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
一种基于深度学习的毫米波mimo混合波束成形优化方法 Download PDFInfo
- Publication number
- CN110535500B CN110535500B CN201910828375.XA CN201910828375A CN110535500B CN 110535500 B CN110535500 B CN 110535500B CN 201910828375 A CN201910828375 A CN 201910828375A CN 110535500 B CN110535500 B CN 110535500B
- Authority
- CN
- China
- Prior art keywords
- neural network
- radio frequency
- signal
- baseband
- user
- 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
- 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)
- Radio Transmission System (AREA)
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
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Fbb,射频波束成形器的矩阵Frf,射频结合器的矩阵Wrf和基带结合器矩阵Wbb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:
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Sbb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Sbb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Nt个信号并进行调相,Nt为发射端天线数;
将经过移相器传至Nt根发射天线的信号组合,形成射频发射信号:
优选的,所述射频发射信号St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:
优选的,所述射频部分涉及到的复数运算,利用欧拉公式ejθ=(cosθ+jsinθ)进行转化,实现对信号相位的调整。
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;
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Sp1=σ(Wp1S+bp1),其中Wp1为权重矩阵,bp1为偏置,σ(·)是激活函数;为简化函数表示,将Sp1改写为Sp1=f(S;α),其中α为该层神经网络中权重Wp1和偏置bp1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Sbb表示为其中Sbb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Sbb的模拟处理部分:
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Nt个信号并进行相位调整,输出信号表示为
在射频部分,涉及到复数的乘法,例如xejθ,可利用欧拉公式y=xejθ=x(cosθ+jsinθ)进行转化,实现对相位的调整;
S304、为简化函数表示,将St写为St=gt(Sbb,θt),θt为波束成形神经网络参数,gt代表射频波束成形神经网络。
S4、信号St的发射和传输部分:
信号St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:
S5、对接收机接收信号的模拟处理部分:
将所有用户接收到的信号记为Srf,Srf=gr(Sr,θr),θr为射频结合神经网络参数,gr代表射频结合神经网络。
S6、对信号Srf的数字处理部分:
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。
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。
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ejθ=(cosθ+jsinθ)进行转化,实现对信号相位的调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910828375.XA CN110535500B (zh) | 2019-09-03 | 2019-09-03 | 一种基于深度学习的毫米波mimo混合波束成形优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910828375.XA CN110535500B (zh) | 2019-09-03 | 2019-09-03 | 一种基于深度学习的毫米波mimo混合波束成形优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110535500A CN110535500A (zh) | 2019-12-03 |
CN110535500B true CN110535500B (zh) | 2021-09-21 |
Family
ID=68666584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910828375.XA Active CN110535500B (zh) | 2019-09-03 | 2019-09-03 | 一种基于深度学习的毫米波mimo混合波束成形优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110535500B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111092641B (zh) * | 2019-12-18 | 2022-02-22 | 重庆邮电大学 | 基于毫米波mimo系统深度学习的混合预编码设计方法 |
US11463138B2 (en) | 2019-12-20 | 2022-10-04 | Qualcomm Incorporated | Neural network and antenna configuration indication |
CN111276822B (zh) * | 2020-02-24 | 2021-02-19 | 西安电子科技大学 | 一种天线方向图主瓣可控的天线阵列设计方法 |
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 |
CN111313945B (zh) * | 2020-03-19 | 2021-02-09 | 东南大学 | 一种降低毫米波mimo系统峰均比的方法 |
CN111541472B (zh) * | 2020-04-21 | 2021-04-06 | 东南大学 | 低复杂度机器学习辅助鲁棒预编码方法及装置 |
CN114866119B (zh) * | 2022-04-15 | 2023-09-26 | 电子科技大学长三角研究院(湖州) | 一种非完美信道状态信息条件下的混合波束成形方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108417224A (zh) * | 2018-01-19 | 2018-08-17 | 苏州思必驰信息科技有限公司 | 双向神经网络模型的训练和识别方法及系统 |
WO2019004887A1 (en) * | 2017-06-29 | 2019-01-03 | Telefonaktiebolaget Lm Ericsson (Publ) | NETWORK NODE, WIRELESS DEVICE, AND ASSOCIATED BEAM SELECTION METHODS |
CN109547083A (zh) * | 2018-11-08 | 2019-03-29 | 广东工业大学 | 一种基于神经网络的平顶波束赋形方法 |
CN109560846A (zh) * | 2019-01-04 | 2019-04-02 | 东南大学 | 一种基于模型驱动深度学习的三维预编码方法 |
CN110099016A (zh) * | 2019-05-14 | 2019-08-06 | 东南大学 | 一种基于深度学习网络的毫米波稀疏阵面信道估计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110113088B (zh) * | 2019-05-07 | 2021-06-11 | 东南大学 | 一种分离型数模混合天线系统波达角智能化估计方法 |
CN110166103B (zh) * | 2019-05-31 | 2021-07-16 | 大连理工大学 | 一种毫米波mu-miso系统的新型混合波束成形结构及设置方法 |
-
2019
- 2019-09-03 CN CN201910828375.XA patent/CN110535500B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019004887A1 (en) * | 2017-06-29 | 2019-01-03 | Telefonaktiebolaget Lm Ericsson (Publ) | NETWORK NODE, WIRELESS DEVICE, AND ASSOCIATED BEAM SELECTION METHODS |
CN108417224A (zh) * | 2018-01-19 | 2018-08-17 | 苏州思必驰信息科技有限公司 | 双向神经网络模型的训练和识别方法及系统 |
CN109547083A (zh) * | 2018-11-08 | 2019-03-29 | 广东工业大学 | 一种基于神经网络的平顶波束赋形方法 |
CN109560846A (zh) * | 2019-01-04 | 2019-04-02 | 东南大学 | 一种基于模型驱动深度学习的三维预编码方法 |
CN110099016A (zh) * | 2019-05-14 | 2019-08-06 | 东南大学 | 一种基于深度学习网络的毫米波稀疏阵面信道估计方法 |
Non-Patent Citations (1)
Title |
---|
关于AI算力问题的思考;胡剑浩;《移动通信》;20190815;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110535500A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110535500B (zh) | 一种基于深度学习的毫米波mimo混合波束成形优化方法 | |
CN107046434B (zh) | 大规模mimo系统模数混合预编码方法 | |
CN107359921B (zh) | 大规模mimo系统基于标准正交化的混合预编码方法 | |
Alkhateeb et al. | Achievable rates of multi-user millimeter wave systems with hybrid precoding | |
CN110401476B (zh) | 一种基于码本的毫米波通信多用户并行波束训练方法 | |
CN110557177A (zh) | 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法 | |
CN105429686A (zh) | 分离型非对称混合波束成型的传输装置及方法 | |
CN106571858B (zh) | 一种混合波束成形传输系统 | |
CN110011712B (zh) | 一种面向毫米波大规模多输入多输出的混合预编码方法 | |
CN107241167B (zh) | 一种基于大规模mimo系统bp检测的改进方法 | |
CN110365388B (zh) | 一种低复杂度毫米波多播波束成形方法 | |
CN105306125A (zh) | 非对称共享型混合波束成型收发装置 | |
CN112929075B (zh) | 一种适用于低轨卫星通信的混合预编码方法 | |
CN108599830A (zh) | 平坦莱斯衰落信道中自适应天线阵列系统下的基于最小和均方误差混合预编码方法 | |
CN111726151A (zh) | 一种基于无线携能通信的资源分配方法与装置 | |
Wang et al. | Joint pre/post-processing design for large millimeter wave hybrid spatial processing systems | |
Wang et al. | Hybrid beamforming with time delay compensation for millimeter wave MIMO frequency selective channels | |
CN113131976A (zh) | 一种分米波混合波束赋形方法、系统及应用 | |
CN114978262A (zh) | 一种基于低分辨率相移器的多波束卫星通信鲁棒混合预编码方法 | |
CN115733530A (zh) | 一种可重构智能表面辅助毫米波通信的联合预编码方法 | |
CN112583458A (zh) | 基于深度学习和无线变换网络的mimo端到端传输系统 | |
CN114465643B (zh) | 一种基于梯度下降法的毫米波大规模mimo天线系统的混合预编码方法 | |
CN112054830A (zh) | 一种针对硬件损伤的Massive MIMO信能同传系统优化方法 | |
CN109361434B (zh) | 基站协作传输的毫米波mimo混合预编码方法 | |
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 |