CN111181612B - 一种大规模mimo系统的协作波束赋型方法 - Google Patents

一种大规模mimo系统的协作波束赋型方法 Download PDF

Info

Publication number
CN111181612B
CN111181612B CN201911410943.0A CN201911410943A CN111181612B CN 111181612 B CN111181612 B CN 111181612B CN 201911410943 A CN201911410943 A CN 201911410943A CN 111181612 B CN111181612 B CN 111181612B
Authority
CN
China
Prior art keywords
base station
layer
channel gain
beamforming
matrix
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
CN201911410943.0A
Other languages
English (en)
Other versions
CN111181612A (zh
Inventor
张颖慧
张彪
那顺乌力吉
刘洋
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.)
Inner Mongolia University
Original Assignee
Inner Mongolia 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 Inner Mongolia University filed Critical Inner Mongolia University
Priority to CN201911410943.0A priority Critical patent/CN111181612B/zh
Publication of CN111181612A publication Critical patent/CN111181612A/zh
Application granted granted Critical
Publication of CN111181612B publication Critical patent/CN111181612B/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
    • 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
    • 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
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/086—Weighted combining using weights depending on external parameters, e.g. direction of arrival [DOA], predetermined weights or beamforming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本发明一种大规模MIMO系统的协作波束赋型方法，属于无线通信领域；首先构建宏基站，小基站以及用户之间的下行大规模MIMO异构网，然后考虑基站的电路功耗，研究满足QoS和天线发射功率约束的系统能效优化问题，充分挖掘神经网的特性，利用深度学习在回归问题上有令人满意的性能，通过提取信道增益矩阵特征来拟合最优波束赋型解，且利用神经网络可以离线训练，将部分计算转移到线下。应用训练好的神经网络在求解时仅仅需要少量的线性和非线性计算，在提高系统能效的同时大大降低了时延。

Description

一种大规模MIMO系统的协作波束赋型方法
技术领域
本发明属于无线通信领域，具体是一种大规模MIMO系统的协作波束赋型方法。
背景技术
随着无线通信用户数据量的急剧增加，下一代移动网络对系统容量和传输速率提出了更高的要求。空间维度是无线通信系统提高性能的源泉，所以理论研究和实际应用都是沿着扩大空间维度的方向进行的。贝尔实验室的Thomas L.Marzetta教授提出，由大规模天线阵列组成的系统可以为空间维度的进一步发展奠定基础，并在基站端极大地提高系统的频谱效率，开创了大规模波束赋型技术的先河。美国研究员预计2020年，信息和通信技术产业的碳排放量达到了全球排放量的3.5％，到2040年这个数字可能会上升到14％，是全球能源消耗的主要因素。因此，关注系统能效，发展绿色通信势在必行。
已有的研究和标准表明，异构网(Heterogeneous Network,HetNets)和大规模多输入多输出(Multiple-Input and Multiple-Output，MIMO)系统是一种增加5G无线通信的网络容量、高数据速率、极低延迟以及高频谱效率和高能效的有效手段。同时，波束赋型技术和协作多点传输技术也是减少干扰和提高能效的有效方法，并且成为绿色通信研究的热点。
目前，波束赋型的相关研究主要集中在总功率约束下的信干噪比平衡问题，总功率约束下合速率最大化问题和用户服务质量(Quality of Service,QoS)约束下的功率最小化问题三个方面。针对QoS约束下的功率最小化问题，在现有的研究中，寻找QoS约束下最佳波束赋型解很大程度上依赖于迭代算法和凸优化，而QoS约束使求解变得困难且非凸，一般使用半正定规划(Semi-Definite programming,SDP)方法将问题转换为二次约束二次规划(Quadratically Constrained Quadratic Program,QCQP)问题，然后使用半正定松弛(Semi-Definite Relaxation,SDR)方法将优化问题转换为凸优化近似问题且解不失最优性。
如：文献1：A.Gupta,R.K.Jha,"Power Optimization with Low ComplexityUsing Scaled Beamforming Approach for a Massive MIMO and Small CellScenario,"in Wireless Networks,pp.1-12,Oct.2018；
文献2：Y.Liu,X.Duan,G.Boudreau,A.B.Sediq and X.Wang,"AdaptiveBeamforming Based Inband Fronthaul for Cost-Effective Virtual Small Cell in5G Networks,"GLOBECOM 2017-2017IEEE Global Communications Conference,Singapore,2017,pp.1-6；
文献3：Y.Lin,S.Li,Y.Wang,C.Li,Y.Huang and L.Yang,"Energy EfficientPower Allocation Scheme in Heterogeneous Cellular Networks,"2015InternationalConference on Wireless Communications&Signal Processing(WCSP),Nanjing,2015,pp.1-5等均提到了多流正则化迫零(Multiflow-Regularized Zero-Forcing，Multiflow-RZF)算法，将正则项中加入了天线功率约束，通过抑制每个用户的干扰使发端功率减小，在一定程度上提高了算法性能，且由于算法的复杂度的最高幂次项和天线数无关，所以算法复杂度大大降低。但是，该算法是以牺牲系统性能为代价换取了复杂度降低，与最优算法相比，系统性能差距较大。
针对这一问题，文献4：张颖慧,张彪,逯效亭,刘洋,"基于能效的渐近式RZF协作波束成形算法研究,"通信学报,vol.40,no.10,pp.169-179,Oct.,2019；对Multiflow-RZF算法做了改进，提出了渐进式正则化迫零(Asymptotic Regularized Zero-Forcing，ARZF)算法，通过天线功率约束集合引入修正因子，可以同时满足QoS约束和天线功率约束，牺牲有限的复杂度获得能效的大幅提升。虽然取得了一定的成果，但关于系统能效的算法是通过迭代来求得最优解，从而导致该算法有极高的计算复杂性和极大的计算时延。
特别是在下一代通信场景中，基站端将配置成百甚至数千根天线，传统算法的计算复杂度大幅提升，导致计算时延将显著增大，从而不适用于对通信实时性要求较高的场景中，如车联网，联网无人机等。
随着深度学习技术的成熟，深度学习在通信领域的使用也越来越多。诸如信号检测，分类和压缩，信道编码和解码，学习端到端通信和资源分配等。深度学习理论也可以与波束赋型很好的结合。
在现有的基于深度的波束赋型研究中，文献5：Alkhateeb,S.Alex,P.Varkey,Y.Li,Q.Qu and D.Tujkovic,"Deep Learning Coordinated Beamforming for Highly-Mobile Millimeter Wave Systems,"in IEEE Access,vol.6,pp.37328-37348,Jun.2018；提出了一种使用全向或准全向波束模式的深度学习模型，来预测高速移动毫米波场景中的基站波束赋型向量，因为是在有限解空间中预测波束赋型矩阵，所以算法并没有达到最优的系统性能。文献6：H.Huang,W.Xia,J.Xiong,J.Yang,G.Zheng and X.Zhu,"UnsupervisedLearning-Based Fast Beamforming Design for Downlink MIMO,"in IEEE Access,vol.7,pp.7599-7605,Dec.2019；提出了一种基于无监督学习的深度神经网络(DeepNeural Networks,DNN)波束赋型方法，该方法可使功率控制下的系统合速率达到类似的加权最小均方误差(Weighted Minimum Mean Squared Error WMMSE)性能。但是，当天线数和用户数很大时，算法的训练复杂度显著增大，训练难以收敛且容易出现过拟合现象。文献7：J.Tao,Q.Wang,S.Luo and J.Chen,"Constrained Deep Neural Network Based HybridBeamforming for Millimeter Wave Massive MIMO Systems,"ICC2019-2019IEEEInternational Conference on Communications(ICC),Shanghai,China,2019,pp.1-6；在波束赋型系统中使用了基于稀疏自动编码器的端到端模型，但算法仅考虑了单个用户的理想情况。文献8：W.Xia,G.Zheng,Y.Zhu,J.Zhang,J.Wang and A.P.Petropulu,"DeepLearning Based Beamforming Neural Networks in Downlink MISO Systems,"2019IEEEInternational Conference on Communications Workshops(ICC Workshops),Shanghai,China,2019,pp.1-5；使用神经网络预测上行链路功率分配向量，然后依据功率分配向量求解波束赋型矩阵，以解决功率最小化问题。由于使用了间接预测波束赋型矩阵，所以该算法计算时延比迫零预编码算法略高。
综上，在已有的文献中，传统算法的性能和计算时延对立存在，两者不能同时达到较高水平，而基于深度学习的算法主要考虑频谱效率，或是间接求解波束赋型矩阵，增加了计算时延。
发明内容
针对上述问题，本发明基于下行大规模MIMO异构网，考虑基站的电路功耗，研究满足QoS和天线发射功率约束的系统能效优化问题，提出了大规模MIMO系统的协作波束赋型方法，实现计算时延与系统能效的平衡，满足下一代通信对时延的要求。
所述的大规模MIMO系统的协作波束赋型方法，具体步骤如下：
步骤一、针对某个小区，在小区中心配备一个宏基站，随机分布M个小基站和K个单天线用户，在每个小基站的覆盖范围内保证至少有一个用户，构造通信场景。
宏基站设有NMBS根发射天线，每个小基站都配备NSBS根发射天线；场景内的总发射天线数为N＝NMBS+MNSBS，且宏基站和小基站使用相同的频率资源。
步骤二、根据宏基站，M个小基站和K个用户的位置以及仿真参数，分别计算所有基站到各用户的下行信道增益向量，组成信道增益矩阵H；
仿真参数包括：子载波带宽，各基站的功率放大器效率，噪声协方差以及衰落系数等。
Figure GDA0002941141800000031
hi,k表示第i个基站到第k个用户的下行信道增益向量；
Figure GDA0002941141800000032
步骤三、根据信道增益矩阵H，用Optimal算法构建与信道增益矩阵H对应的波束赋型预编码矩阵W；
Optimal算法的目标函数为：maximize EE；
Figure GDA0002941141800000041
Rk为第k个用户的信息率：Rk＝Blog2(1+SINRk)；B为信道带宽。SINRk第k个用户的信干噪比；
Figure GDA0002941141800000042
Figure GDA0002941141800000043
为加性高斯白噪声；
Ptotal为通信场景的总功耗，Ptotal＝PH+PT；PH为计算能耗时的电路功耗；
Figure GDA0002941141800000044
为每个基站和每个用户之间的传输功耗之和；
约束条件为用户的QoS和天线的发射功率，具体公式为：
Figure GDA0002941141800000045
其中，ξk是第k个用户达到服务质量的最小信干噪比：ξk＝2QOS-1；QOS为信息率。Qi,n表示第i个基站第n根天线的权重矩阵。qi,n表示第i个基站第n根天线的最大传输功率。
波束赋型预编码矩阵计算公式为：
Figure GDA0002941141800000046
wi,k为第i个基站对第k个用户的波束赋型向量。
步骤四、通过不停的随机生成用户位置和协作基站的个数，生成若干信道增益矩阵H和波束赋型预编码矩阵W，并划分为训练集和测试集，利用训练集对卷积神经网络并进行训练，得到最优参数；
最优参数包括最优调节因子λ1和λ2，以及神经元的参数等。
具体步骤如下：
步骤401、先设定Epoch和批大小，将输入的若干信道增益矩阵H样本作标准化处理，处理后数据服从标准正态分布；
批大小和Epoch根据人为需要自行设定。
标准化计算公式如下：
Figure GDA0002941141800000051
Figure GDA0002941141800000052
为信道增益矩阵H中各元素的均值；
步骤402、将标准化的信道增益矩阵样本按批大小进行分批后，将每批样本中的信道增益矩阵样本逐个输入卷积核为3×3的卷积层和激活层中，激活层使用改进后的Leakyrelu函数，将relu函数中负数部分添加非零斜率。
第i层卷积层输出的第j行第k列个神经元Yi(j,k)的计算公式如下：
Figure GDA0002941141800000053
Conv2D(·)为卷积函数，xi-1是第i-1层神经元的值，θi-1是第i-1层神经元的参数，same指明卷积运算的类型，T是卷积核的长度，P是卷积核的宽度，Wt,p是卷积核的第t行，第p列元素的权重，bt,p是卷积核的第t行，第p列元素的偏置。
Leakyrelu函数表示为：
f(x)＝max(αx,x)
其中，x为激活函数的输入，α∈(0,1)，所以当x＞0时，输入通过激活层后还是其本身，当x≤0时，将输入乘以权重系数α作为输出。
步骤403、将激活层的输出再次经过3×3的卷积层，激活层，3×3的卷积层和激活层后，输入到一个全连接层；
步骤404、经过全连接层的输出接入Dropout层防止过拟合；
Dropout层网络的计算公式为：
Figure GDA0002941141800000061
Figure GDA0002941141800000062
Figure GDA0002941141800000063
其中，Bernoulli(·)函数的作用是随机生成0和1向量，其中生成0的概率为p。x(l)表示第l层神经网的输入，经过Dropout层后，以概率p置零。r(l)是Bernoulli(·)函数，
Figure GDA0002941141800000064
为第l+1层神经网第i个神经元的输出，
Figure GDA0002941141800000065
为第l+1层神经网第i个神经元的权重，
Figure GDA0002941141800000066
为第l+1层神经网第i个神经元的偏置。
步骤405、经过Dropout层的结果输入到最后一层全连接层，输出该样本信道增益矩阵H对应的预测波束赋型预编码矩阵W'；
步骤406、利用该批信道增益矩阵H样本，对应的预测波束赋型预编码矩阵W'，以及样本中各自的波束赋型预编码矩阵W通过损失函数计算损失值。
损失函数定义：
Figure GDA0002941141800000067
λ1和λ2是调节因子，当λ2取值较大时，训练的重心偏向满足QoS约束。
Figure GDA0002941141800000068
为预测波束赋型预编码矩阵W'中第i个基站对所有用户的波束赋型向量。
wi为第i个基站对所有用户的波束赋型向量；
Figure GDA0002941141800000069
为预测波束赋型预编码矩阵W'中第k个用户的信干噪比；
步骤407、利用损失函数计算该批样本对应的损失值，反向传播算法从输出层到输入层反向传播该损失值，并根据该损失值计算卷积神经网络中所有参数的梯度Grad，使用Adam优化器根据学习率和梯度Grad优化神经网络中的训练参数θ，使损失值最小。
步骤408、将该批训练样本都训练完后，重复执行下一批信道增益矩阵样本训练损失值最小的参数，直到所有批训练样本都训练完后，Epoch值加1，再次将所有训练样本随机分批，重复步骤402依次对每批样本进行训练，直至Epoch达到预设值，停止训练得到网络训练参数的最优值。
步骤五、将测试集中的各信道增益矩阵分别输入含有最优参数的神经网络，输出各信道增益矩阵对应的预测波束赋型预编码矩阵W'；
步骤六、利用各预测波束赋型预编码矩阵W'计算通信场景的能量效率EE。
本发明的优点在于：
1)、一种大规模MIMO系统的协作波束赋型方法，创新性地使用卷积神经网络进行大规模MIMO异构网下行波束赋型，不需要复杂的迭代过程，比传统波束赋型算法的系统能效和实时性都有大幅提升。
2)、一种大规模MIMO系统的协作波束赋型方法，与基于深度神经网络的算法相比，提出的算法的可训练参数更少，且当系统的用户数和天线数增多时，不易产生过拟合现象，使算法的泛化能力更强。
3)、一种大规模MIMO系统的协作波束赋型方法，对损失函数进行全新设计，提高算法的性能和神经网络的收敛速度，并保证服务用户不同QoS需求。
4)、一种大规模MIMO系统的协作波束赋型方法，仿真结果表明，提出的算法性能优越。与其他算法相比，优势尤为明显，特别是具有超低计算时延的特点，可以广泛应用于实时性要求较高的下一代通信场景。
附图说明
图1是本发明一种大规模MIMO系统的协作波束赋型方法的流程图；
图2是本发明构造的宏基站、小基站和单天线用户之间的通信场景图；
图3是本发明采用的卷积神经网络结构示意图；
图4是本发明利用卷积神经网络进行训练得到最优参数的流程图；
图5是本发明与三种现有算法之间的协作小基站数量与能效的对比图；
图6是本发明与三种现有算法之间的用户服务质量与能效的对比图；
图7是本发明与三种现有算法之间的宏基站天线数与能效的对比图；
图8是本发明与三种现有算法之间的用户数与能效的对比图；
图9是本发明与三种算法之间的宏基站天线数与单个样本执行时间的对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图和实施例对本发明作进一步的详细描述。
在大规模天线的通信场景中，波束赋型设计至关重要。本发明考虑了大规模多输入多输出(Multiple-Input and Multiple-Output,MIMO)异构网中，在用户服务质量(Quality of Service,QoS)约束下，以最大化系统能效为目标提出了一种低时延、高能效的协作波束赋型算法。
现有的广泛应用于大规模MIMO系统的波束赋型算法虽然可以取得较好的系统性能，但计算时延随着天线数的增加显著增加，不适合大规模MIMO系统。同时，为了提高实用性，现有算法虽然降低了时延却严重牺牲了系统性能。针对上述问题，本发明充分挖掘深度学习的优势，实现系统的快速波束赋型，提出一种大规模MIMO系统的协作波束赋型方法(Coordinated Beamforming Convolutional Neural Networks,CoBFCNN)。
所述的大规模MIMO系统的协作波束赋型方法，如图1所示，具体步骤如下：
步骤一、针对某个小区，在小区中心配备一个宏基站，随机分布M个小基站和K个单天线用户，在每个小基站的覆盖范围内保证至少有一个用户，构造通信场景。
如图2所示，本实施例考虑的是单小区的TDD下行系统，在小区中心有一个配备NMBS根天线的宏基站和M个配备NSBS根天线的小基站；系统的总发射天线数为N＝NMBS+MNSBS，且宏基站和小基站使用相同的频率资源，以提高频谱利用率。
K个单天线用户随机分布在小区中，并且假设在每个小基站的覆盖范围内保证至少有一个用户。
步骤二、根据宏基站，M个小基站和K个用户的位置以及仿真参数，分别计算所有基站到各用户的下行信道增益向量，组成信道增益矩阵H；
仿真参数包括：子载波带宽，各基站的功率放大器效率，噪声协方差以及衰落系数等。下行信道矩阵表示为：
Figure GDA0002941141800000081
hi,k表示第i个基站到第k个用户的下行信道增益向量；
Figure GDA0002941141800000082
矩阵包含K×(M+1)个元素，且服从均值为0方差为1的复高斯分布。
假设基站可以获取准确的信道状态信息(Channel State Information,CSI)，同时宏基站和小基站之间的回程链路没有时延而且容量足够大。
第k个用户接收到的信号表示为：
Figure GDA0002941141800000091
其中pi,k表示第i个基站对第k个用户的传输功率，wi,k为第i个基站对第k个用户的波束赋型向量，xi,k表示第i个基站发送给第k个用户的信号；i为基站的索引值，当i＝0时为宏基站，i≠0时为协作小基站。
Figure GDA0002941141800000092
为加性高斯白噪声。
步骤三、根据信道增益矩阵H，用Optimal算法构建与信道增益矩阵H对应的波束赋型预编码矩阵W；
宏基站和小基站服务的第k个用户的信干噪比表示为：
Figure GDA0002941141800000093
wi,u为第i个基站对第u个用户的波束赋型向量，
Figure GDA0002941141800000094
为加性高斯白噪声；
根据香农公式，第k个用户的信息率为：
Rk＝Blog2(1+SINRk) (3)
B为信道带宽。
由于在大规模MIMO的基站端的天线数量巨大，在计算能耗时电路功耗不能被忽略，所以通信场景的总功耗Ptotal定义为每个基站和每个用户之间的传输功耗
Figure GDA0002941141800000095
和电路功耗PH之和，即Ptotal＝PH+PT。
系统的能效被定义为单位时间的吞吐量除以总功耗，计算如下：
Figure GDA0002941141800000096
本发明将用户的QoS作为约束，优化发射端的功耗。将优化问题定义为：
Figure GDA0002941141800000097
其中，ξk是第k个用户达到服务质量的最小信干噪比：
ξk＝2QOS-1 (6)
其中，QoS的定义为信息率，单位是bit/s/Hz。
由于大规模MIMO系统的基站端的天线数量巨大而且天线的最大发射功率存在差异，所以在大规模MIMO系统中加入天线功率约束非常必要。将公式(5)的约束条件中增加对天线发射功率的约束，Optimal算法的目标函数为：
Figure GDA0002941141800000101
其中，Qi,n表示第i个基站第n根天线的权重矩阵；qi,n表示第i个基站第n根天线的最大传输功率。
波束赋型预编码矩阵计算公式为：
Figure GDA0002941141800000102
wi,k为第i个基站对第k个用户的波束赋型向量。
步骤四、通过不停的随机生成用户位置和协作基站的个数，生成若干信道增益矩阵H和波束赋型预编码矩阵W，并划分为训练集和测试集，利用训练集对卷积神经网络并进行训练，得到最优参数；
Optimal算法的目标函数由于约束条件是非凸的，使得优化问题难以解决且计算复杂。现有技术中主要采用将非凸约束条件转化为凸优化条件，再利用CVX工具包进行求解，但是此类算法需要进行大量的迭代，使得在实时性要求高的系统中该类算法不再适用。
本发明详细介绍了利用神经网络设计波束赋型的方法来求解式(7)：首先，对数据进行预处理，以及对利用神经网络设计波束赋型过程中用到的卷积层和激活函数进行分析。之后，利用Dropout来缓解过拟合的过程。最后，对提出的COBFCNN算法和对比算法的时间复杂度进行分析。
神经网络的结构如图3所示，采用3层全卷积网络结构，三个卷积层具有不同卷积核数，卷积核的大小都为3×3，在每个卷积层后面都各有一个激活层，用于增加神经网络的非线性。激活层后边连接两个全连接层，两个全连接层中间设有Dropout层防止过拟合。
COBFCNN算法的流程如图4所示，具体步骤如下：
步骤401、先设定Epoch和批大小，将输入的若干信道增益矩阵H样本作标准化处理，处理后数据服从标准正态分布；
由于信道增益矩阵H是一个复数矩阵，而深度学习框架，如tensorflow、keras和pytorch都不支持复数输入。为了解决这个问题，现有两种方法：一种方法是将复数信道增益矩阵分为实部
Figure GDA0002941141800000114
和虚部
Figure GDA0002941141800000115
两个部分，然后将虚部按指定的维度拼接到实部之后。另一种方法是将其分为两部分，一部分是振幅信息，另一部分是相位信息。如果分为振幅和相位两部分，则两部分值的大小差距较大，不利于后续将两部分一同进行标准化处理，而且分解时需要计算，增加复杂度。
因此，本发明采用虚实部分解的方法，由于通信信道的衰落等因素会造成信道增益矩阵中元素的最大值和最小值的差距很大，不利于输入深度学习框架中学习，所以本发明将输入的信道矩阵作了如下标准化处理：
Figure GDA0002941141800000111
Figure GDA0002941141800000112
为信道增益矩阵H中各元素的均值；
处理后的数据服从标准正态分布，从而提升神经网络的收敛速度和精度，也可以降低神经网络对权重初始化的敏感度，提高稳定性。
批大小根据人为需要自行设定，本实施例将批大小设置为100，将一批中的100个样本放在一个矩阵中，利用线性代数库来加速梯度的计算。每训练样本集后，将样本重新随机分批，以使网络的权值调整更具有多样性。
步骤402、将标准化的信道增益矩阵样本按批大小进行分批后，将每批样本中的信道增益矩阵样本逐个输入卷积核为3×3的卷积层和激活层中，激活层使用改进后的Leakyrelu函数，将relu函数中负数部分添加非零斜率。
卷积层的输入和输出的关系表示为：
Figure GDA0002941141800000113
Yi(j,k)代表第i层卷积层输出的第j行第k列个神经元，Conv2D(·)为卷积函数，xi-1是第i-1层神经元的值，θi-1是第i-1层神经元的参数，same指明卷积运算的类型，T是卷积核的长度，P是卷积核的宽度，Wt,p是卷积核的第t行，第p列元素的权重，bt,p是卷积核的第t行，第p列元素的偏置。
由于波束赋型矩阵中的元素中含有负数，而激活函数relu会将负数参数置零，导致丢失输入的特征信息，所以本发明使用改进后的Leakyrelu函数，将relu函数中负数部分添加非零斜率，从而解决了“死区”(dead relu)问题。
Leakyrelu函数表示为：
f(x)＝max(αx,x) (10)
其中，x为激活函数的输入，α∈(0,1)，所以当x＞0时，输入通过激活层后还是其本身，当x≤0时，将输入乘以权重系数α作为输出。
步骤403、将激活层的输出再次经过3×3的卷积层，激活层，3×3的卷积层和激活层后，输入到一个全连接层；
步骤404、经过全连接层的输出接入Dropout层防止过拟合；
由于神经网络模型的参数会随着天线数和用户数的增加而显著增加，训练完成的模型很容易产生过拟合现象，泛化能力差。本发明利用Dropout缓解过拟合的发生，在一定程度上达到正则化的效果，同时也减少了训练的时间。
Dropout层网络的计算公式为：
Figure GDA0002941141800000121
其中，Bernoulli(·)函数的作用是随机生成0和1向量，其中生成0的概率为p。x(l)表示第l层神经网的输入，经过Dropout层后，以概率p置零。r(l)是Bernoulli(·)函数，
Figure GDA0002941141800000122
为第l+1层神经网第i个神经元的输出，
Figure GDA0002941141800000123
为第l+1层神经网第i个神经元的权重，
Figure GDA0002941141800000124
为第l+1层神经网第i个神经元的偏置。
步骤405、经过Dropout层的结果输入到最后一层全连接层，输出该样本信道增益矩阵H对应的预测波束赋型预编码矩阵W'；
步骤406、利用该批信道增益矩阵H样本，对应的预测波束赋型预编码矩阵W'，以及样本中各自的波束赋型预编码矩阵W通过损失函数计算损失值。
为了得到更好的性能，本发明改进了传统的对预测值和样本标签求均方误差作为损失函数，损失函数定义：
Figure GDA0002941141800000131
λ1和λ2是调节因子，当λ2取值较大时，训练的重心偏向满足QoS约束，使神经网络的性能有所下降，所以λ1和λ2取值和最终神经网络的性能有直接联系。
Figure GDA0002941141800000132
为预测波束赋型预编码矩阵W'中第i个基站对所有用户的波束赋型向量。
wi为第i个基站对所有用户的波束赋型向量；
Figure GDA0002941141800000133
为预测波束赋型预编码矩阵W'中第k个用户的信干噪比；
步骤407、利用损失函数计算该批样本对应的损失值，反向传播(BackPropagation)算法将损失值反向传播，并根据损失值计算每一层权值的偏导数，最后调整每一层权值。
具体而言，在计算损失值之后，反向传播算法会从输出层到输入层反向传播损失值，并根据该损失值计算卷积神经网络中所有参数的梯度Grad，使用Adam优化器根据学习率和梯度Grad优化神经网络中的训练参数θ，使损失值最小。
步骤408、将该批训练样本都训练完后，重复执行下一批信道增益矩阵样本训练损失值最小的参数，直到所有批训练样本都训练完后，Epoch值加1，再次将所有训练样本随机分批，重复步骤402依次对每批样本进行训练，直至Epoch达到预设值，停止训练得到网络训练参数的最优值。
步骤五、将测试集中的各信道增益矩阵分别输入含有最优参数的神经网络，输出各信道增益矩阵对应的预测波束赋型预编码矩阵W'；
步骤六、利用各预测波束赋型预编码矩阵W'计算通信场景的能量效率EE。
本发明CoBFCNN算法，对不同宏基站天线数，不同QoS，不同协作小基站数和不同用户数进行仿真验证，同时对不同算法如Optimal算法、Multiflow-RZF算法和ARZF算法的计算时延进行了对比；表1给出了不同算法的计算复杂度对比。
表1
Figure GDA0002941141800000141
Optimal算法中目标函数为波束赋型矩阵，而Multiflow-RZF算法和ARZF算法中的目标函数为功率分配向量。相比Multiflow-RZF算法，ARZF算法在正则化项中，增加了天线功率约束集合，使复杂度增加NK2。由于CoBFCNN算法的矩阵乘法是一个NxK空间，所以算法复杂度为
Figure GDA0002941141800000142
可以看出，提出的CoBFCNN算法复杂度没有复杂的迭代过程，只与输入输出维度大小有关。因此，本发明提的算法具有低时延的优势，特别适合应用于实时性要求较高的通信场景。
参照LTE-A标准，构建了Massive MIMO系统模型，在考虑异构网中的协作基站数量，QoS，Massive MIMO基站天线数和服务用户数等因素对系统EE的影响，对CoBFCNN算法进行了仿真分析。仿真场景为一个双层异构正六边形单小区，小区中心设置一个宏基站，M个配备2根天线的小基站均匀分布在小区内。部署小基站时，基站间的最小间距设置为40m。小区内随机分布K个用户。考虑瑞利衰落信道模型，路径损耗为非视距模型。样本所仿真参数如下表2所示，仿真中共生成了750000个训练样本和75000个测试样本。在一台配备2个E5-2620CPU和64G RAM，安装有python 3.7.3并拥有pytorch 1.1.0和numpy 1.16.3库的电脑上实现了所提的CoBFCNN算法的仿真。
表2
Figure GDA0002941141800000143
Figure GDA0002941141800000151
在小区内的每一个用户的QoS都设置为2bit/s/Hz，宏基站的天线数为10，用户数为5。
如图5所示，对比了CoBFCNN算法和Optimal算法、ARZF算法和Multiflow-RZF算法的系统能效。可以看出，能效随着协作小基站个数的增加而增加，因为在随机用户位置时保证每个小基站覆盖范围内至少有一名用户，这样缩小了用户和基站之间的距离。CoBFCNN算法在协作小基站数量较小时性能接近Optimal。当协作基站变多时，与Optimal算法的性能有一定的差距，但其性能仍然高于ARZF算法和Multiflow-RZF算法。这是因为当协作基站数增加时，系统的总天线数会增加，输入和输出的维度增加，累积的预测误差增大，使系统性能降低。同时，求解波束赋型需要对信道增益矩阵系数整体考虑，而卷积神经网络只考虑每个系数及其相邻系数。
如图6所示，考虑用户不同的QoS需求，进行系统能效仿真。当宏基站天线数为10，2个协作小基站，5个服务用户的情况下，系统的能效随着QoS的增加变化；由于输入已被噪声标准化，输入数据的方差随QoS的增加而变大，所以当QoS从1逐渐增大到2.5时，系统的能效逐渐降低。这是因为本发明算法首先对输入做了标准化处理，输入数据的方差会随着信干噪比的增加而增加，而QoS和信干噪比呈正相关，所以数据分布随着QoS的增大变得更加分散，数据分布差异增大。因此，学习误差也会相应的增加。
宏基站天线数量对系统能效的影响。当宏基站的天线数逐渐增加时系统能效呈现先增加后减少的趋势，如图7所示。这是因为系统的总功耗由发射功耗和静态功耗两部分影响，当天线数太大时，系统的静态功耗显著增大。从仿真可以看出，当天线数增加时，CoBFCNN算法性能会逐渐变差。导致性能下降的主要因素是当天线数增加时，神经网络的输入和输出的变量同样增加，导致了训练和学习的错误率提升。
如图8所示，对不同服务用户数进行仿真，设置宏基站的天线数量为32，协作小基站的数量为2，用户的QoS的约束为2bit/s/Hz。从图中可以看出，当用户数逐渐增大时，Optimal算法的性能逐渐增加。而在天线数固定时，Multiflow-RZF算法和ARZF算法存在最佳的服务用户数，该值大约为天线数的三分之一，大于该值时，性能开始变差。CoBFCNN算法也会随着用户数的增大性能先增后减，但整体能效仍优于Multiflow-RZF算法和ARZF算法。
如图9所示，与其他算法对比，虽然CoBFCNN算法在增大天线数和用户数时，性能会有一定的损失，但其在复杂度方面有着突出的优势。Optimal算法和ARZF算法计算时间随天线数量的增加而急剧增加，但是Multiflow-RZF算法和CoBFCNN算法几乎没有变化。CoBFCNN算法的计算时间比Multiflow-RZF算法的计算时间少两个数量级。当天线数较少时，CoBFCNN算法比Optimal算法和ARZF算法的计算时间少三个数量级，且随着天线数的增加，计算时延的差距还会急剧增大。
本发明采用的CoBFCNN算法特别考虑不同的QoS约束，异构网中不同的协作基站个数，大规模MIMO的天线个数和服务用户数对协作波束赋型性能的影响，通过与Optimal算法、Multiflow-RZF算法和ARZF算法的能效和运行时间进行对比，分析和仿真结果表明，CoBFCNN算法在系统能效和计算时延方面均具有明显的优势，特别适合于实时性要求较高的通信场景。

Claims (5)

1.一种大规模MIMO系统的协作波束赋型方法，其特征在于，具体步骤如下：
步骤一、针对某个小区，在小区中心配备一个宏基站，随机分布M个小基站和K个单天线用户，在每个小基站的覆盖范围内保证至少有一个用户，构造通信场景；
步骤二、根据宏基站，M个小基站和K个用户的位置以及仿真参数，分别计算所有基站到各用户的下行信道增益向量，组成信道增益矩阵H；
Figure FDA0002941141790000011
hi,k表示第i个基站到第k个用户的下行信道增益向量；
Figure FDA0002941141790000012
步骤三、根据信道增益矩阵H，用Optimal算法构建与信道增益矩阵H对应的波束赋型预编码矩阵W；
Optimal算法的目标函数为：maximize EE；
Figure FDA0002941141790000013
Rk为第k个用户的信息率：Rk＝Blog2(1+SINRk)；B为信道带宽；SINRk第k个用户的信干噪比；
Figure FDA0002941141790000014
Figure FDA0002941141790000015
为加性高斯白噪声；
Ptotal为通信场景的总功耗，Ptotal＝PH+PT；PH为计算能耗时的电路功耗；
Figure FDA0002941141790000016
为每个基站和每个用户之间的传输功耗之和；
约束条件为用户的QoS和天线的发射功率，具体公式为：
Figure FDA0002941141790000017
其中，ξk是第k个用户达到服务质量的最小信干噪比：ξk＝2QOS-1；QOS为信息率；Qi,n表示第i个基站第n根天线的权重矩阵；qi,n表示第i个基站第n根天线的最大传输功率；
波束赋型预编码矩阵计算公式为：
Figure FDA0002941141790000021
wi,k为第i个基站对第k个用户的波束赋型向量；
步骤四、通过不停的随机生成用户位置和协作基站的个数，生成若干信道增益矩阵H和波束赋型预编码矩阵W，并划分为训练集和测试集，利用训练集对卷积神经网络并进行训练，得到最优参数；
具体步骤如下：
步骤401、先设定Epoch和批大小，将输入的若干信道增益矩阵H样本作标准化处理，处理后数据服从标准正态分布；
标准化计算公式如下：
Figure FDA0002941141790000022
Figure FDA0002941141790000023
为信道增益矩阵H中各元素的均值；
步骤402、将标准化的信道增益矩阵样本按批大小进行分批后，将每批样本中的信道增益矩阵样本逐个输入卷积核为3×3的卷积层和激活层中，激活层使用改进后的relu函数，将relu函数中负数部分添加非零斜率，成为Leakyrelu函数；
第i层卷积层输出的第j行第k列个神经元Yi(j,k)的计算公式如下：
Figure FDA0002941141790000024
Conv2D(·)为卷积函数，xi-1是第i-1层神经元的值，θi-1是第i-1层神经元的参数，same指明卷积运算的类型，T是卷积核的长度，P是卷积核的宽度，Wt,p是卷积核的第t行，第p列元素的权重，bt,p是卷积核的第t行，第p列元素的偏置；
Leakyrelu函数表示为：
f(x)＝max(αx,x)
其中，x为激活函数的输入，α∈(0,1)，所以当x＞0时，输入通过激活层后还是其本身，当x≤0时，将输入乘以权重系数α作为输出；
步骤403、将激活层的输出再次经过3×3的卷积层，激活层，3×3的卷积层和激活层后，输入到一个全连接层；
步骤404、经过全连接层的输出接入Dropout层防止过拟合；
步骤405、经过Dropout层的结果输入到最后一层全连接层，输出该样本信道增益矩阵H对应的预测波束赋型预编码矩阵W'；
步骤406、利用该批信道增益矩阵H样本，对应的预测波束赋型预编码矩阵W'，以及样本中各自的波束赋型预编码矩阵W计算损失函数；
损失函数定义：
Figure FDA0002941141790000031
λ1和λ2是调节因子，当λ2取值较大时，训练的重心偏向满足QoS约束；
Figure FDA0002941141790000032
为预测波束赋型预编码矩阵W'中第i个基站对所有用户的波束赋型向量；
wi为第i个基站对所有用户的波束赋型向量；
Figure FDA0002941141790000033
为预测波束赋型预编码矩阵W'中第k个用户的信干噪比；
步骤407、利用损失函数计算该批样本对应的损失值，反向传播算法从输出层到输入层反向传播该损失值，并根据该损失值计算卷积神经网络中所有参数的梯度Grad，使用Adam优化器根据学习率和梯度Grad优化神经网络中的训练参数θ，使损失值最小；
步骤408、将该批训练样本都训练完后，重复执行下一批信道增益矩阵样本训练损失值最小的参数，直到所有批训练样本都训练完后，Epoch值加1，再次将所有训练样本随机分批，重复步骤402依次对每批样本进行训练，直至Epoch达到预设值，停止训练得到网络训练参数的最优值；
步骤五、将测试集中的各信道增益矩阵分别输入含有最优参数的神经网络，输出各信道增益矩阵对应的预测波束赋型预编码矩阵W'；
步骤六、利用各预测波束赋型预编码矩阵W'计算通信场景的能量效率EE。
2.如权利要求1所述的一种大规模MIMO系统的协作波束赋型方法，其特征在于，步骤一中所述的宏基站设有NMBS根发射天线，每个小基站都配备NSBS根发射天线；场景内的总发射天线数为N＝NMBS+MNSBS，且宏基站和小基站使用相同的频率资源。
3.如权利要求1所述的一种大规模MIMO系统的协作波束赋型方法，其特征在于，步骤二中所述的仿真参数包括：子载波带宽，各基站的功率放大器效率，噪声协方差以及衰落系数。
4.如权利要求1所述的一种大规模MIMO系统的协作波束赋型方法，其特征在于，步骤四中所述的最优参数包括最优调节因子λ1和λ2，以及神经元的参数。
5.如权利要求1所述的一种大规模MIMO系统的协作波束赋型方法，其特征在于，所述的步骤404中Dropout层网络的计算公式为：
Figure FDA0002941141790000041
Figure FDA0002941141790000042
Figure FDA0002941141790000043
其中，Bernoulli(·)函数的作用是随机生成0和1向量，其中生成0的概率为p；x(l)表示第l层神经网的输入，经过Dropout层后，以概率p置零；r(l)是Bernoulli(·)函数，
Figure FDA0002941141790000044
为第l+1层神经网第i个神经元的输出，
Figure FDA0002941141790000045
为第l+1层神经网第i个神经元的权重，
Figure FDA0002941141790000046
为第l+1层神经网第i个神经元的偏置。
CN201911410943.0A 2019-12-31 2019-12-31 一种大规模mimo系统的协作波束赋型方法 Active CN111181612B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911410943.0A CN111181612B (zh) 2019-12-31 2019-12-31 一种大规模mimo系统的协作波束赋型方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911410943.0A CN111181612B (zh) 2019-12-31 2019-12-31 一种大规模mimo系统的协作波束赋型方法

Publications (2)

Publication Number Publication Date
CN111181612A CN111181612A (zh) 2020-05-19
CN111181612B true CN111181612B (zh) 2021-03-30

Family

ID=70655953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911410943.0A Active CN111181612B (zh) 2019-12-31 2019-12-31 一种大规模mimo系统的协作波束赋型方法

Country Status (1)

Country Link
CN (1) CN111181612B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111930501B (zh) * 2020-07-23 2022-08-26 齐齐哈尔大学 一种面向多小区网络的基于无监督学习的无线资源分配方法
CN112153616B (zh) * 2020-09-15 2022-07-08 南京信息工程大学滨江学院 一种基于深度学习的毫米波通信系统中的功率控制方法
CN112702097A (zh) * 2020-12-24 2021-04-23 北京工业大学 一种用于uav辅助蜂窝网络的联合波束成形和功率控制方法
WO2022151069A1 (zh) * 2021-01-13 2022-07-21 Oppo广东移动通信有限公司 接收信息处理方法、装置、计算机设备及存储介质
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
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
CN113489521B (zh) * 2021-05-26 2023-05-09 电子科技大学 反射面辅助无小区大规模mimo网络联合波束赋形方法
CN113346933B (zh) * 2021-06-04 2022-01-25 中山大学 基于等效基带信道增益的大规模mimo多用户调度方法及系统
CN113872655B (zh) * 2021-10-20 2023-03-21 上海交通大学 一种多播波束赋形快速计算方法
CN116260490B (zh) * 2023-05-16 2023-08-15 南京邮电大学 一种面向去蜂窝多天线系统的前传压缩与预编码方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110417444A (zh) * 2019-07-08 2019-11-05 东南大学 一种基于深度学习的毫米波信道波束训练方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104734766B (zh) * 2015-04-14 2018-05-04 北京中网华通设计咨询有限公司 一种基于QoS的多小区下行MIMO鲁棒波束成形方法
WO2017107002A1 (en) * 2015-12-21 2017-06-29 Orange Method and device for beamforming
CN108390705A (zh) * 2018-03-29 2018-08-10 东南大学 基于bp算法构建的深度神经网络大规模mimo系统检测方法
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110417444A (zh) * 2019-07-08 2019-11-05 东南大学 一种基于深度学习的毫米波信道波束训练方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Unsupervised Learning-Based Fast Beamforming Design for Downlink MIMO";HAO HUANG et al.;《IEEE Access》;20181224;第7卷;全文 *
"基于深度学习的物理层无线通信技术：机遇与挑战";桂冠，王禹，黄浩;《通信学报》;20190228;第40卷(第2期);全文 *

Also Published As

Publication number Publication date
CN111181612A (zh) 2020-05-19

Similar Documents

Publication Publication Date Title
CN111181612B (zh) 一种大规模mimo系统的协作波束赋型方法
Xia et al. A deep learning framework for optimization of MISO downlink beamforming
US9537556B2 (en) Systems and methods for optimized beamforming and compression for uplink MIMO cloud radio access networks
Dai et al. Sparse beamforming for limited-backhaul network MIMO system via reweighted power minimization
Van Chien et al. Sum spectral efficiency maximization in massive MIMO systems: Benefits from deep learning
CN109302215B (zh) 一种基于行向量优化的混合预编码方法
Choi et al. User scheduling for millimeter wave hybrid beamforming systems with low-resolution ADCs
Dao et al. Pilot power allocation for maximising the sum rate in massive MIMO systems
Fan et al. Pilot contamination mitigation by fractional pilot reuse with threshold optimization in massive MIMO systems
Xia et al. Deep learning based beamforming neural networks in downlink MISO systems
Zhao et al. Learning precoding policy: CNN or GNN?
CN106793108A (zh) Mimo系统下行链路中联合用户选择和功率分配优化方法
WO2016007757A1 (en) Systems and methods for optimized beamforming and compression for uplink mimo cloud radio access networks
CN111010222B (zh) 一种基于深度学习的大规模mimo下行用户调度方法
Banoori et al. Pilot contamination mitigation under smart pilot allocation strategies within massive MIMO-5G system
He et al. Joint user scheduling and beamforming design for multiuser MISO downlink systems
Shi et al. Scalable coordinated beamforming for dense wireless cooperative networks
Schmidt et al. Beamforming techniques for single-beam MIMO interference networks
Mahmood et al. Deep Learning Meets Swarm Intelligence for UAV-Assisted IoT Coverage in Massive MIMO
Mohanty et al. Binary flower pollination algorithm based user scheduling for multiuser MIMO systems
Zhang et al. Deep learning-based coordinated beamforming for massive MIMO-enabled heterogeneous networks
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
Wijaya et al. Neural network based transmit power control and interference cancellation for MIMO small cell networks
Tan et al. Robust energy efficiency maximization in multicast downlink C-RAN
Sun et al. Density based user grouping for massive MIMO downlink in FDD system

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