CN110995327A - 一种多载波mimo系统的混合波束成形优化方法及系统 - Google Patents
一种多载波mimo系统的混合波束成形优化方法及系统 Download PDFInfo
- Publication number
- CN110995327A CN110995327A CN201911305067.5A CN201911305067A CN110995327A CN 110995327 A CN110995327 A CN 110995327A CN 201911305067 A CN201911305067 A CN 201911305067A CN 110995327 A CN110995327 A CN 110995327A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network
- beamforming
- carrier
- beam forming
- 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.)
- Granted
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
- H04B17/00—Monitoring; Testing
- H04B17/0082—Monitoring; Testing using service channels; using auxiliary channels
- H04B17/0087—Monitoring; Testing using service channels; using auxiliary channels using auxiliary channels or channel simulators
-
- 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
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- 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
- H04B7/0426—Power distribution
- H04B7/043—Power distribution using best eigenmode, e.g. beam forming or beam steering
Abstract
本发明公开了一种多载波MIMO系统的混合波束成形优化方法及系统,通过构建一个多载波混合波束成形神经网络,该网络包括:位于发射端网络的多层全连接基带波束成形神经网络、信号并串转换模块、以及单层共用模拟波束成形神经网络;位于接收端网络的单层共用模拟结合神经网络、信号串并转换模块、以及多层全连接基带结合神经网络。从而能够将混合波束成形系统完全映射到一个神经网络中进行全局优化;并且充分考虑到射频链路的消耗问题,将模拟网络构建为单层共用模拟结合神经网络。在训练过程中,我们采用多个模拟网络分别训练,经过一定的训练次数后,合并模拟网络参数,再重新训练的方式求取最优模拟网络参数,提高整个网络模型的精度。
Description
技术领域
本发明涉及一种无线环境下的高速多载波传输技术,特别涉及一种多载波MIMO系统的混合波束成形优化方法及系统。
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,现有的一对一神经网络波束成形系统,大多采用线性系统的形式,其性能受限于线性全数字下的性能,然而混合波束成形的优化问题中涉及到四个波束成形的优化,采用分层一对一的结构逐步优化四个矩阵无法确保全局最优解,因而应将整个波束成形系统映射为一个联合神经网络进行全局优化,才能保证相应的模型适配于波束成形系统的要求。
此外,在宽带(多子载波)MIMO系统中,信道是具有频率选择性的,信号经过不同子载波信道到达接收端,因而,在宽带系统中混合波束成形的设计要针对不同子载波信道进行,然而考虑到射频链路的巨大消耗,必须让不同子载波共用模拟波束成形器和模拟结合器,相应的模拟波束成形器必须要适应于全部的子载波信道,因而如何设计并训练相应的模拟波束成形器使整个模型具有更高的精度也成为亟待解决的问题。
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,提供一种多载波MIMO系统的混合波束成形优化方法及系统,该系统能够突破线性数字混合预编码性能的限制,将混合波束成形系统中数字波束成形器的矩阵Fbb,模拟波束成形器的矩阵Frf,模拟结合器的矩阵Wrf和数字结合器矩阵Wbb等效转化为包含四个神经网络的级联神经网络,将混合波束成形系统完全映射到一个神经网络中进行全局优化。
为了实现上述发明目的,本发明提供了以下技术方案:
一种多载波MIMO系统的混合波束成形优化方法,包括:
构建多载波混合波束成形神经网络,并利用多个子载波信号样本对所述多载波混合波束成形神经网络进行微调,以使所述微调后的多载波混合波束成形神经网络形成多个子载波输入信号到多个混合波束成形优化后的子载波输出信号的非线性映射;其中,所述多载波混合波束成形神经网络包括:位于发射端网络的多层全连接基带波束成形神经网络、信号并串转换模块、以及单层共用模拟波束成形神经网络;位于接收端网络的单层共用模拟结合神经网络、信号串并转换模块、以及多层全连接基带结合神经网络;
将多个子载波输入信号输入至所述多载波混合波束成形神经网络中,得到混合波束成形优化后的多个输出信号。
优选的,所述构建多载波混合波束成形神经网络,具体包括:
步骤1,建立多载波混合波束成形神经网络模型,所述神经网络模型中包括:位于发射端网络的多个基带波束成形子神经网络和多个模拟波束成形子神经网络;位于接收端网络的多个基带结合子神经网络和多个模拟结合子神经网络;
步骤2,利用多个子载波信号样本对所述多载波混合波束成形神经网络当前模型进行训练,当训练次数达到预设训练次数后,将所述多个模拟波束成形子神经网络的当前网络参数进行合并,得到第一合并网络参数;将所述多个模拟结合子神经网络的当前网络参数进行合并,得到第二合并网络参数;将所述第一合并网络参数赋值到所述多个模拟波束成形子神经网络中,使所述多个模拟波束成形子神经网络的当前网络模型更新一次;并将所述第二合并网络参数赋值到所述多个模拟结合子神经网络中,使所述多个模拟结合子神经网络的网络模型更新一次;
步骤3,判断所述多个模拟波束成形子神经网络以及所述多个模拟结合子神经网络的网络模型更新次数是否达到最大更新次数;若未达到最大更新次数,则得到更新后的多载波混合波束成形神经网络模型,并返回步骤2;若达到了所述最大更新次数,则输出所述第一合并网络参数的当前值和第二合并网络参数的当前值、以及所述多载波混合波束成形神经网络当前模型中的其他网络参数;
步骤4,基于步骤3输出的第一合并网络参数值和第二合并网络参数值、以及所述多载波混合波束成形神经网络当前模型中的其他网络参数值构建所述多载波混合波束成形神经网络。
优选的,所述步骤4具体包括:
以步骤3输出的多载波混合波束成形神经网络模型中的多个基带波束成形子神经网络的网络参数值建立多层全连接基带波束成形神经网络,在所述基带波束成形神经网络后连接一个信号并串转换模块,再以步骤3输出的第一合并参数值为最优参数建立单层共用模拟波束成形神经网络,从而构建所述多载波混合波束成形神经网络的发射端网络;
以输出的第二合并参数的当前值为最优参数建立单层共用模拟结合神经网络;在所述单层共用模拟结合神经网络后加入一个信号串并转换模块,再以步骤3输出的多载波混合波束成形神经网络模型中的多个基带结合子神经网络建立多层全连接基带结合神经网络,从而构建所述多载波混合波束成形神经网络的接收端网络。
优选的,所述利用多个子载波信号样本对所述多载波混合波束成形神经网络进行微调,具体为:
保持所述单层共用模拟波束成形神经网络、以及所述单层共用模拟结合神经网络的网络参数不变,利用多个子载波信号样本调整所述多层全连接基带波束成形神经网络、以及所述多层全连接基带结合神经网络的网络参数。
优选的,在所述将多个子载波信号样本输入至所述多载波混合波束成形神经网络当前模型中进行训练的过程中,在相应的损失函数中增加子载波优先权系数,以调整子载波之间的优先级。
优选的,所述将多个子载波输入信号输入至所述多载波混合波束成形神经网络中,得到混合波束成形优化后的输出信号,具体包括:
所述多层全连接基带波束成形神经网络接收所述多个子载波输入信号,并对其进行相位和幅度的调整优化,再输出多个子载波基带波束成形信号至所述信号并串转换模块,由所述信号并串转换模块将所述多个子载波基带波束成形信号扩展为一个串行子载波基带波束成形信号输出至所述单层共用模拟波束成形神经网络;所述单层共用模拟波束成形神经网络对所述串行子载波基带波束成形信号进行相位调整优化,再输出一个串行模拟波束成形信号;
所述串行模拟波束成形信号经过信道进入所述单层共用模拟结合神经网络,所述单层共用模拟结合神经网络对所述串行模拟波束成形信号进行相位调整优化输出一个串行模拟波束结合信号,由其后的信号串并转换模块将所述串行模拟波束结合信号分解为多个并行模拟波束结合信号输出至所述多层全连接基带结合神经网络,所述多层全连接基带结合神经网络对其接收到的多个并行模拟波束结合信号进行相位和幅度的调整优化,输出混合波束成形优化后的多个输出信号。
在本发明的进一步实施例中,还提供一种多载波MIMO系统的混合波束成形优化系统,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至6中任一项所述的方法。
综上所述,由于采用了上述技术方案,本发明至少具有以下有益效果:
通过将混合波束成形系统中数字波束成形器的矩阵Fbb,模拟波束成形器的矩阵Frf,模拟结合器的矩阵Wrf和数字结合器矩阵Wbb等效转化为级联了四个神经网络的多载波混合波束成形神经网络,从而能够将混合波束成形系统完全映射到一个神经网络中进行全局优化;并且充分考虑到射频链路的消耗问题,将相应的模拟波束成形神经网络、模拟结合神经网络构建为单层共用模拟结合神经网络。
在训练过程中,我们采用多个模拟网络分别训练,在训练过程中更新网络参数,经过一定的训练次数后,合并模拟网络参数继续更新训练的方式来求取最优模拟网络参数,从而让相应的单层共用模拟波束成形神经网络、单层共用模拟结合神经网络能够更好地适应于全部的子载波信道,有效提高了相应的多载波混合波束成形神经网络模型精度。
附图说明
图1是根据本发明示例性实施例的多载波混合波束成形神经网络结构拓扑图。
图2是根据本发明示例性实施例的多载波MIMO系统的混合波束成形优化方法与现有方法仿真结果对比图。
图3是根据本发明示例性实施例的多载波MIMO系统的混合波束成形优化系统结构示意图。
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。
整个过程分为训练部分与测试部分,训练部分通过损失函数和参数更新算法反向更新神经网络系统的参数,直至到最大训练次数后,停止训练,并得到最终的神经网络参数。所述多载波混合波束成形神经网络包括:位于发射端网络的多层全连接基带波束成形神经网络、信号并串转换模块、以及单层共用模拟波束成形神经网络;位于接收端网络的单层共用模拟结合神经网络、信号串并转换模块、以及多层全连接基带结合神经网络。测试部分则是测试系统的使用阶段,可以获得系统的性能结果。为了说明的清晰,我们下面将先介绍OFDM系统的结构,由此设计的神经网络结构,再分别介绍训练部分以及测试部分。在OFDM系统中,传输的是频域信号,频域信号由IFFT(Inverse Fast Fourier Transform,快速傅立叶逆变换)产生,将N个不同子载波上的信号在时域上叠加。传输信号经过不同的载波信道,达到接收端,通过FFT(Fast Fourier Transform,快速傅立叶变换)恢复出N个携带信号。通过这样的方式,发送端可以计算信号的叠加波形,在接收端去除正交子载波,从而大大简化了系统的复杂度。一种基于深度学习的毫米波OFDM-MIMO混合波束成形优化方法,整个神经网络系统的构成如图1所示,其中主要包括发射端网络、信道传输以及接收端网络。在发射端,不同子载波的信号经过各自的基带处理网络后,将IFFT映射到网络中,我们使用并串转换代替,再通过共用的模拟波束成形,通过不同的子载波信道。信号达到接收端后,通过共用的模拟结合器,将FFT映射到网络中,我们使用串并转换,再通过各自的数字结合器网络后,得到最终不同子载波上的信息。再构建好相应的多载波混合波束成形神经网络后,将输入信道通过数字调制方式映射为复信号;将所述复信号依次输入训练好的输入数字波束成形神经网络、经由并串转换以及模拟波束成形神经网络,得到发射信号,所述发射信号经由各自子载波信道传输到接收端;所述接收端接收到射频信号后,将所述射频信号依次输入模拟结合神经网络、串并转换以及数字结合神经网络得到输出信号;其中,所述模拟波束成形神经网络和模拟结合神经网络为共用的神经网络,所述基带波束成形神经网络和基带结合神经网络分别由相互独立的多个子基带波束成形神经网络和子基带结合神经网络构成,所述的一个子载波基带波束成形神经网络、共用的模拟波束成形神经网络、子载波传输信道、共用的模拟结合神经网络以及子载波基带结合神经网络构成一个子载波的收发模型。
进一步的,再试验中我们发现,如果使用传统的训练方式,即在构建模型的初期直接在整个模型中建立两个单层共用的模拟网络进行直接训练,相应的模型精度非常低。为了提高相应的模拟端网络的精度,以使其更好地适配于基带网络,更好地服务于该多载波混合波束成形神经网络进行混合波束成形优化。我们在构建所述多载波混合波束成形神经网络的过程中,首先建立多载波混合波束成形神经网络模型,所述神经网络模型中包括:与多个子载波信号一一对应的位于发射端网络的多个基带波束成形子神经网络和多个模拟波束成形子神经网络;位于接收端网络的多个基带结合子神经网络和多个模拟结合子神经网络。以多个模拟端子网络的方式进行训练、再合并的方式来求取网络最优参数。
再利用多个子载波信号样本对所述多载波混合波束成形神经网络当前模型(此时为初始模型)进行训练,当训练次数达到预设训练次数后,将所述多个模拟波束成形子神经网络的当前网络参数进行合并,得到第一合并网络参数;将所述多个模拟结合子神经网络的当前网络参数进行合并,得到第二合并网络参数;将所述第一合并网络参数赋值到所述多个模拟波束成形子神经网络中,使所述多个模拟波束成形子神经网络的当前网络模型更新一次;并将所述第二合并网络参数赋值到所述多个模拟结合子神经网络中,使所述多个模拟结合子神经网络的网络模型更新一次;此时判断所述多个模拟波束成形子神经网络以及所述多个模拟结合子神经网络的网络模型更新次数是否达到最大更新次数;若未达到最大更新次数,则得到更新后的多载波混合波束成形神经网络模型,再利用多个子载波信号样本对更新后的多载波混合波束成形神经网络当前模型进行继续训练,如此反复,直到达到最大更新次数(可根据需要进行设定的值,例如5000次),则输出所述第一合并网络参数的当前值和第二合并网络参数的当前值、以及所述多载波混合波束成形神经网络当前模型中的其他网络参数。
具体的:整个系统中包括数字波束成形器的网络参数θ,模拟波束成形的网络参数ω,模拟结合器的网络参数以及数字结合器的网络参数由于模拟端的网络是共用的,需要适应不同子载波的信道,为了得到较好的模拟网络参数ω,在训练过程中,我们采用多个模拟网络分别训练,在训练过程中更新网络参数,经过一定的训练次数后,合并模拟网络参数。
得到合并后的模拟网络参数后,赋值到各个子模拟网络中,
ωk=ω,k=1,2,...,K,
再继续进行网络的训练,重复以上步骤,达到最大合并次数后,将所得到的模拟网络参数视为最优参数ωopt,并固定,以此时输出的多载波混合波束成形神经网络模型中的多个基带波束成形子神经网络的网络参数值建立多层全连接基带波束成形神经网络,在所述基带波束成形神经网络后连接一个信号并串转换模块,再以最优参数ωopt,建立单层共用模拟波束成形神经网络,从而构建所述多载波混合波束成形神经网络的发射端网络;并以该最优参数ωopt,建立单层共用模拟结合神经网络;在所述单层共用模拟结合神经网络后加入一个信号串并转换模块,再以最终的多载波混合波束成形神经网络模型中的多个基带结合子神经网络建立多层全连接基带结合神经网络,从而构建所述多载波混合波束成形神经网络的接收端网络。此时,相应的多载波混合波束成形神经网络已经完成构建了。
还需要利用子载波信号样本对所构建的多载波混合波束成形神经网络进行最后的数字(基带)网络参数θ,的微调(此时保持所述单层共用模拟波束成形神经网络、以及所述单层共用模拟结合神经网络的网络参数不变,利用多个子载波信号样本调整所述多层全连接基带波束成形神经网络、以及所述多层全连接基带结合神经网络的网络参数)如下式。
进一步的,本发明在训练网络模型的过程中,根据子载波信息的重要程度,信道的状态,增加用户优先权系数以帮助训练,所述的损失函数为:
其中,γk为子载波的优先权系数,Sk为子载波k的输入信号,为用户k的输出信号,E表示取算术平均值,通过增加子载波优先级系数,提高子载波优化优先级,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。
其中,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Sbb=ft n(S;θ),其中ft n表示n层神经网络的级联,f的下标t代表发射端,θ表示所述基带波束成形神经网络的权重和偏置,所述Sbb为所有载波基带波束成形信号;S为由二进制信号经过基带数字调制得到的复信号。所述模拟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传至所述共用的模拟波束成形神经网络,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,输出信号为St=gt(Sbb;ω),其中gt表示一层神经网络,ω为网络中权重参数,该网络没有偏置参数;经过信道,得到的接受信号为k表示第k个子载波。类似地,模拟结合器神经网络跟数字结合器神经网络分别为 最后,将多个子载波输入信号输入至所述多载波混合波束成形神经网络中,即可得到混合波束成形优化后的多个输出信号。在本发明的进一步实施例中,我们对所得网络进行测试,将子载波信号则按照网络结构通过训练好的神经网络以及传输信道,便可以得到信号的误比特性能仿真结果。如图2所示,MO为基于流体优化方法的混合波束成形算法[1],GVED为基于特征值分解的混合波束成形算法[1],Mrate为基于最大传输速率的全数字波束成形算法,MMSE为基于最小化均方误差的全数字波束成形算法。通过仿真对比,可以发现所提出的基于神经网络的宽带混合预编码BER性能比传统算法优越6-11dB。
图3示出了根据本发明示例性实施例的一种多载波MIMO系统的混合波束成形优化系统,即电子设备310(例如具备程序执行功能的计算机服务器),其包括至少一个处理器311,电源314,以及与所述至少一个处理器311通信连接的存储器312和输入输出接口313;所述存储器312存储有可被所述至少一个处理器311执行的指令,所述指令被所述至少一个处理器311执行,以使所述至少一个处理器311能够执行前述任一实施例所公开的方法;所述输入输出接口313可以包括显示器、键盘、鼠标、以及USB接口,用于输入输出数据;电源314用于为电子设备310提供电能。
本领域技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元以软件功能单元的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明具体实施方式的详细说明,而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下,做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。
Claims (7)
1.一种多载波MIMO系统的混合波束成形优化方法,包括:
构建多载波混合波束成形神经网络,并利用多个子载波信号样本对所述多载波混合波束成形神经网络进行微调,以使所述微调后的多载波混合波束成形神经网络形成多个子载波输入信号到多个混合波束成形优化后的子载波输出信号的非线性映射;其中,所述多载波混合波束成形神经网络包括:位于发射端网络的多层全连接基带波束成形神经网络、信号并串转换模块、以及单层共用模拟波束成形神经网络;位于接收端网络的单层共用模拟结合神经网络、信号串并转换模块、以及多层全连接基带结合神经网络;
将多个子载波输入信号输入至所述多载波混合波束成形神经网络中,得到混合波束成形优化后的多个输出信号。
2.根据权利要求1所述的方法,其特征在于,所述构建多载波混合波束成形神经网络,具体包括:
步骤1,建立多载波混合波束成形神经网络模型,所述神经网络模型中包括:位于发射端网络的多个基带波束成形子神经网络和多个模拟波束成形子神经网络;位于接收端网络的多个基带结合子神经网络和多个模拟结合子神经网络;
步骤2,利用多个子载波信号样本对所述多载波混合波束成形神经网络当前模型进行训练,当训练次数达到预设训练次数后,将所述多个模拟波束成形子神经网络的当前网络参数进行合并,得到第一合并网络参数;将所述多个模拟结合子神经网络的当前网络参数进行合并,得到第二合并网络参数;将所述第一合并网络参数赋值到所述多个模拟波束成形子神经网络中,使所述多个模拟波束成形子神经网络的当前网络模型更新一次;并将所述第二合并网络参数赋值到所述多个模拟结合子神经网络中,使所述多个模拟结合子神经网络的网络模型更新一次;
步骤3,判断所述多个模拟波束成形子神经网络以及所述多个模拟结合子神经网络的网络模型更新次数是否达到最大更新次数;若未达到最大更新次数,则得到更新后的多载波混合波束成形神经网络模型,并返回步骤2;若达到了所述最大更新次数,则输出所述第一合并网络参数的当前值和第二合并网络参数的当前值、以及所述多载波混合波束成形神经网络当前模型中的其他网络参数;
步骤4,基于步骤3输出的第一合并网络参数值和第二合并网络参数值、以及所述多载波混合波束成形神经网络当前模型中的其他网络参数值构建所述多载波混合波束成形神经网络。
3.根据权利要求2所述的方法,其特征在于,所述步骤4具体包括:
以步骤3输出的多载波混合波束成形神经网络模型中的多个基带波束成形子神经网络的网络参数值建立多层全连接基带波束成形神经网络,在所述基带波束成形神经网络后连接一个信号并串转换模块,再以步骤3输出的第一合并参数值为最优参数建立单层共用模拟波束成形神经网络,从而构建所述多载波混合波束成形神经网络的发射端网络;
以输出的第二合并参数的当前值为最优参数建立单层共用模拟结合神经网络;在所述单层共用模拟结合神经网络后加入一个信号串并转换模块,再以步骤3输出的多载波混合波束成形神经网络模型中的多个基带结合子神经网络建立多层全连接基带结合神经网络,从而构建所述多载波混合波束成形神经网络的接收端网络。
4.根据权利要求3所述的方法,其特征在于,所述利用多个子载波信号样本对所述多载波混合波束成形神经网络进行微调,具体为:
保持所述单层共用模拟波束成形神经网络、以及所述单层共用模拟结合神经网络的网络参数不变,利用多个子载波信号样本调整所述多层全连接基带波束成形神经网络、以及所述多层全连接基带结合神经网络的网络参数。
5.根据权利要求2所述的方法,其特征在于,在所述将多个子载波信号样本输入至所述多载波混合波束成形神经网络当前模型中进行训练的过程中,在相应的损失函数中增加子载波优先权系数,以调整子载波之间的优先级。
6.根据权利要求1所述的方法,其特征在于,所述将多个子载波输入信号输入至所述多载波混合波束成形神经网络中,得到混合波束成形优化后的输出信号,具体包括:
所述多层全连接基带波束成形神经网络接收所述多个子载波输入信号,并对其进行相位和幅度的调整优化,再输出多个子载波基带波束成形信号至所述信号并串转换模块,由所述信号并串转换模块将所述多个子载波基带波束成形信号扩展为一个串行子载波基带波束成形信号输出至所述单层共用模拟波束成形神经网络;所述单层共用模拟波束成形神经网络对所述串行子载波基带波束成形信号进行相位调整优化,再输出一个串行模拟波束成形信号;
所述串行模拟波束成形信号经过信道进入所述单层共用模拟结合神经网络,所述单层共用模拟结合神经网络对所述串行模拟波束成形信号进行相位调整优化输出一个串行模拟波束结合信号,由其后的信号串并转换模块将所述串行模拟波束结合信号分解为多个并行模拟波束结合信号输出至所述多层全连接基带结合神经网络,所述多层全连接基带结合神经网络对其接收到的多个并行模拟波束结合信号进行相位和幅度的调整优化,输出混合波束成形优化后的多个输出信号。
7.一种多载波MIMO系统的混合波束成形优化系统,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911305067.5A CN110995327B (zh) | 2019-12-17 | 2019-12-17 | 一种多载波mimo系统的混合波束成形优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911305067.5A CN110995327B (zh) | 2019-12-17 | 2019-12-17 | 一种多载波mimo系统的混合波束成形优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110995327A true CN110995327A (zh) | 2020-04-10 |
CN110995327B CN110995327B (zh) | 2021-05-04 |
Family
ID=70094894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911305067.5A Active CN110995327B (zh) | 2019-12-17 | 2019-12-17 | 一种多载波mimo系统的混合波束成形优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110995327B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111600639A (zh) * | 2020-05-15 | 2020-08-28 | 电子科技大学 | 一种基于波束调制的毫米波物联网通信系统及方法 |
CN112911610A (zh) * | 2021-01-25 | 2021-06-04 | 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 |
CN113541753A (zh) * | 2021-07-20 | 2021-10-22 | 电子科技大学 | 基于复数卷积网络的混合波束成形方法 |
EP4220486A4 (en) * | 2020-10-23 | 2024-04-17 | Vivo Mobile Communication Co Ltd | METHOD FOR SENDING COMMUNICATION INFORMATION, METHOD FOR RECEIVING COMMUNICATION INFORMATION, AND COMMUNICATION DEVICE |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020136319A1 (en) * | 2001-02-14 | 2002-09-26 | Olszewski Kim Joseph | Piecewise nonlinear mapper for digitals |
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 |
CN109274624A (zh) * | 2018-11-07 | 2019-01-25 | 中国电子科技集团公司第三十六研究所 | 一种基于卷积神经网络的载波频偏估计方法 |
CN109617584A (zh) * | 2019-01-08 | 2019-04-12 | 南京邮电大学 | 一种基于深度学习的mimo系统波束成形矩阵设计方法 |
CN109672464A (zh) * | 2018-12-13 | 2019-04-23 | 西安电子科技大学 | 基于fcfnn的大规模mimo信道状态信息反馈方法 |
CN109921822A (zh) * | 2019-02-19 | 2019-06-21 | 哈尔滨工程大学 | 基于深度学习的非线性数字自干扰消除的方法 |
WO2019119442A1 (en) * | 2017-12-22 | 2019-06-27 | Telefonaktiebolaget Lm Ericsson (Publ) | A wireless communications system, a radio network node, a machine learning unt and methods therein for transmission of a downlink signal in a wireless communications network supporting beamforming |
CN110535500A (zh) * | 2019-09-03 | 2019-12-03 | 电子科技大学 | 一种基于深度学习的毫米波mimo混合波束成形优化方法 |
CN110557177A (zh) * | 2019-09-05 | 2019-12-10 | 重庆邮电大学 | 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法 |
-
2019
- 2019-12-17 CN CN201911305067.5A patent/CN110995327B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020136319A1 (en) * | 2001-02-14 | 2002-09-26 | Olszewski Kim Joseph | Piecewise nonlinear mapper for digitals |
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 |
WO2019119442A1 (en) * | 2017-12-22 | 2019-06-27 | Telefonaktiebolaget Lm Ericsson (Publ) | A wireless communications system, a radio network node, a machine learning unt and methods therein for transmission of a downlink signal in a wireless communications network supporting beamforming |
CN109274624A (zh) * | 2018-11-07 | 2019-01-25 | 中国电子科技集团公司第三十六研究所 | 一种基于卷积神经网络的载波频偏估计方法 |
CN109672464A (zh) * | 2018-12-13 | 2019-04-23 | 西安电子科技大学 | 基于fcfnn的大规模mimo信道状态信息反馈方法 |
CN109617584A (zh) * | 2019-01-08 | 2019-04-12 | 南京邮电大学 | 一种基于深度学习的mimo系统波束成形矩阵设计方法 |
CN109921822A (zh) * | 2019-02-19 | 2019-06-21 | 哈尔滨工程大学 | 基于深度学习的非线性数字自干扰消除的方法 |
CN110535500A (zh) * | 2019-09-03 | 2019-12-03 | 电子科技大学 | 一种基于深度学习的毫米波mimo混合波束成形优化方法 |
CN110557177A (zh) * | 2019-09-05 | 2019-12-10 | 重庆邮电大学 | 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法 |
Non-Patent Citations (1)
Title |
---|
JIYUN TAO等: ""Constrained Deep Neural Network Based Hybrid Beamforming for Millimeter Wave Massive MIMO Systems"", 《 ICC 2019 - 2019 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS (ICC)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111600639A (zh) * | 2020-05-15 | 2020-08-28 | 电子科技大学 | 一种基于波束调制的毫米波物联网通信系统及方法 |
CN111600639B (zh) * | 2020-05-15 | 2022-01-11 | 电子科技大学 | 一种基于波束调制的毫米波物联网通信系统及方法 |
EP4220486A4 (en) * | 2020-10-23 | 2024-04-17 | Vivo Mobile Communication Co Ltd | METHOD FOR SENDING COMMUNICATION INFORMATION, METHOD FOR RECEIVING COMMUNICATION INFORMATION, AND COMMUNICATION DEVICE |
CN112911610A (zh) * | 2021-01-25 | 2021-06-04 | 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 |
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 |
CN113541753A (zh) * | 2021-07-20 | 2021-10-22 | 电子科技大学 | 基于复数卷积网络的混合波束成形方法 |
CN113541753B (zh) * | 2021-07-20 | 2022-04-26 | 电子科技大学 | 基于复数卷积网络的混合波束成形方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110995327B (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110995327B (zh) | 一种多载波mimo系统的混合波束成形优化方法及系统 | |
CN113906719B (zh) | 使用机器学习网络处理通信信号 | |
JP5814394B2 (ja) | 多重アンテナを用いるアップリンク信号転送方法及び装置 | |
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 | |
US20200052945A1 (en) | Method and arrangement for signal distortion mitigation | |
Zhao et al. | Partially-connected hybrid beamforming for spectral efficiency maximization via a weighted MMSE equivalence | |
CN107135024A (zh) | 一种低复杂度的混合波束赋形迭代设计方法 | |
JP4871813B2 (ja) | 無線通信装置、無線通信方法及びピーク抑圧方法 | |
KR20170008143A (ko) | 무선 통신 시스템에서 하이브리드 프리코딩을 위한 장치 및 방법 | |
CN108471325B (zh) | 一种稀疏射频/基带混合预编码方法 | |
KR20130024871A (ko) | 안테나 별 전력 제약을 가지는 다중 안테나 전송을 위한 장치 및 방법 | |
WO2022174418A1 (en) | Wireless telecommunications network | |
US11411794B2 (en) | Artificial neutral network precoding for massive MIMO systems | |
Ahmed et al. | Joint machine learning based resource allocation and hybrid beamforming design for massive MIMO systems | |
CN103929396A (zh) | Mimo-ofdm系统下行信息数据的处理方法 | |
Zhu et al. | Low-complexity hybrid precoding with dynamic beam assignment in mmWave OFDM systems | |
Morsali et al. | Generalized framework for hybrid analog/digital signal processing in massive and ultra-massive-MIMO systems | |
Zhang et al. | Peak power reduction in closed-loop MIMO-OFDM systems via mode reservation | |
Bereyhi et al. | PAPR-limited precoding in massive MIMO systems with reflect-and transmit-array antennas | |
CN113872912A (zh) | 一种mimo-ofdm系统峰均比的低复杂度降低方法 | |
CN112217579B (zh) | 一种误差矢量幅度可调的矢量信号产生及装置 | |
Cheng et al. | Optimal MIMO precoding under a constraint on the amplifier power consumption | |
Tarver et al. | Virtual DPD neural network predistortion for OFDM-based MU-massive MIMO | |
CN112312569A (zh) | 一种基于透镜阵列的预编码和波束选择矩阵联合设计方法 | |
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 |