射频结合神经网络结构图；

图5为本发明的不同用户，不同连接的误比特率比较图；

图6为本发明与传统波束成形系统的误比特率比较图。

具体实施方式

下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

实施例1

下面根据图1～图4，给出本发明较佳的实施例，并给予一定的描述，使能更好的理解本发明的功能和特点。

如图1：一个完整的多用户毫米波大规模MIMO混合波束成形系统包括：一个发射端，多个接收端，其中发射端包括依次连接的基带波束成形器，射频波束成形器以及多个发射天线，接收端包括依次连接的多个接收端天线，射频结合器以及基带结合器。本发明是以神经网络的方式构建同样的系统，整个系统为一个单小区多用户的模型。将图1所示的系统映射到图2中的神经网络，图2的神经网络为一个级联神经网络，分为基带波束成形神经网络，射频波束成形神经网络，射频结合神经网络，基带结合神经网络；其中，级联神经网络中射频结合神经网络、基带结合神经网络分为多个单独的子射频结合神经网络、子基带结合神经网络，模拟多用户情景，模拟的各个用户神经网络中权重，神经网络层数等都相同。在实施例中，一个子神经网络由相连的一个子射频结合神经网络和一个子基带结合神经网络构成，一个子神经网络表示一个用户。

在本实施例中，包括步骤：

S1、对基带二进制信号的映射和复信号的拆解：

S101、将基带二进制信号经过星座映射为复信号S；

S102、将复信号S拆解为实部和虚部两个通道，作为波束成形系统的输入信号

S2、对输入信号S的数字处理部分：

S201、将输入信号S传至基带波束成形神经网络，基带波束成形神经网络由n层全连接的神经网络构成，并对信号S进行相位和幅度调整；

S202、基带波束成形神经网络第一层的输出写为S^p1＝σ(W^p1S+b^p1)，其中W^p1为权重矩阵，b^p1为偏置，σ(·)是激活函数；为简化函数表示，将S^p1改写为S^p1＝f(S；α)，其中α为该层神经网络中权重W^p1和偏置b^p1的集合，经过n层网络后输出信号记为

表示n层神经网络的串联，f的下标t表示发射机，利用实部和虚部表达S^bb表示为

其中S^bb为实信道和虚信道组合得到的信号。

S3、对基带波束成形神经网络的输出信号S^bb的模拟处理部分：

S301、将信号S^bb传入射频波束成形神经网络中，射频波束成形神经网络仅对信号进行相位调整，其射频链路数为

S302、射频波束成形神经网络采用全连接结构，每一个射频链路信号都经过相互独立移相器，扩展为N_t个信号并进行相位调整，输出信号表示为

N_t为发射端天线数，

和n表示第n根天线的发射信号，S^bb，p中p表示射频波束成形神经网络处理的第p根射频链路信号，

表示第p根射频链路与第q根天线之间的相位参数，ρ为功率控制参数；

在射频部分，涉及到复数的乘法，例如xe^jθ，可利用欧拉公式y＝xe^jθ＝x(cosθ+jsinθ)进行转化，实现对相位的调整；

S304、为简化函数表示，将S^t写为S^t＝g_t(S^bb，θ_t)，θ_t为波束成形神经网络参数，g_t代表射频波束成形神经网络。

S4、信号S^t的发射和传输部分：

信号S^t通过天线阵列发射和高斯通道传输，各个用户之间的信道不同，但信道都是确定且已知的，经信道后的实部、虚部输出为：

H_k表示第k个用户的信道矩阵，n_k表示噪声，第k个用户接收到的信号记为

所有用户接收到的信号即射频信号记为S^r。

S5、对接收机接收信号的模拟处理部分：

S501、经信道传输的信号由接收机接收记为S^r，将信号S^r传入射频结合神经网络，对于多用户中的用户k，N_r根天线接收到的信号经过相位调整后传递至

个射频链路中，其射频链路数为

S502、对于用户k，其射频结合神经网络的输出信号为

其中，

表示用户k的第q根射频链信号，

表示用户k的第m根天线与第q条射频链之间的相位参数，

表示用户k的第m根接收天线接收到的信号，m∈(1，2，...，N_r)；

将所有用户接收到的信号记为S^rf，S^rf＝g_r(S^r，θ_r)，θ_r为射频结合神经网络参数，g_r代表射频结合神经网络。

S6、对信号S^rf的数字处理部分：

S601、将信号

专入第k个子基带结合神经网络，所述基带结合神经网络由n层全连接神经网络构成，并对信号

进行相位和幅度调整；

S602、基带结合神经网络的第k个子基带结合神经网络第一层的输出写为

其中

为权重矩阵，

为偏置，σ是激活函数；为简化函数表示，将

改写为

其中α为该层神经网络中权重

和偏置

的集合，将所有用户经过n层神经网络后输出信号组合得到最终输出信号记为

利用实部和虚部表达

表示为

其中

为实信道和虚信道组合得到的复杂信号。

S7、对最终输出信号

的处理：

计算信号S和信号

之间的损失函数，损失函数表示为：

γ_k为用户的优先权系数，S_k为用户k的输入信号，

为用户k的输出信号，E表示取算术平均值，利用Adam算法，通过损失函数，计算出各层神经网络参数损失函数的梯度值，反向更新神经网络的参数。

S8、神经网络训练：

重复上述过程S1-S7，预设loss下降到0.011以下，视为神经网络参数收敛，便可使用神经网络正向传播实现混合波束成形。

S9、对新用户的加入处理：

在实际情况中，会面临新用户加入的情况。在新加入用户时，单基站单用户神经网络需要对整个神经网络权重进行调整，才能使整个神经网络权重得到收敛；在单基站多用户模型中，相比于单基站单用户，在单基站多用户神经网络中，对于新加入子层神经网络，首先固定原子神经网络的权重，然后调整新子神经网络与基站神经网络的权重，在此基础上，再对整个神经网络进行微调，包括新加入的子神经网络在内的整个神经网络权重都能得到收敛。

在单基站多用户神经网络系统中，对于权重相同的子神经网络优化顺序是一样的。在单基站多用户模型中，改变子神经网络权重就能改变子神经网络优化优先级；例：在原有单基站多用户神经系统模型中，各用户的优先权系数都设置为1，那么总的损失等于各个用户的损失相加；而对于权重设置不同的子神经网络，如用户1的优先权系数设置为2，用户2的优先权系数设置为3，其余用户优先权系数设置为1，那么总的损失为两倍的用户1损失加上三倍的用户2损失再加上其余的用户损失，那么对于增加了优先权系数的用户对损失的下降会更快，也就达到了优先优化的效果。

对照图5，给出了不同连接方式的模拟波束形成器/结合器，以及不同用户数的误比特率比较。可以看出全连接模拟波束形成器/结合器相较于部分连接模拟波束形成器/结合器，在相同条件下，误波特率较小；对于不同的用户数，用户数越多，误比特率越高。

根据图6，给出了采用本方法与传统波束成形系统的误比特率比较。可以看出，在低信噪比的情况下，多用户神经网络混合预编码系统的误比特率略高于数字、混合波束成形系统，但当信噪比大于10^-16dB时，随着信噪比的增加，神经网络混合波束成形系统的误比特率明显优于数字、混合预编码系统，对于单用户神经网络，在同等条件下，误比特都优于数字、混合波束成形系统。采用神经网络混合波束成形系统，能有效的减小误比特率。

Claims (9)

1.一种基于深度学习的毫米波MIMO混合波束成形优化方法，步骤包括：

S1，将输入信号由星座映射为复信号，拆解为实部和虚部两个通道，作为输入信号；

S2，将所述复信号依次输入基带波束成形神经网络和射频波束成形神经网络，得到发射信号，所述发射信号经由信道传输到接收端；

S3，所述接收端接收到射频信号后，将所述射频信号依次输入射频结合神经网络和基带结合神经网络得到输出信号；

S4，计算所述输入信号和所述输出信号之间的损失函数，利用Adam算法反向更新系统神经网络的参数，直至系统神经网络的参数收敛，所述系统神经网络包括：基带波束成形神经网络、射频波束成形神经网络、射频结合神经网络和基带结合神经网络，

其特征在于，所述射频结合神经网络由相互独立的多个子射频结合神经网络构成，所述基带结合神经网络由相互独立的多个子基带结合神经网络构成，一个所述的子射频结合神经网络和一个所述子基带结合神经网络构成一个用户的接收端模型，当一个新用户加入时，相应的在所述接收端增加一个所述用户接收端模型，并依次完成步骤S1～S4。

2.如权利要求1所述的优化方法，其特征在于，当加入新的子神经网络时，保持加入新的子神经网络前的子神经网络参数不变，并依次完成步骤S1～S4，直至新的子神经网络参数和发射端的神经网络参数收敛，然后系统神经网络依次完成步骤S1～S4，直到系统神经网络参数收敛。

3.如权利要求1或2所述的优化方法，其特征在于，所述用户增加用户优先权系数，则所述损失函数为：

γ_k为用户的优先权系数，S_k为用户k的输入信号，

为用户k的输出信号，E表示取平均值，通过增加用户优先权系数，提高用户优化优先级，根据损失函数，通过Adam算法对神经网络权重和偏置进行优化。

4.如权利要求1所述的优化方法，其特征在于，所述基带波束成形神经网络为n层全连接的神经网络，所述输入信号传至所述基带波束成形神经网络，并对所述输入信号进行相位和幅度调整，所述基带波束成形神经网络输出信号为

其中

表示n层神经网络的级联，f的下标t代表发射端，

为所述基带波束成形神经网络权重和偏置的集合，所述S^bb为基带波束成形信号；其中，S为输入信号。

5.如权利要求4所述的优化方法，其特征在于，所述射频波束成形神经网络为一层只对信号进行相位调整的神经网络，S^bb传至所述射频波束成形神经网络，所述波束成形神经网络的射频链路数为

每个射频链路的信号都经过相互独立移相器，扩展为N_t个信号并进行调相，N_t为发射端天线数；

将经过移相器传至N_t根发射天线的信号组合，形成射频发射信号：

N_t为发射端天线数，S^bb，p中p表示射频波束成形神经网络处理的第p根射频链路信号，

表示第p根射频链路与第q根天线之间的相位参数，ρ为功率控制参数。

6.如权利要求5所述的优化方法，其特征在于，所述射频发射信号S^t通过天线阵列发射，经由通道传输，各个用户之间的信道不同，但信道都是确定且已知的，经信道后的实部、虚部输出为：

H_k表示第k个用户的信道矩阵，第k个用户接收到的信号记为

将所有用户接收机接收的信号组合在一起得到射频信号S^r；n_k表示噪声。

7.如权利要求6所述的优化方法，其特征在于，所述的射频结合神经网络由k个相互独立的调相神经网络构成，所述射频接收信号S^r传至所述射频结合神经网络，所述射频结合神经网络的输入信号对应射频信号S^r，所述射频结合神经网络的射频链路数为

对于用户k，N_r根天线接收到的信号经相位调整后传递至

个射频链路中，用户k所接收到的信号为：

其中，

表示用户k的第m根天线与第q条射频链之间的相位参数，

表示用户k的第m根接收天线接收到的信号，m∈(1，2，...，N_r)，所述射频结合神经网络输出信号为S^rf。

8.如权利要求5或7所述的优化方法，其特征在于，所述射频部分涉及到的复数运算，利用欧拉公式e^jθ＝(cosθ+jsinθ)进行转化，实现对信号相位的调整。

9.如权利要求7所述的优化方法，其特征在于，所述基带结合神经网络由k个相互独立的n层全连接神经网络构成，将信号

传至第k个子基带结合神经网络，所述基带结合神经网络对信号进行相位和幅度调整；

所述k个子基带结合神经网络的输出信号组合得到基带结合神经网络的输出信号为

表示n层神经网络的串联，f的下标r代表接收端，

为基带结合神经网络权重和偏置的集合；其中，S^rf为所有用户接收到的信号，S^rf＝g_r(S^r，θ_r)，θ_r为射频结合神经网络参数，g_r代表射频结合神经网络；S^r为接收机接收到的信号。

Images