CN111010222B - 一种基于深度学习的大规模mimo下行用户调度方法 - Google Patents

一种基于深度学习的大规模mimo下行用户调度方法 Download PDF

Info

Publication number
CN111010222B
CN111010222B CN201911107411.XA CN201911107411A CN111010222B CN 111010222 B CN111010222 B CN 111010222B CN 201911107411 A CN201911107411 A CN 201911107411A CN 111010222 B CN111010222 B CN 111010222B
Authority
CN
China
Prior art keywords
user
group
users
model
vector
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
CN201911107411.XA
Other languages
English (en)
Other versions
CN111010222A (zh
Inventor
李潇
余肖祥
金石
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201911107411.XA priority Critical patent/CN111010222B/zh
Publication of CN111010222A publication Critical patent/CN111010222A/zh
Application granted granted Critical
Publication of CN111010222B publication Critical patent/CN111010222B/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
    • H04B7/06—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于深度学习的大规模MIMO下行用户调度方法，包括：获取组用户，每组包含个用户的统计信道信息，计算各用户的波束成形指数以及信道增益；采用最大近似和速率方法对每组用户进行用户调度，产生个训练数据；构建并离线训练预测系统用户调度方案的卷积神经网络模型，使得模型预测的各用户调度概率向量接近标签，以获得模型的参数；利用待调度的系统中所有用户的统计信道信息，计算各用户的波束成形指数以及信道增益，生成模型的归一化输入矩阵；由已训练的模型在线预测各用户被调度的概率，将概率值最大的相应个用户确定为系统将要服务的用户，获得调度结果。

Description

一种基于深度学习的大规模MIMO下行用户调度方法
技术领域
本发明涉及通信技术领域，特别是涉及一种基于深度学习的大规模MIMO下行用户调度方法。
背景技术
随着移动互联网的蓬勃发展以及智能终端的迅速普及，无线通信数据量呈指数级增长，人们对无线通信系统提出更高的传输质量和系统容量要求。大规模多输入多输出(multiple-input multiple-output，MIMO)传输技术是5G通信系统中的关键技术之一。该技术用大规模天线阵列替代多天线阵列来获得更高的频谱效率和传输可靠性。然而，随着天线数的增加，基站端及时地获得完整的信道状态信息十分困难。近年来，研究人员对基于统计信道状态信息(channel state information，CSI)的下行用户传输系统开展了有效的研究，利用收发相关阵、均值信息等统计CSI设计用户的预编码向量以及解决系统用户调度问题。相对于瞬时CSI，信道的统计CSI在较长时间内是近似不变的，其精确度相对较高，需要的反馈开销较小，因此有效地解决了随天线数的增加而导致的瞬时CSI反馈开销问题。
另外，基于统计CSI的最大近似和速率调度方法是一种迭代穷举搜索算法，随着系统中用户数的增加，其计算复杂度呈指数级增长，通过传统的计算方法需要大量的计算资源和较高的计算时延。因此，需要寻找一种计算时延较低的方法解决该问题。近年来，深度学习方法由于其网络的强大表达能力和并行计算结构，在无线通信领域引起了广泛的关注。卷积神经网络是深度学习技术中的代表性网络之一，其局部视野和多核提取特征的特性在处理高维矩阵输入时减少了不必要的网络参数，相比于全连接网络大大降低了网络的复杂度。深度学习方法通过大量训练数据对模型进行离线训练得到最优模型的参数，训练完的神经网络模型能够迅速地根据输入的数据在线预测相应的调度方案，大大降低了计算延时，并且能够适应各种典型的无线通信环境以及发射天线数量的变化。
发明内容
为了解决上述存在的问题，本发明为基站使用大规模均匀线性天线阵的下行传输系统提供一种基于深度学习的用户调度方法，所提出的卷积神经网络模型能够根据系统中各用户的统计信道信息预测调度方案，以较小的计算延时获得较高的系统吞吐量。
为达此目的，本发明提出的一种基于深度学习的大规模MIMO下行用户调度方法，包括以下步骤：
步骤1、基站配置均匀线性天线阵，该天线阵包括M个水平天线阵元，相邻天线阵元间距为载波半波长的，用户配置单根接收天线，总用户数为L，基站最多能够同时服务U个用户；获取N组用户的统计信道信息，每组包含L个用户，分别计算组g,g＝1,…,N中用户i,i＝1,…,L的统计参数；利用统计信道信息计算各用户组中各用户的波束成形指数以及信道增益；
所述统计信道信息包括：用户组g中用户i信道的莱斯因子
Figure GDA0002397369030000021
视距分量
Figure GDA0002397369030000022
传输相关阵
Figure GDA0002397369030000023
其中，列向量hg,i为第g个用户组中的基站与用户i之间的信道向量，hg,i的第m个元素[hg,i]m为基站第m个天线单元与用户i之间的信道系数，
Figure GDA0002397369030000024
上标(·)H代表共轭转置，上标(·)T代表转置，E{·}代表求均值；
所述对组g中用户i计算波束成形指数以及信道增益包括以下子步骤：
a1)对组g,g＝1,…,N中用户i,i＝1,…,L，计算
Figure GDA0002397369030000025
以及
Figure GDA0002397369030000026
其中FM为M×M的DFT矩阵，FM的第m行第n列的元素为
Figure GDA0002397369030000027
a2)分别提取Ag,i和Λg,i的对角元，得到ag,i、λg,i；其中，ag,i和λg,i为M×1维的列向量，其第m个元素分别为Ag,i和Λg,i的第m个对角元；
a3)计算信道增益向量
Figure GDA0002397369030000028
a4)得到wg,i中最大元素
Figure GDA0002397369030000029
及其索引
Figure GDA00023973690300000210
则用户i的波束成形指数为
Figure GDA00023973690300000211
用户i的信道增益为wg,i的第
Figure GDA00023973690300000212
个元素
Figure GDA00023973690300000213
步骤2、对每组用户采用最大近似和速率方法进行用户调度，每组用户产生一个训练样本，共产生N个训练样本；
所述对组g中用户采用最大近似和速率方法进行用户调度按如下步骤进行：
b1)初始状态时，将调度出的服务用户集合S初始化为空集
Figure GDA0002397369030000031
其中
Figure GDA0002397369030000032
表示空集，未调度用户集合M初始化为全部用户M＝{1,2,…,L}，令l＝0；
b2)若l＜U且
Figure GDA0002397369030000033
则进入步骤b3)；否则，结束用户调度；
b3)对集合M中的用户k∈M，计算当用户k加入到服务用户集合S后的系统近似和速率，找出其中使得系统近似和速率最大的用户
Figure GDA0002397369030000034
其中，
Figure GDA0002397369030000035
P为发射功率，
Figure GDA0002397369030000036
为用户j的噪声功率；将k′其加入集合S且从M集合中删去，并令l＝l+1，进入步骤b2)；
所述组g中用户产生的训练样本包括：一个输入矩阵Xg及对应的训练标签向量yg，其中输入矩阵Xg为包含组g中各用户归一化信道增益以及所受干扰的二维矩阵
Figure GDA0002397369030000037
且
Figure GDA0002397369030000041
Figure GDA0002397369030000042
Figure GDA0002397369030000043
Figure GDA0002397369030000044
为组g中用户i信道增益向量wg,i的第
Figure GDA0002397369030000045
个元素，
Figure GDA0002397369030000046
为组g中用户j信道增益向量wg,j中最大元素所对应的索引；对应的训练标签向量
Figure GDA0002397369030000047
为组g中用户的调度方案，其中，
Figure GDA0002397369030000048
表示组g中用户k是否被服务，当
Figure GDA0002397369030000049
时表示组g中用户k未被服务，当
Figure GDA00023973690300000410
时表示组g中用户k被服务；
步骤3、构建预测系统用户调度方案的卷积神经网络模型，其输入为利用步骤2中方法生成的一组用户的输入矩阵X，输出为模型预测该组中各个用户被调度的概率向量
Figure GDA00023973690300000411
其中
Figure GDA00023973690300000412
表示该组中第i个用户被调度的概率；用步骤2所形成的训练数据对这个模型进行离线训练，使得模型预测组g,g＝1,…,N中各用户被调度的概率向量
Figure GDA00023973690300000413
逐渐接近yg，以获得模型的参数；
步骤4、利用待调度的用户组g'中所有用户的统计信道信息，按照步骤1中的相应步骤计算该组用户中各用户的wg',i、
Figure GDA00023973690300000414
以及
Figure GDA00023973690300000415
再按照步骤2中方法生成模型的输入矩阵Xg'；
步骤5、将待调度用户组的输入矩阵Xg'输入已训练的模型，由模型在线预测各用户被调度的概率向量
Figure GDA00023973690300000416
将概率值最大的相应U个用户确定为该组用户中将要服务的用户；
本发明的进一步改进，所述步骤3中预测系统用户调度方案的卷积网络模型各包含一个输入层、三十三个卷积层、三十三个批归一化层、一个平均池化层、一个全连接层以及一个输出层。
本发明的进一步改进，所述步骤3中采用交叉熵损失函数使得预测输出
Figure GDA0002397369030000051
逐渐接近yg，g＝1,…,N，所述预测系统用户调度方案的卷积神经网络模型采用的交叉熵损失函数具体为：
Figure GDA0002397369030000052
其中，N为训练集的所有样本数，
Figure GDA0002397369030000053
为第g个样本的训练标签向量yg的第l个元素，表示第g组用户中第l个用户的被调度结果，
Figure GDA0002397369030000054
为对第g个训练样本模型预测输出向量
Figure GDA0002397369030000055
的第l个元素，表示模型预测的第g组用户中第l个用户被调度的概率，ε为正则项的系数，θ为模型的权重参数；
本发明一种基于深度学习的大规模MIMO下行用户调度方法，有益效果如下：
1、本发明所需信道信息量小，适用于各种典型的无线通信环境；
2、本发明设计的卷积神经网络模型简单易训练，有较高预测准确度；
3、本发明在线预测的计算时延低，并且能够适应发射天线数量的变化。
附图说明
图1是本发明方法通过离线训练获得网络模型并利用模型在线为系统预测其用户调度方案的流程图。
图2是本发明方法设计的卷积神经网络模型结构图。
图3是本发明方法设计的卷积神经网络模型中的深度残差模块结构图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明设计了一种基于深度学习的大规模MIMO下行用户调度方法，解决传统用户调度方法计算时延较高的问题，所提出的深度学习网络模型能够根据系统中各用户的统计信道信息在线预测调度方案，以较低的计算延时获得较高的系统吞吐量。
如图1所示，本发明公开了一种基于深度学习的大规模MIMO下行用户调度方法，该方法具体包括以下步骤：
步骤1、基站配置均匀线性天线阵，该天线阵包括M个水平天线阵元，相邻天线
阵元间距为载波半波长，用户配置单根接收天线，总用户数为L，基站最多能够同时服务U个用户；首先获取N组用户的统计信道信息，每组包含L个用户，分别计算组g,g＝1,…,N中用户i,i＝1,…,L的统计参数；利用统计信道信息计算各用户组中各用户的波束成形指数以及信道增益；
所述统计信道信息包括：用户组g中用户i信道的莱斯因子
Figure GDA0002397369030000061
视距分量
Figure GDA0002397369030000062
传输相关阵
Figure GDA0002397369030000063
其中，列向量hg,i为第g个用户组中的基站与用户i之间的信道向量，hg,i的第m个元素[hg,i]m为基站第m个天线单元与用户i之间的信道系数，
Figure GDA0002397369030000064
上标(·)H代表共轭转置，上标(·)T代表转置，E{·}代表求均值；
所述对组g中用户i计算波束成形指数以及信道增益包括以下子步骤：
a1)对组g,g＝1,…,N中用户i,i＝1,…,L，计算
Figure GDA0002397369030000065
以及
Figure GDA0002397369030000066
其中FM为M×M的DFT矩阵，FM的第m行第n列的元素为
Figure GDA0002397369030000067
a2)分别提取Ag,i和Λg,i的对角元，得到ag,i、λg,i；其中，ag,i和λg,i为M×1维的列向量，其第m个元素分别为Ag,i和Λg,i的第m个对角元；
a3)计算信道增益向量
Figure GDA0002397369030000068
a4)得到wg,i中最大元素
Figure GDA0002397369030000069
及其索引
Figure GDA00023973690300000610
则用户i的波束成形指数为
Figure GDA00023973690300000611
用户i的信道增益为wg,i的第
Figure GDA00023973690300000612
个元素
Figure GDA00023973690300000613
步骤2、对每组用户采用最大近似和速率方法进行用户调度，每组用户产生一个训练样本，共产生N个训练样本；
所述对组g中用户采用最大近似和速率方法进行用户调度按如下步骤进行：
b1)初始状态时，将调度出的服务用户集合S初始化为空集
Figure GDA0002397369030000071
其中
Figure GDA0002397369030000072
表示空集，未调度用户集合M初始化为全部用户M＝{1,2,…,L}，令l＝0；
b2)若l＜U且
Figure GDA0002397369030000073
则进入步骤b3)；否则，结束用户调度；
b3)对集合M中的用户k∈M，计算当用户k加入到服务用户集合S后的系统近似和速率，找出其中使得系统近似和速率最大的用户
Figure GDA0002397369030000074
其中，
Figure GDA0002397369030000075
P为发射功率，
Figure GDA0002397369030000076
为用户j的噪声功率；将k′其加入集合S且从M集合中删去，并令l＝l+1，进入步骤b2)。
所述组g中用户产生的训练样本包括：一个输入矩阵Xg及对应的训练标签向量yg，其中输入矩阵Xg为包含组g中各用户归一化信道增益以及所受干扰的二维矩阵
Figure GDA0002397369030000077
且
Figure GDA0002397369030000078
Figure GDA0002397369030000079
Figure GDA00023973690300000710
Figure GDA00023973690300000711
为组g中用户i信道增益向量wg,i的第
Figure GDA00023973690300000712
个元素，
Figure GDA00023973690300000713
为组g中用户j信道增益向量wg,j中最大元素所对应的索引；对应的训练标签向量
Figure GDA0002397369030000081
为组g中用户的调度方案，其中，
Figure GDA0002397369030000082
表示组g中用户k是否被服务，当
Figure GDA0002397369030000083
时表示组g中用户k未被服务，当
Figure GDA0002397369030000084
时表示组g中用户k被服务；
步骤3、构建预测系统用户调度方案的卷积神经网络模型，其中，模型整体结构如图2所示，模型中包含的深度残差模块结构如图3所示，由步骤2所形成的训练数据分为训练集和验证集，对这个模型进行离线训练，设计卷积神经网络模型的损失函数为网络的预测输出
Figure GDA0002397369030000085
和标签yg的交叉熵损失函数：
Figure GDA0002397369030000086
其中，N为训练集的所有样本数，
Figure GDA0002397369030000087
为第g个样本中第l个用户的被调度结果，
Figure GDA0002397369030000088
为模型预测
Figure GDA0002397369030000089
的第l个用户的被调度概率，ε为正则项的系数，θ为模型的权重参数；本发明采用带动量的随机梯度下降优化算法，通过离线训练降低交叉熵损失函数的值，使得模型预测各用户被调度的概率向量
Figure GDA00023973690300000810
逐渐接近yg，训练过程中将根据用步骤2所形成的验证集上的准确率确定模型的最终参数；
步骤4、利用待调度的用户组g'中所有用户的统计信道信息，按照步骤1中的相应步骤计算该组用户中各用户的wg',i、
Figure GDA00023973690300000811
以及
Figure GDA00023973690300000812
再按照步骤2中方法生成模型的输入矩阵Xg'；
步骤5、将待调度用户组的输入矩阵Xg'输入已训练的模型，由模型在线预测各用户被调度的概率向量
Figure GDA00023973690300000813
将概率值最大的相应U个用户确定为该组用户中将要服务的用户；
为了验证本发明方法可降低用户调度方法的计算时延，并具有极高的预测准确度，特列举一个验证例进行说明。
本验证例是一种基于深度学习的大规模MIMO下行用户调度方法，解决传统用户调度方法计算时延高的问题，所提出的卷积神经网络模型能够根据系统中各用户的统计信道信息在线预测该系统的调度方案，以较低的计算延时获得较高的系统吞吐量。
具体包括如下步骤：
步骤1、考虑一个下行传输系统，基站配置均匀线性天线阵，该天线阵包括64个水平天线阵元，相邻天线阵元间距为载波半波长，用户配置单根接收天线，总用户数为20，基站最多能够同时服务6个用户；获取3050000组用户的统计信道信息，每组包含20个用户，分别计算组g,g＝1,…,3050000中用户i,i＝1,…,20的统计参数；利用统计信道信息计算各用户组中各用户的波束成形指数以及信道增益；
所述统计信道信息包括：用户组g中用户i信道的莱斯因子
Figure GDA0002397369030000091
视距分量
Figure GDA0002397369030000092
传输相关阵
Figure GDA0002397369030000093
其中，矩阵hg,i为第g个用户组中的基站与用户i之间的信道向量，hg,i的第m个元素[hg,i]m为基站第m个天线单元与用户i之间的信道系数，
Figure GDA0002397369030000094
上标(·)H代表共轭转置，上标(·)T代表转置，E{·}代表求均值；
所述对组g中用户i计算波束成形指数以及信道增益包括以下子步骤：
a1)对组g,g＝1,…,3050000中用户i,i＝1,…,20，计算
Figure GDA0002397369030000095
以及
Figure GDA0002397369030000096
其中FM为64×64的DFT矩阵，FM的第m行第n列的元素为
Figure GDA0002397369030000097
a2)分别提取Ag,i和Λg,i的对角元，得到ag,i、λg,i；其中，ag,i和λg,i为64×1维的列向量，其第m个元素分别为Ag,i和Λg,i的第m个对角元；
a3)计算信道增益向量
Figure GDA0002397369030000098
a4)得到wg,i中最大元素
Figure GDA0002397369030000099
及其索引
Figure GDA00023973690300000910
则用户i的波束成形指数为
Figure GDA00023973690300000911
用户i的信道增益为wg,i的第
Figure GDA00023973690300000912
个元素
Figure GDA00023973690300000913
步骤2、对每组用户采用最大近似和速率方法进行用户调度，每组用户产生一个训练样本，共产生3050000个训练样本；
所述最大近似和速率方法按如下步骤进行：
b1)初始状态时，将调度出的服务用户集合S初始化为空集
Figure GDA0002397369030000101
其中
Figure GDA0002397369030000102
表示空集，未调度用户集合M初始化为全部用户M＝{1,2,…,20}，令l＝0；
b2)若l＜6且
Figure GDA0002397369030000103
则进入步骤b3)；否则，结束用户调度；
b3)对集合M中的用户k∈M，计算当用户k加入到服务用户集合S后的系统近似和速率，找出其中使得系统近似和速率最大的用户
Figure GDA0002397369030000104
其中，
Figure GDA0002397369030000105
P为发射功率，
Figure GDA0002397369030000106
为用户j的噪声功率；将k′其加入集合S且从M集合中删去，并令l＝l+1，进入步骤b2)；
所述组g中用户产生的训练样本包括：一个输入矩阵Xg及对应的训练标签向量yg，其中输入矩阵Xg为包含组g中各用户归一化信道增益以及所受干扰的二维矩阵
Figure GDA0002397369030000107
且
Figure GDA0002397369030000111
Figure GDA0002397369030000112
Figure GDA0002397369030000113
Figure GDA0002397369030000114
为组g中用户i信道增益向量wg,i的第
Figure GDA0002397369030000115
个元素，
Figure GDA0002397369030000116
为组g中用户j信道增益向量wg,j中最大元素所对应的索引；对应的训练标签向量
Figure GDA0002397369030000117
为组g中用户的调度方案，其中，
Figure GDA0002397369030000118
表示组g中用户k是否被服务，当
Figure GDA0002397369030000119
时表示组g中用户k未被服务，当
Figure GDA00023973690300001110
时表示组g中用户k被服务。
步骤3、构建预测系统用户调度方案的卷积神经网络模型，如图2所示，模型的具体参数如下：所有卷积层采用的卷积核大小都为3×3，输入层设置为20×20的矩阵节点，第一个卷积层的步长为1，卷积核个数为16，然后通过一个批归一化层以及非线性激活函数层对初始的数据进行初步的特征提取，产生16个20×20的特征图；数据经过初步的特征提取后要经过16个深度残差模块，提取高维特征，深度残差模块的结构如图3所示，最后一个残差块输出128个5×5的高维特征图；为了减少网络的参数，通过一个平均池化层使得每张特征图输出一个特征；之后通过一个拥有128个神经元的全连接层把所有特征综合起来，激活函数为ReLU函数；最后通过一个拥有20个神经元的分类器输出预测调度方案
Figure GDA00023973690300001111
分类器的激活函数采用sigmoid函数。采用步骤2所形成的3050000个训练数据对这个模型进行离线训练，其中训练集的样本个数为N＝3000000，验证集包含50000个样本数据。设计卷积神经网络模型的损失函数为网络的预测输出
Figure GDA00023973690300001112
和标签yg的交叉熵损失函数：
Figure GDA00023973690300001113
其中，N为训练集的所有样本数，
Figure GDA00023973690300001114
为第g个样本中第l个用户的被调度结果，
Figure GDA00023973690300001115
为模型预测
Figure GDA00023973690300001116
的第l个用户的被调度概率，ε设置为0.0001，θ为模型的权重参数，动量设置为0.9，初始学习率为0.1，总共训练150个周期，每训练40个周期后学习率衰减
Figure GDA0002397369030000121
训练过程中将根据模型在验证集上的准确率确定模型的最终参数。
步骤4、利用待调度的用户组g'中所有用户的统计信道信息，按照步骤1中的相应步骤计算该组用户中各用户的wg',i、
Figure GDA0002397369030000122
以及
Figure GDA0002397369030000123
再按照步骤2中方法生成模型的输入矩阵Xg'。
步骤5、将由待调度用户组中所有用户的归一化信道增益以及所受干扰组成的输入矩阵Xg'输入步骤3中训练完保存下来的模型，由模型在线预测各用户被调度的概率向量
Figure GDA0002397369030000124
将概率值最大的6个用户确定为系统将要服务的用户；最终该模型预测的调度方案的系统遍历和速率性能最低可以达到步骤2中最大近似和速率调度方法性能的96.6％，其计算时延是传统计算方法的
Figure GDA0002397369030000125
同时利用训练完的模型可以直接在线预测基站配置不同数量传输天线的系统，并且具有较低的计算延时和较高的系统吞吐量。
综上，所提出的基于深度学习的大规模MIMO下行用户调度方法可以降低传统用户调度方法的计算时延，并具有极高的预测准确度，同时离线训练完的模型能够适应于多种信道环境以及基站天线数的变化，高效地预测系统的用户调度方案。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (3)

1.一种基于深度学习的大规模MIMO下行用户调度方法，其特征在于，包括以下步骤：
步骤1、基站配置均匀线性天线阵，该天线阵包括M个水平天线阵元，相邻天线阵元间距为载波半波长，用户配置单根接收天线，系统内总用户数为L，基站最多能够同时服务U个用户；获取N组用户的统计信道信息，每组包含L个用户，分别计算组g,g＝1,…,N中用户i,i＝1,…,L的统计参数；利用统计信道信息计算各用户组中各用户的波束成形指数以及信道增益；
所述统计信道信息包括：用户组g中用户i信道的莱斯因子
Figure FDA0002271731840000011
视距分量
Figure FDA0002271731840000012
传输相关阵
Figure FDA0002271731840000013
其中，列向量hg,i为第g个用户组中的基站与用户i之间的信道向量，hg,i的第m个元素[hg,i]m为基站第m个天线单元与用户i之间的信道系数，
Figure FDA0002271731840000014
上标(·)H代表共轭转置，上标(·)T代表转置，E{·}代表求均值；
对组g中用户i计算波束成形指数以及信道增益包括以下子步骤：
a1)对组g,g＝1,…,N中用户i,i＝1,…,L，计算
Figure FDA0002271731840000015
以及
Figure FDA0002271731840000016
其中FM为M×M的DFT矩阵，FM的第m行第n列的元素为
Figure FDA0002271731840000017
a2)分别提取Ag,i和Λg,i的对角元，得到ag,i、λg,i；其中，ag,i和λg,i为M×1维的列向量，其第m个元素分别为Ag,i和Λg,i的第m个对角元；
a3)计算信道增益向量
Figure FDA0002271731840000018
a4)得到wg,i中最大元素
Figure FDA0002271731840000019
及其索引
Figure FDA00022717318400000110
则用户i的波束成形指数为
Figure FDA00022717318400000111
用户i的信道增益为wg,i的第
Figure FDA00022717318400000112
个元素
Figure FDA00022717318400000113
步骤2、对每组用户采用最大近似和速率方法进行用户调度，每组用户产生一个训练样本，共产生N个训练样本；
所述对组g中用户采用最大近似和速率方法进行用户调度按如下步骤进行：
b1)初始状态时，将调度出的服务用户集合S初始化为空集
Figure FDA0002271731840000021
其中
Figure FDA0002271731840000022
表示空集，未调度用户集合M初始化为全部用户M＝{1,2,…,L}，令l＝0；
b2)若l＜U且
Figure FDA0002271731840000023
则进入步骤b3)；否则，结束用户调度；
b3)对集合M中的用户k∈M，计算当用户k加入到服务用户集合S后的系统近似和速率，找出其中使得系统近似和速率最大的用户
Figure FDA0002271731840000024
其中，
Figure FDA0002271731840000025
P为发射功率，
Figure FDA0002271731840000026
为用户j的噪声功率；将k′加入集合S且从M集合中删去，并令l＝l+1，进入步骤b2)；
所述组g中用户产生的训练样本包括：一个输入矩阵Xg及对应的训练标签向量yg，其中输入矩阵Xg为包含组g中各用户归一化信道增益以及所受干扰的二维矩阵
Figure FDA0002271731840000027
且
Figure FDA0002271731840000028
Figure FDA0002271731840000029
Figure FDA00022717318400000210
Figure FDA00022717318400000211
为组g中用户i信道增益向量wg,i的第
Figure FDA00022717318400000212
个元素，
Figure FDA00022717318400000213
为组g中用户j信道增益向量wg,j中最大元素所对应的索引；对应的训练标签向量
Figure FDA0002271731840000031
为组g中用户的调度方案，其中，
Figure FDA0002271731840000032
表示组g中用户k是否被服务，当
Figure FDA0002271731840000033
时表示组g中用户k未被服务，当
Figure FDA0002271731840000034
时表示组g中用户k被服务；
步骤3、构建预测系统用户调度方案的卷积神经网络模型，其输入为利用步骤2中方法生成的一组用户的输入矩阵X，输出为模型预测该组中各个用户被调度的概率向量
Figure FDA0002271731840000035
其中
Figure FDA0002271731840000036
表示该组中第i个用户被调度的概率；用步骤2所形成的训练数据对这个模型进行离线训练，使得模型预测组g,g＝1,…,N中各用户被调度的概率向量
Figure FDA0002271731840000037
逐渐接近yg，以获得模型的参数；
步骤4、利用待调度的用户组g'中所有用户的统计信道信息，按照步骤1中的相应步骤计算该组用户中各用户的wg',i、
Figure FDA0002271731840000038
以及
Figure FDA0002271731840000039
再按照步骤2中方法生成模型的输入矩阵Xg'；
步骤5、将待调度用户组的输入矩阵Xg'输入已训练的模型，由模型在线预测各用户被调度的概率向量
Figure FDA00022717318400000310
将概率值最大的相应U个用户确定为该组用户中将要服务的用户。
2.根据权利要求1所述基于深度学习的大规模MIMO下行用户调度方法，其特征在于：所述步骤3中预测系统用户调度方案的卷积神经网络模型各包含一个输入层、三十三个卷积层、三十三个批归一化层、一个平均池化层、一个全连接层以及一个输出层。
3.根据权利要求1所述基于深度学习的大规模MIMO下行用户调度方法，其特征在于：所述步骤3中采用交叉熵损失函数使得预测输出
Figure FDA00022717318400000311
逐渐接近yg，g＝1,…,N，所述预测系统用户调度方案的卷积神经网络模型采用的交叉熵损失函数具体为：
Figure FDA00022717318400000312
其中，N为训练集的所有样本数，
Figure FDA00022717318400000313
为第g个样本的训练标签向量yg的第l个元素，表示第g组用户中第l个用户的被调度结果，
Figure FDA00022717318400000314
为对第g个训练样本模型预测输出向量
Figure FDA0002271731840000041
的第l个元素，表示模型预测的第g组用户中第l个用户被调度的概率，ε为正则项的系数，θ为模型的权重参数。
CN201911107411.XA 2019-11-13 2019-11-13 一种基于深度学习的大规模mimo下行用户调度方法 Active CN111010222B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911107411.XA CN111010222B (zh) 2019-11-13 2019-11-13 一种基于深度学习的大规模mimo下行用户调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911107411.XA CN111010222B (zh) 2019-11-13 2019-11-13 一种基于深度学习的大规模mimo下行用户调度方法

Publications (2)

Publication Number Publication Date
CN111010222A CN111010222A (zh) 2020-04-14
CN111010222B true CN111010222B (zh) 2022-05-13

Family

ID=70113242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911107411.XA Active CN111010222B (zh) 2019-11-13 2019-11-13 一种基于深度学习的大规模mimo下行用户调度方法

Country Status (1)

Country Link
CN (1) CN111010222B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113162712B (zh) * 2021-01-26 2022-08-16 北京交通大学 一种基于传播图理论的多波束信道建模方法
CN113193896B (zh) * 2021-04-23 2022-12-09 西安交通大学 一种最大化两接收端和速率的波束成形神经网络决策方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9705579B2 (en) * 2014-06-06 2017-07-11 Ntt Docomo, Inc. Transceivers and methods for use in transmitting information in a massive MIMO system
CN108990167B (zh) * 2018-07-11 2021-09-07 东南大学 一种机器学习辅助的大规模mimo下行用户调度方法
CN109347528B (zh) * 2018-11-08 2021-05-04 东南大学 3d-mimo下行多用户调度及自适应传输方法
CN109560846B (zh) * 2019-01-04 2021-03-23 东南大学 一种基于模型驱动深度学习的三维预编码方法
CN109617584B (zh) * 2019-01-08 2021-12-21 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

Also Published As

Publication number Publication date
CN111010222A (zh) 2020-04-14

Similar Documents

Publication Publication Date Title
Xia et al. A deep learning framework for optimization of MISO downlink beamforming
CN111010222B (zh) 一种基于深度学习的大规模mimo下行用户调度方法
CN109617584B (zh) 一种基于深度学习的mimo系统波束成形矩阵设计方法
CN111181612B (zh) 一种大规模mimo系统的协作波束赋型方法
CN112153616B (zh) 一种基于深度学习的毫米波通信系统中的功率控制方法
CN108462517A (zh) 一种基于机器学习的mimo链路自适应传输方法
CN110336594B (zh) 一种基于共轭梯度下降法的深度学习信号检测方法
CN107332598A (zh) 一种基于深度学习的mimo系统联合预编码和天线选择方法
CN113965233B (zh) 一种基于深度学习的多用户宽带毫米波通信资源分配方法
CN109474388B (zh) 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法
CN112235023B (zh) 一种基于模型驱动深度学习的mimo-scfde自适应传输方法
CN113452642B (zh) 一种可重构智能表面增强的siso-ofdm下行传输方法
CN114422059B (zh) 信道预测方法、装置、电子设备及存储介质
Yu et al. Deep learning based user scheduling for massive MIMO downlink system
CN113872655B (zh) 一种多播波束赋形快速计算方法
CN112865841B (zh) 基于残差dnn的1-比特大规模mimo信道估计方法
Le-Tran et al. Deep learning-based collaborative constellation design for visible light communication
Wu et al. Compressed CSI feedback with learned measurement matrix for mmWave massive MIMO
Thuc et al. A metaheuristics-based hyperparameter optimization approach to beamforming design
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
CN112153617A (zh) 一种基于集成神经网络的终端设备传输功率的控制方法
CN114337883A (zh) 协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统
CN115604824A (zh) 一种用户调度方法及系统
Wang et al. A deep learning‐based low complexity approach for joint transceiver beamforming
Wu et al. Resource Allocation for URLLC with Parameter Generation Network

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