CN111092641B - 基于毫米波mimo系统深度学习的混合预编码设计方法 - Google Patents

基于毫米波mimo系统深度学习的混合预编码设计方法 Download PDF

Info

Publication number
CN111092641B
CN111092641B CN201911310836.0A CN201911310836A CN111092641B CN 111092641 B CN111092641 B CN 111092641B CN 201911310836 A CN201911310836 A CN 201911310836A CN 111092641 B CN111092641 B CN 111092641B
Authority
CN
China
Prior art keywords
precoding
analog
combiner
optimal
codebook
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
CN201911310836.0A
Other languages
English (en)
Other versions
CN111092641A (zh
Inventor
景小荣
孙宗霸
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.)
Yida Manufacturing Technology Beijing Co ltd
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201911310836.0A priority Critical patent/CN111092641B/zh
Publication of CN111092641A publication Critical patent/CN111092641A/zh
Application granted granted Critical
Publication of CN111092641B publication Critical patent/CN111092641B/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
    • H04B7/0413—MIMO systems
    • H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
    • 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

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)
  • Radio Transmission System (AREA)

Abstract

本发明涉及一种基于毫米波MIMO系统深度学习的混合预编码设计方法，属于通信技术领域。首先设计训练样本，在一次信道实现过程中，暂时解耦联合收发机的优化问题，重点研究混合预编码的设计，从码本中选择使得系统频谱效率最大的模拟预编码与数字预编码对作为最优的混合预编码矩阵。本发明将次信道实现作为神经网络的训练样本，每次信道实现得到的模拟预编码与模拟组合器的索引值作为标签，设计神经网络框架并训练，线下对于任何信道实现的输入，输出得到最优的模拟预编码与模拟组合器。本发明利用深度学习方法，突破了传统预编码复杂的联合优化与非凸限制，既能得到较优的频谱效率，又能显著降低其复杂度。

Description

基于毫米波MIMO系统深度学习的混合预编码设计方法
技术领域
本发明属于通信技术领域，涉及基于毫米波MIMO系统深度学习的混合预编码设计方法。
背景技术
随着无线设备的快速发展，人工智能、虚拟现实、大数据分析、增强现实等诸多新兴应用进入我们的生活，同时，无线网络中相应的数据流量也呈指数级增长。为了满足未来的流量需求，学术界和工业界致力于开发下一代无线局域网(WLAN)和移动蜂窝通信。而毫米波(mmWave)其频谱从30GHz到300GHz，可以解决当前移动系统带宽不足的问题。但是由于大气吸收、降雨衰减和低穿透率，使得mmWave频段的传输损耗远高于常规频段，有趣的是，由于mmWave的波长较短，所以在相同的物理尺寸中封装大量的天线。大型天线阵列可以提供波束形成增益，克服传输损耗，合成高定向波束。它还可以同时传输多个数据流，从而显著提高频谱效率。然而传统的全数字预编码要求每个天线连接一个射频链，使得系统的成本和能耗显著增大，针对这一问题，混合预编码技术在减少系统能耗，提高系统性能方面得到了广泛的关注。
与传统的全数字预编码设计相比，在混合预编码问题中，除了四个波束形成变量的联合优化困难外，移相器对模拟波束形成器的恒模约束也使得该问题具有非凸性，难以求解。现有的大多数工作都是先将原问题解耦为混合预编码和组合子问题，然后重点解决子问题的常模约束，从而克服了这一困难。目前一种有效且广泛使用的方法是将混合预编码设计视为矩阵分解问题，并最小化混合预编码与全数字预编码之间的欧氏距离。为了解决这一矩阵分解问题，OmarElAyach等人利用了毫米波传播信道的空间结构，提出了基于正交匹配追踪(OMP)的空间稀疏预编码和组合算法。Yu等人提出了一种基于流形优化(MO)的混合预编码算法，以及一些低复杂度的算法。除了矩阵分解方法外，混合预编码设计的另一个思路是直接处理原始问题，首先根据原始目标推导出数字波束形成器的封闭形式解，然后对具有定模约束的模拟波束形成器进行迭代求解。
另一方面，近年来在智能通信领域的研究表明，基于数据的深度学习(DL)方法在解决传统的挑战性问题方面具有巨大的潜力。它是一种处理爆炸性数据和处理复杂非线性问题的非凡技术。实践证明，深度学习是解决复杂非凸问题和高计算量问题的一种优秀工具。一些学者研究了以往将深度学习引入通信的工作，包括波束选择、异构网络、非正交多址访问(NOMA)、大规模MIMO和异构网络等。此外，基于深度学习的通信方案取得了很大的进展。综上所述，为了降低系统复杂度及提高系统性能，本发明提出了毫米波大规模MIMO系统中基于深度学习的混合预编码设计方案。
发明内容
有鉴于此，本发明的目的在于提供一种基于毫米波MIMO系统深度学习的混合预编码设计方法。
为达到上述目的，本发明提供如下技术方案：
基于毫米波MIMO系统深度学习的混合预编码设计方法，该方法包括以下步骤：
步骤一：首先将发射端与接收端分离设计，对于从码本
Figure BDA0002324481300000021
中任意选择的模拟预编码FRF，
Figure BDA0002324481300000022
为模拟预编码的码本集，通过最大化毫米波信道上的高斯信号实现的互信息，得到其对应的数字预编码FBB，选择使得互信息最大的模拟预编码
Figure BDA0002324481300000023
与数字预编码
Figure BDA0002324481300000024
作为最优混合预编码，其中*表示最优，RF表示模拟，BB表示基带数字，
Figure BDA0002324481300000025
分别表示模拟预编码与数字预编码的最优值；
步骤二：由步骤一得
Figure BDA0002324481300000026
和
Figure BDA0002324481300000027
对于从码本
Figure BDA0002324481300000028
中任意选择的模拟组合器WRF，
Figure BDA0002324481300000029
为模拟组合器的码本集，通过最大化系统频谱效率得到其对应的数字组合器WBB，选择使得系统频谱效率最大的WRF作为最优模拟组合器
Figure BDA00023244813000000210
Figure BDA00023244813000000211
表示模拟组合器的最优值；
步骤三：构建神经网络框架，分别训练模拟预编码神经网络和模拟组合神经网络；两个网络的输入分别为
Figure BDA00023244813000000212
HM表示M次信道实现，
Figure BDA00023244813000000213
和
Figure BDA00023244813000000214
分别代表步骤一、步骤二中M次信道实现从模拟预编码的码本集
Figure BDA00023244813000000215
和模拟组合器的码本集
Figure BDA00023244813000000216
中选择的
Figure BDA00023244813000000217
的索引值集合；
步骤四：根据不同的输入信道条件，输出得到最优的模拟预编码
Figure BDA00023244813000000218
和模拟组合器
Figure BDA00023244813000000219
通过步骤一和步骤二计算得到基带数字预编码
Figure BDA00023244813000000220
与组合器
Figure BDA00023244813000000221
可选的，所述步骤一中，将发射端与接收端分离并设计模拟预编码FRF和数字预编码FBB的原理如下：
假设接收器基于接收信号执行最佳解码，通过最大化毫米波信道上的高斯信号实现的互信息来设计FRF，FBB：
Figure BDA0002324481300000031
Figure BDA0002324481300000032
其中
Figure BDA0002324481300000033
为Frobenius范数的平方，对于任何从码本
Figure BDA0002324481300000034
中选择的模拟预编码FRF，其最优基带数字预编码FBB为：
Figure BDA0002324481300000035
其中上角标
Figure BDA0002324481300000036
表示求
Figure BDA0002324481300000037
次幂，V表示
Figure BDA0002324481300000038
的右奇异值矢量的前Ns列，Ns为数据流数量，P为对角矩阵，对角元素值为注水功率控制解；当FBB已知时，优化目标写为：
Figure BDA0002324481300000039
Figure BDA00023244813000000310
FRF的设计为从码本
Figure BDA00023244813000000311
中选择使得上式取得最大时的模拟预编码器
Figure BDA00023244813000000312
可选的，所述步骤二中，模拟组合器WRF和数字组合器WBB的设计原理如下：
由步骤一设计确定了
Figure BDA00023244813000000313
所以只需要设计WRF WBB以最大化系统的频谱效率，因此优化目标写为：
Figure BDA00023244813000000314
Figure BDA00023244813000000315
其中H1＝HFRF FBB，
Figure BDA00023244813000000316
为组合后噪声的协方差矩阵，
Figure BDA00023244813000000317
为噪声功率，对大规模天线阵列，当天线数量很多时，满足
Figure BDA00023244813000000318
符号∝表示
Figure BDA00023244813000000319
与I成正比，I为单位阵，假设
Figure BDA00023244813000000320
符号≈表示约等于，得到
Figure BDA00023244813000000321
所以优化目标改写为：
Figure BDA00023244813000000322
Figure BDA00023244813000000323
对于任何从码本
Figure BDA0002324481300000041
中选择的模拟预编码WRF，其最优基带数字预编码WBB为：
Figure BDA0002324481300000042
V1为
Figure BDA0002324481300000043
奇异值分解的右奇异值矩阵；因此，WRF的设计问题转化为：
Figure BDA0002324481300000044
Figure BDA0002324481300000045
WRF的设计为从码本
Figure BDA0002324481300000046
中选择使得上式取得最大时的模拟组合器
Figure BDA0002324481300000047
可选的，所述步骤三中，深度学习神经网络框架如图2所示，网络框架包含3个卷积(Convolutions)层，3个全连接(Fully Connected)层，3个最大池化(Max Pooling)层，1个逻辑回归(softmax)层，每个卷积层后面都有激活函数(ReLU)层，网络的输入为
Figure BDA0002324481300000048
Figure BDA0002324481300000049
将信道矩阵H分为实数部分Re{[H]i,j}和虚数部分Im{[H]i,j}，Re{·}、Im{·}分别表示对信道矩阵H取实部和虚部；网络的输出为模拟预编码矩阵FRF或模拟组合器矩阵WRF，因为FRF、WRF是从预定义的码本
Figure BDA00023244813000000410
中选择，因此将FRF、WRF的选择表述为从码本中选择最优索引值的多标签分类问题，对每个样本H，使用获得最大频谱效率的模拟预编码矩阵作为标准，然后选择模拟预编码的索引值作为每个样本的标签值；使用交叉熵作为多标签分类问题的损失函数，训练神经网络。
可选的，所述步骤四中，对于新的信道H，用训练好的网络预测输出得到最优的模拟预编码
Figure BDA00023244813000000411
和模拟组合器
Figure BDA00023244813000000412
其最优数字预编码与数字组合器由步骤二和步骤三的计算公式得到。
本发明的有益效果在于：
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为毫米波大规模MIMO系统模型示意图；
图2为提出的基于深度学习的神经网络具体结构框图；
图3为本发明提供的基于深度学习的混合预编码总体流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明的系统环境为单用户毫米波大规模MIMO系统模型，如图1所示，基站端有Nt根发射天线，
Figure BDA0002324481300000051
根RF链，用户端有Nr根接收天线，
Figure BDA0002324481300000052
根RF链，传输NS数据流，且满足
Figure BDA0002324481300000053
传输的符号由
Figure BDA0002324481300000054
数字预编码器FBB处理，并通过
Figure BDA0002324481300000055
根RF链上变频到RF域。然后，通过
Figure BDA0002324481300000056
模拟预编码器FRF对信号进行预编码。则传输信号为x＝FRFFBB s，其中s为Ns×1符号向量，且满足
Figure BDA0002324481300000057
Figure BDA0002324481300000058
表示求期望，FRF由模拟移相器实现，满足
Figure BDA0002324481300000059
且满足总功率约束
Figure BDA00023244813000000510
接收端运用
Figure BDA00023244813000000511
射频链和模拟移相器来获取处理后的接收信号
Figure BDA00023244813000000512
其中WRF为
Figure BDA00023244813000000513
模拟组合矩阵，WBB为
Figure BDA00023244813000000514
基带组合矩阵。WRF是使用移相器实现的，因此也满足
Figure BDA00023244813000000515
所以系统频谱效率为
Figure BDA0002324481300000061
Figure BDA0002324481300000062
为组合后的噪声协方差矩阵。
对于单用户mmWave MIMO系统，我们的目标是联合设计混合预编码器和组合器，以最大限度地提高频谱效率。
对于四变量求解，相应的问题可以写成
Figure BDA0002324481300000063
Figure BDA0002324481300000064
在mmWave系统中，由于mmWave波段的高路径损耗和密集的天线阵列，导致了有限的散射和较高的天线相关系数。因此采用基于扩展的Saleh-Valenzuela模型对毫米波大规模MIMO信道进行建模，使其能够准确的描述毫米波信道存在的数学结构。
Figure BDA0002324481300000065
其中αi,l表示第i个散射簇中，第l条路径的复增益，服从复高斯分布
Figure BDA0002324481300000066
Figure BDA0002324481300000067
代表第i个簇的平均功率，且满足
Figure BDA0002324481300000068
为归一化因子，
Figure BDA0002324481300000069
Figure BDA00023244813000000610
和
Figure BDA00023244813000000611
分别表示方位角的到达角和离开角，矢量
Figure BDA00023244813000000612
和
Figure BDA00023244813000000613
分别表示在方位角
Figure BDA00023244813000000614
和
Figure BDA00023244813000000615
处的接收和发射阵列响应矢量。当天线阵列采用均匀线性阵时，阵列响应矢量
Figure BDA00023244813000000616
和
Figure BDA00023244813000000617
可写成如下形式：
Figure BDA00023244813000000618
其中k＝2π/λ，λ是波长，
Figure BDA00023244813000000619
为天线间间距。
基于以上系统并结合图1，对本发明提供的基于深度学习的混合预编码步骤进行一一说明。
(1).发射端混合预编码的设计
假设接收器可以基于接收信号执行最佳解码，通过最大化毫米波信道上的高斯信号实现的互信息来设计FRF，FBB：
Figure BDA0002324481300000071
Figure BDA0002324481300000072
其中
Figure BDA0002324481300000073
为Frobenius范数的平方，对于任何从码本
Figure BDA0002324481300000074
中选择的模拟预编码FRF，其最优基带数字预编码FBB为：
Figure BDA0002324481300000075
其中上角标
Figure BDA0002324481300000076
表示求
Figure BDA0002324481300000077
次幂，V表示
Figure BDA0002324481300000078
的右奇异值矢量的前Ns列，Ns为数据流数量，P为对角矩阵，对角元素值为注水功率控制解。当FBB已知时，优化目标可以写为：
Figure BDA0002324481300000079
Figure BDA00023244813000000710
FRF的设计为从码本
Figure BDA00023244813000000711
中选择使得上式取得最大时的模拟预编码器
Figure BDA00023244813000000712
(2).接收端混合组合器的设计
由步骤一设计确定了
Figure BDA00023244813000000713
所以只需要设计WRF WBB以最大化系统的频谱效率，因此优化目标可以写为：
Figure BDA00023244813000000714
Figure BDA00023244813000000715
其中H1＝HFRF FBB，
Figure BDA00023244813000000716
为组合后噪声的协方差矩阵，
Figure BDA00023244813000000717
为噪声功率，对大规模天线阵列，当天线数量很多时，满足
Figure BDA00023244813000000718
符号∝表示
Figure BDA00023244813000000719
与I成正比，I为单位阵，假设
Figure BDA00023244813000000720
符号≈表示约等于，可以得到
Figure BDA00023244813000000721
所以优化目标改写为：
Figure BDA00023244813000000722
Figure BDA00023244813000000723
对于任何从码本
Figure BDA0002324481300000081
中选择的模拟预编码WRF，其最优基带数字预编码WBB为：
Figure BDA0002324481300000082
V1为
Figure BDA0002324481300000083
奇异值分解的右奇异值矩阵。因此，WRF的设计问题转化为：
Figure BDA0002324481300000084
Figure BDA0002324481300000085
WRF的设计为从码本
Figure BDA0002324481300000086
中选择使得上式取得最大时的模拟组合器
Figure BDA0002324481300000087
(3).预编码与组合器神经网络的搭建
构建如图2所示深度学习神经网络框架，网络框架包含3个卷积(Convolutions)层，3个全连接(Fully Connected)层，3个最大池化(Max Pooling)层，1个逻辑回归(softmax)层，每个卷积层后面都有激活函数(ReLU)层，网络的输入为
Figure BDA0002324481300000088
将信道矩阵H分为实数部分Re{[H]i,j}和虚数部分Im{[H]i,j}，Re{·}、Im{·}分别表示对信道矩阵H取实部和虚部；网络的输出为模拟预编码矩阵FRF或模拟组合器矩阵WRF，因为FRF、WRF是从预定义的码本
Figure BDA0002324481300000089
中选择，因此将FRF、WRF的选择表述为从码本中选择最优索引值的多标签分类问题，对每个样本H，使用获得最大频谱效率的模拟预编码矩阵作为标准，然后选择模拟预编码的索引值作为每个样本的标签值。使用交叉熵作为多标签分类问题的损失函数，训练神经网络。对于新的信道H，用训练好的网络预测输出得到最优的模拟预编码
Figure BDA00023244813000000810
和模拟组合器
Figure BDA00023244813000000811
其最优数字预编码与数字组合器由步骤二和步骤三的计算公式得到。
图3为本发明提供的基于深度学习的混合预编码总体流程图。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.基于毫米波MIMO系统深度学习的混合预编码设计方法，其特征在于：该方法包括以下步骤：
步骤一：首先将发射端与接收端分离设计，对于从码本
Figure FDA0003367113290000011
中任意选择的模拟预编码FRF，
Figure FDA0003367113290000012
为模拟预编码的码本集，通过最大化毫米波信道上的高斯信号实现的互信息，得到其对应的数字预编码FBB，选择使得互信息最大的模拟预编码
Figure FDA0003367113290000013
与数字预编码
Figure FDA0003367113290000014
作为最优混合预编码，其中*表示最优，RF表示模拟，BB表示基带数字，
Figure FDA0003367113290000015
分别表示模拟预编码与数字预编码的最优值；
步骤二：由步骤一得
Figure FDA0003367113290000016
和
Figure FDA0003367113290000017
对于从码本
Figure FDA0003367113290000018
中任意选择的模拟组合器WRF，
Figure FDA0003367113290000019
为模拟组合器的码本集，通过最大化系统频谱效率得到其对应的数字组合器WBB，选择使得系统频谱效率最大的WRF作为最优模拟组合器
Figure FDA00033671132900000110
Figure FDA00033671132900000111
表示模拟组合器的最优值；
步骤三：构建神经网络框架，分别训练模拟预编码神经网络和模拟组合神经网络；两个网络的输入分别为
Figure FDA00033671132900000112
HM表示M次信道实现，
Figure FDA00033671132900000113
和
Figure FDA00033671132900000114
分别代表步骤一、步骤二中M次信道实现从模拟预编码的码本集
Figure FDA00033671132900000115
和模拟组合器的码本集
Figure FDA00033671132900000116
中选择的
Figure FDA00033671132900000117
的索引值集合；
步骤四：根据不同的输入信道条件，输出得到最优的模拟预编码
Figure FDA00033671132900000118
和模拟组合器
Figure FDA00033671132900000119
通过步骤一和步骤二计算得到基带数字预编码
Figure FDA00033671132900000120
与组合器
Figure FDA00033671132900000121
2.根据权利要求1所述的基于毫米波MIMO系统深度学习的混合预编码设计方法，其特征在于：所述步骤一中，将发射端与接收端分离并设计模拟预编码FRF和数字预编码FBB的原理如下：
假设接收器基于接收信号执行最佳解码，通过最大化毫米波信道上的高斯信号实现的互信息来设计FRF，FBB：
Figure FDA00033671132900000122
Figure FDA00033671132900000123
其中
Figure FDA00033671132900000124
为Frobenius范数的平方，对于任何从码本
Figure FDA00033671132900000125
中选择的模拟预编码FRF，其最优基带数字预编码FBB为：
Figure FDA00033671132900000126
其中上角标
Figure FDA0003367113290000021
表示求
Figure FDA0003367113290000022
次幂，V表示
Figure FDA0003367113290000023
的右奇异值矢量的前Ns列，Ns为数据流数量，P为对角矩阵，对角元素值为注水功率控制解；当FBB已知时，优化目标写为：
Figure FDA0003367113290000024
Figure FDA0003367113290000025
FRF的设计为从码本
Figure FDA0003367113290000026
中选择使得上式取得最大时的模拟预编码器
Figure FDA0003367113290000027
3.根据权利要求2所述的基于毫米波MIMO系统深度学习的混合预编码设计方法，其特征在于：所述步骤二中，模拟组合器WRF和数字组合器WBB的设计原理如下：
由步骤一设计确定了
Figure FDA0003367113290000028
所以只需要设计WRF WBB以最大化系统的频谱效率，因此优化目标写为：
Figure FDA0003367113290000029
Figure FDA00033671132900000210
其中H1＝HFRF FBB，
Figure FDA00033671132900000211
为组合后噪声的协方差矩阵，
Figure FDA00033671132900000212
为噪声功率，对大规模天线阵列，当天线数量很多时，满足
Figure FDA00033671132900000213
符号∝表示
Figure FDA00033671132900000214
与I成正比，I为单位阵，假设
Figure FDA00033671132900000215
符号≈表示约等于，得到
Figure FDA00033671132900000216
所以优化目标改写为：
Figure FDA00033671132900000217
Figure FDA00033671132900000218
对于任何从码本
Figure FDA00033671132900000219
中选择的模拟预编码WRF，其最优基带数字预编码WBB为：
Figure FDA00033671132900000220
V1为
Figure FDA00033671132900000221
奇异值分解的右奇异值矩阵；WRF的设计问题转化为：
Figure FDA00033671132900000222
Figure FDA00033671132900000223
WRF的设计为从码本
Figure FDA00033671132900000224
中选择使得上式取得最大时的模拟组合器
Figure FDA00033671132900000225
4.根据权利要求3所述的基于毫米波MIMO系统深度学习的混合预编码设计方法，其特征在于：所述步骤三中，深度学习神经网络框架包含3个卷积层，3个全连接层，3个最大池化层，1个逻辑回归层，每个卷积层后面都有激活函数层，网络的输入为
Figure FDA0003367113290000031
Figure FDA0003367113290000032
将信道矩阵H分为实数部分Re{[H]i,j}和虚数部分Im{[H]i,j}，Re{·}、Im{·}分别表示对信道矩阵H取实部和虚部；网络的输出为模拟预编码矩阵FRF或模拟组合器矩阵WRF，FRF、WRF是从预定义的码本
Figure FDA0003367113290000033
中选择，将FRF、WRF的选择表述为从码本中选择最优索引值的多标签分类问题，对每个样本H，使用获得最大频谱效率的模拟预编码矩阵作为标准，然后选择模拟预编码的索引值作为每个样本的标签值；使用交叉熵作为多标签分类问题的损失函数，训练神经网络。
5.根据权利要求4所述的基于毫米波MIMO系统深度学习的混合预编码设计方法，其特征在于：所述步骤四中，对于新的信道H，用训练好的网络预测输出得到最优的模拟预编码
Figure FDA0003367113290000034
和模拟组合器
Figure FDA0003367113290000035
其最优数字预编码与数字组合器由步骤二和步骤三的计算公式得到。
CN201911310836.0A 2019-12-18 2019-12-18 基于毫米波mimo系统深度学习的混合预编码设计方法 Active CN111092641B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911310836.0A CN111092641B (zh) 2019-12-18 2019-12-18 基于毫米波mimo系统深度学习的混合预编码设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911310836.0A CN111092641B (zh) 2019-12-18 2019-12-18 基于毫米波mimo系统深度学习的混合预编码设计方法

Publications (2)

Publication Number Publication Date
CN111092641A CN111092641A (zh) 2020-05-01
CN111092641B true CN111092641B (zh) 2022-02-22

Family

ID=70396435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911310836.0A Active CN111092641B (zh) 2019-12-18 2019-12-18 基于毫米波mimo系统深度学习的混合预编码设计方法

Country Status (1)

Country Link
CN (1) CN111092641B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112054826B (zh) * 2020-09-14 2021-09-07 长沙理工大学 一种基于中间信道的单用户低复杂度混合预编码方法
CN112448742A (zh) * 2020-09-28 2021-03-05 上海电机学院 一种非均匀量化下基于卷积神经网络的混合预编码方法
CN112398513A (zh) * 2020-11-09 2021-02-23 杭州电子科技大学 一种massive MIMO系统的波束赋形方法
CN112803976B (zh) * 2020-12-24 2022-07-08 浙江香农通信科技有限公司 大规模mimo预编码方法、系统以及电子设备
CN112910520A (zh) * 2021-02-03 2021-06-04 广州市埃特斯通讯设备有限公司 一种基于卷积神经网络的mimo系统波束训练方法
CN113162665B (zh) * 2021-04-02 2022-05-06 中国电子科技集团公司第五十四研究所 一种基于深度学习信道预测的预编码方法
CN113162666B (zh) * 2021-04-19 2022-04-26 北京科技大学 一种面向智慧钢铁的大规模mimo混合预编码方法及装置
CN113162667B (zh) * 2021-04-28 2022-08-23 中山大学 混合预编码方法、系统、介质及通信设备
CN113242068B (zh) * 2021-05-10 2022-04-01 东南大学 一种基于深度强化学习的智能通信波束碰撞避免方法
CN113242069B (zh) * 2021-05-10 2022-06-17 东南大学 一种基于神经网络的码本设计方法
CN113411117A (zh) * 2021-05-17 2021-09-17 上海电机学院 一种无人机巡检的链路通信方法和系统
CN113300746B (zh) * 2021-05-24 2022-04-15 内蒙古大学 毫米波mimo天线与混合波束成形优化方法及系统
CN115956344A (zh) * 2021-06-15 2023-04-11 北京小米移动软件有限公司 预编码矩阵确定方法、装置、用户设备、基站及存储介质
CN114448478B (zh) * 2022-02-25 2023-06-09 北京京东方传感技术有限公司 信号传输方法、装置、电子设备及存储介质
CN114499605B (zh) * 2022-02-25 2023-07-04 北京京东方传感技术有限公司 信号传输方法、装置、电子设备、存储介质
CN114844541B (zh) * 2022-04-22 2023-04-07 南通大学 一种基于深度学习的混合预编码和反馈方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107332598A (zh) * 2017-06-26 2017-11-07 浙江理工大学 一种基于深度学习的mimo系统联合预编码和天线选择方法
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
CN110166391A (zh) * 2019-06-13 2019-08-23 电子科技大学 脉冲噪声下基于深度学习的基带预编码msk信号解调方法
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283571A (zh) * 2017-06-19 2021-08-20 弗吉尼亚科技知识产权有限公司 使用多天线收发器无线传输的信息的编码和解码

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107332598A (zh) * 2017-06-26 2017-11-07 浙江理工大学 一种基于深度学习的mimo系统联合预编码和天线选择方法
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
CN110166391A (zh) * 2019-06-13 2019-08-23 电子科技大学 脉冲噪声下基于深度学习的基带预编码msk信号解调方法
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 (4)

* Cited by examiner, † Cited by third party
Title
Hongji Huang ; Yiwei Song ; Jie Yang ; Guan Gui ; Fumiyuki Adachi.Deep-Learning-Based Millimeter-Wave Massive MIMO for Hybrid Precoding.《IEEE Transactions on Vehicular Technology ( Volume: 68, Issue: 3, March 2019)》.2019, *
Xiaorong Jing ; Lianghong Li ; Hongqing Liu ; Shaoqian Li.Dynamically Connected Hybrid Precoding Scheme for Millimeter-Wave Massive MIMO Systems.《 IEEE Communications Letters ( Volume: 22, Issue: 12, Dec. 2018)》.2018, *
基于字典学习的毫米波大规模MIMO系统混合预编码;查培，景小荣;《电讯技术》;20170818;全文 *
毫米波大规模MIMO系统中低复杂度混合预编码方法;向建伟，于秀兰，景小荣;《电信科学》;20161021;全文 *

Also Published As

Publication number Publication date
CN111092641A (zh) 2020-05-01

Similar Documents

Publication Publication Date Title
CN111092641B (zh) 基于毫米波mimo系统深度学习的混合预编码设计方法
CN111294095B (zh) 基于统计csi的irs辅助大规模mimo无线传输方法
Alkhateeb et al. Deep learning coordinated beamforming for highly-mobile millimeter wave systems
CN113746578B (zh) 一种基于智能反射表面辅助的通信系统传输方法
CN110557177A (zh) 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法
Feng et al. Joint hybrid and passive RIS-assisted beamforming for mmWave MIMO systems relying on dynamically configured subarrays
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
CN109714091B (zh) 一种在毫米波mimo系统中基于分层设计的迭代混合预编码方法
CN112564752A (zh) 一种优化稀疏天线激活可重构智能表面辅助通信方法
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
CN113193893B (zh) 毫米波大规模mimo智能混合波束成形设计方法
Tao et al. Autoencoder neural network based intelligent hybrid beamforming design for mmWave massive MIMO systems
Zhu et al. Multi-UAV aided millimeter-wave networks: Positioning, clustering, and beamforming
Tao et al. Constrained deep neural network based hybrid beamforming for millimeter wave massive MIMO systems
CN114745232A (zh) 智能可重构表面辅助毫米波mimo系统的信道估计方法
CN111277308A (zh) 基于机器学习的波宽控制方法
CN116033461B (zh) 一种基于star-ris辅助的共生无线电传输方法
CN112398513A (zh) 一种massive MIMO系统的波束赋形方法
Hu et al. Hybrid beamforming with deep learning for large-scale antenna arrays
Zhong et al. A novel spatial beam training strategy for mmWave UAV communications
CN116056118A (zh) 基于主被动混合智能超表面的无线通信传输方法及系统
CN112636800B (zh) 基于毫米波大规模mimo多用户场景的混合预编码方法
CN115664471A (zh) 基于宽学习的毫米波mimo基站协作波束选择方法
CN105610476B (zh) 分离型数模混合收发通信系统中的模拟波束矢量优化方法
CN115021779A (zh) Ris辅助的mimo系统的离散相移设计方法和装置

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240306

Address after: 101300 Beijing Shunyi District, No. 3 Zhuyuan Second Street, Building 2, 1st to 5th floors, 4th floor of Building 101 (Tianzhu Comprehensive Bonded Zone)

Patentee after: Yida Manufacturing Technology (Beijing) Co.,Ltd.

Country or region after: China

Address before: 400065 Chongqing Nan'an District huangjuezhen pass Chongwen Road No. 2

Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS

Country or region before: China