CN111277312A - 基于深度复数网络的固定子阵空基毫米波波束成形方法 - Google Patents

基于深度复数网络的固定子阵空基毫米波波束成形方法 Download PDF

Info

Publication number
CN111277312A
CN111277312A CN202010118927.0A CN202010118927A CN111277312A CN 111277312 A CN111277312 A CN 111277312A CN 202010118927 A CN202010118927 A CN 202010118927A CN 111277312 A CN111277312 A CN 111277312A
Authority
CN
China
Prior art keywords
complex
matrix
millimeter wave
radio frequency
layer
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
Application number
CN202010118927.0A
Other languages
English (en)
Other versions
CN111277312B (zh
Inventor
罗杨
骆春波
刘子健
孙文健
许燕
张富鑫
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010118927.0A priority Critical patent/CN111277312B/zh
Publication of CN111277312A publication Critical patent/CN111277312A/zh
Application granted granted Critical
Publication of CN111277312B publication Critical patent/CN111277312B/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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting

Landscapes

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

Abstract

本发明公开了一种基于深度复数网络的固定子阵空基毫米波波束成形方法，通过固定子阵结构简化射频预编码矩阵和射频合并矩阵，相比于现有其他技术，大幅减少了移相器的需求，降低了硬件依赖，同时也降低了故障率；通过构建一种将复数的实部、虚部分别输入，而又与下层神经元全连接的神经网络，相较于传统需要将实部和虚部分开两个网络处理的方法，节省了计算资源；进而通过权值和偏置参数共享式虚部神经元和实部神经元节点表达式的设计，减少了一半的网络参数，大幅度降低了系统复杂度，节省了硬件资源，同时增快了运算速率，提高了实时性。

Description

基于深度复数网络的固定子阵空基毫米波波束成形方法
技术领域
本发明属于空基毫米波通信波控领域，具体涉及一种基于深度复数网络的固定子阵空基毫米波波束成形方法。
背景技术
毫米波通信具有带宽大、波束窄、全天候工作等优点，已广泛用于地面通信领域。目前通常采用大规模MIMO、混合波束成形等技术，来克服毫米波通信传输距离短、路径损耗高、射频器件造价高等缺点，提升通信容量和质量。
随着地面毫米波通信技术的日益成熟，空基毫米波通信技术的研究也成为了学术界和工程界的热点。与地基系统不同的是，空基毫米波通信是基于飞行器对飞行器，或者飞行器对地面的场景，通过研究高效的波束成形等抗干扰技术，降低飞行器高速运动对通信性能带来的影响，并在高性能和低功耗之间寻求平衡。
当前针对空基平台毫米波通信雷达波束成形的研究较少，且主要针对空基平台波束成形算法性能开展，没有对运算量的规模进行优化。由于空基平台要求在较短的时间内对通信目标进行波束对准，运算量较大的算法并不一定能够适用，另外全连接阵较复杂的连接性也对硬件提出了较高要求，同样动态子阵对于转换开关的额外要求降低了系统的可靠性，我们希望寻求较为简单的硬件结构，并配合高效的算法提升高速运动空基平台波束成形的性能。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于深度复数网络的固定子阵空基毫米波波束成形方法，在保障实时性的情况下，对深度神经网络的运算量规模进行优化，解决了空基毫米波的波束成形算法对硬件资源要求过大，且实时性低的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于深度复数网络的固定子阵空基毫米波波束成形方法，包括以下步骤：
S1、根据空基毫米波通信系统的窄带快衰落传输特性，建立空基毫米波MIMO信道固定子阵波束模型，将复杂的多天线毫米波信号传输抽象为与发送端天线阵列传输码流向量S、接收端处理后的接收信号
Figure BDA0002392340310000021
窄带信道矩阵H、数字预编码矩阵
Figure BDA0002392340310000022
射频预编码矩阵
Figure BDA0002392340310000023
数字合并矩阵
Figure BDA0002392340310000024
射频合并矩阵
Figure BDA0002392340310000025
平均接收功率ρ，以及噪声向量相关n的矩阵函数关系；
S2、设置9层复数神经网络；
S3、根据已知完整信道状态信息，得到包括发送端天线阵列传输码流向量S、接收端处理后的接收信号
Figure BDA0002392340310000026
窄带信道矩阵H、平均接收功率ρ和噪声向量相关n在内的训练集数据，通过反向传播梯度下降算法，对9层复数神经网络进行机器学习，得到训练完成的神经网络；
S4、根据窄带信道矩阵H和发射端天线导向向量At，通过训练完成的神经网络，得到数字预编码矩阵
Figure BDA0002392340310000027
和射频预编码矩阵
Figure BDA0002392340310000028
S5、通过数字信号处理器，根据数字预编码矩阵
Figure BDA0002392340310000029
对发送端天线阵列传输码流向量S进行数字预编码，得到数字预编码信号流SBB；
S6、通过移相器，根据射频预编码矩阵
Figure BDA00023923403100000210
对数字预编码信号流SBB进行射频预编码，得到毫米波波束X；
S7、根据窄带信道矩阵H和接收端天线导向向量Ar，通过训练完成的神经网络，得到数字合并矩阵
Figure BDA00023923403100000211
和射频合并矩阵
Figure BDA00023923403100000212
S8、通过移相器，根据射频合并矩阵
Figure BDA00023923403100000213
对毫米波接收信号Y进行射频接收处理，得到接收信号流YBB，所述毫米波接收信号Y为毫米波波束X在传输过程中受到信道干扰和噪声之后的传递到接收端天线的信号；
S9、通过数字信号处理器，根据数字合并矩阵
Figure BDA0002392340310000031
对接收信号流YBB进行基带接收处理，得到接收端处理后的接收信号
Figure BDA0002392340310000032
进一步地：步骤S1的空基毫米波MIMO信道固定子阵波束模型包括以下矩阵函数：
Figure BDA0002392340310000033
Figure BDA0002392340310000034
Figure BDA0002392340310000035
Figure BDA0002392340310000036
其中，S为发送端天线阵列传输码流向量、
Figure BDA0002392340310000037
为接收端处理后的接收信号、H为窄带信道矩阵、
Figure BDA0002392340310000038
为数字预编码矩阵、
Figure BDA0002392340310000039
为射频预编码矩阵、
Figure BDA00023923403100000310
为数字合并矩阵、
Figure BDA00023923403100000311
为射频合并矩阵，ρ为平均接收功率，n为噪声向量，γ为归一化因子，αil为电磁波在无线信道中第i个散射簇的第个散射路径的复数增益，
Figure BDA00023923403100000312
和
Figure BDA00023923403100000313
分别为水平向的到达角和离开角，
Figure BDA00023923403100000314
和
Figure BDA00023923403100000315
分别为垂直向的到达角和离开角。
Figure BDA00023923403100000316
和
Figure BDA00023923403100000317
分别为不同到达角和离开角组合对应的接收或发射天线增益，
Figure BDA00023923403100000318
为在水平向相应到达角和离开角组合条件下的归一化接收阵列响应向量，
Figure BDA00023923403100000319
为在垂直向相应到达角和离开角组合条件下的归一化发射阵列相应向量，Nr为接收端天线数量，Nt为发射端天线数量，
Figure BDA00023923403100000320
为发射端射频链路数量，
Figure BDA00023923403100000321
为接收端射频链路数量，D为固定子阵数量，
Figure BDA0002392340310000041
为射频预编码固定子阵向量，
Figure BDA0002392340310000042
为射频合并固定子阵向量。
进一步地：9层复数神经网络包括：输入层、第一复全连接层、第二复全连接层、第三复全连接层、第四复全连接层、第五复全连接层、第六复全连接层、第七复全连接层和输出层；所述9层复数神经网络的每层均包括1～N[l]的实部神经元和N[l]+1～2N[l]的虚部神经元，N[l]为第l复全连接层实部神经元总数目；所述第一复全连接层的实部神经元数目和虚部神经元数目均为64；所述第二复全连接层的实部神经元数目和虚部神经元数目均为256；所述第三复全连接层的实部神经元数目和虚部神经元数目均为512；所述第四复全连接层的实部神经元数目和虚部神经元数目均为1024；所述第五复全连接层的实部神经元数目和虚部神经元数目均为512；所述第六复全连接层的实部神经元数目和虚部神经元数目均为256；所述第七复全连接层的实部神经元数目和虚部神经元数目均为64。
进一步地：实部神经元的节点表达式为：
Figure BDA0002392340310000043
其中
Figure BDA0002392340310000044
为第l全连接层第j个实神经元节点函数，
Figure BDA0002392340310000045
为实权值，
Figure BDA0002392340310000046
为虚权值，
Figure BDA0002392340310000047
为第l-1全连接层第i个实神经元节点输出值，
Figure BDA0002392340310000048
为实偏置，
Figure BDA0002392340310000049
为第l-1全连接层第N[l-1]+i个虚神经元节点输出值，
Figure BDA00023923403100000410
为虚偏置。
进一步地：虚部神经元的节点表达式为：
Figure BDA00023923403100000411
其中，
Figure BDA00023923403100000412
为第l全连接层第N[l]+j个虚神经元节点函数。
进一步地：第一复全连接层、第二复全连接层、第三复全连接层、第四复全连接层、第五复全连接层、第六复全连接层和第七复全连接层的激活函数为线性整流函数ReLU。
进一步地：第二复全连接层、第四复全连接层和第六复全连接层进行了批归一化Batch处理。
进一步地：步骤S5的数字预编码遵循如下矩阵函数：
Figure BDA0002392340310000051
进一步地：步骤S6的射频预编码遵循如下矩阵函数：
Figure BDA0002392340310000052
本发明的有益效果为：通过固定子阵结构简化射频预编码矩阵和射频合并矩阵，相比于现有其他技术，大幅减少了移相器的需求，降低了硬件依赖，同时也降低了故障率；通过构建一种将复数的实部、虚部分别输入，而又与下层神经元全连接的神经网络，相较于传统需要将实部和虚部分开两个网络处理的方法，节省了计算资源；进而通过权值和偏置参数共享式虚部神经元和实部神经元节点表达式的设计，减少了一半的网络参数，大幅度降低了系统复杂度，节省了硬件资源，同时增快了运算速率，提高了实时性。
附图说明
图1为一种基于深度复数网络的固定子阵空基毫米波波束成形方法流程图。
图2为9层复数神经网络的结构图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种基于深度复数网络的固定子阵空基毫米波波束成形方法，包括以下步骤：
S1、根据空基毫米波通信系统的窄带快衰落传输特性，建立空基毫米波MIMO信道固定子阵波束模型，将复杂的多天线毫米波信号传输抽象为与发送端天线阵列传输码流向量S、接收端处理后的接收信号
Figure BDA0002392340310000061
窄带信道矩阵H、数字预编码矩阵
Figure BDA0002392340310000062
射频预编码矩阵
Figure BDA0002392340310000063
数字合并矩阵
Figure BDA0002392340310000064
射频合并矩阵
Figure BDA0002392340310000065
平均接收功率ρ，以及噪声向量相关n的矩阵函数关系；
步骤S1的空基毫米波MIMO信道固定子阵波束模型包括以下矩阵函数：
Figure BDA0002392340310000066
Figure BDA0002392340310000067
Figure BDA0002392340310000068
Figure BDA0002392340310000069
其中，S为发送端天线阵列传输码流向量、
Figure BDA00023923403100000610
为接收端处理后的接收信号、H为窄带信道矩阵、
Figure BDA00023923403100000611
为数字预编码矩阵、
Figure BDA00023923403100000612
为射频预编码矩阵、
Figure BDA00023923403100000613
为数字合并矩阵、
Figure BDA00023923403100000614
为射频合并矩阵，ρ为平均接收功率，n为噪声向量，γ为归一化因子，
Figure BDA00023923403100000622
为电磁波在无线信道中第i个散射簇的第
Figure BDA00023923403100000623
个散射路径的复数增益，
Figure BDA00023923403100000615
和
Figure BDA00023923403100000616
分别为水平向的到达角和离开角，
Figure BDA00023923403100000617
和
Figure BDA00023923403100000618
分别为垂直向的到达角和离开角。
Figure BDA00023923403100000619
和
Figure BDA00023923403100000620
分别为不同到达角和离开角组合对应的接收或发射天线增益，
Figure BDA00023923403100000621
为在水平向相应到达角和离开角组合条件下的归一化接收阵列响应向量，
Figure BDA0002392340310000071
为在垂直向相应到达角和离开角组合条件下的归一化发射阵列相应向量，Nr为接收端天线数量，Nt为发射端天线数量，
Figure BDA0002392340310000072
为发射端射频链路数量，
Figure BDA0002392340310000073
为接收端射频链路数量，D为固定子阵数量，
Figure BDA0002392340310000074
为射频预编码固定子阵向量，
Figure BDA0002392340310000075
为射频合并固定子阵向量。
S2、设置9层复数神经网络；
S3、根据已知完整信道状态信息，得到包括发送端天线阵列传输码流向量S、接收端处理后的接收信号
Figure BDA0002392340310000076
窄带信道矩阵H、平均接收功率ρ和噪声向量相关n在内的训练集数据，通过反向传播梯度下降算法，对9层复数神经网络进行机器学习，得到训练完成的神经网络；
如图2所示，9层复数神经网络包括：输入层、第一复全连接层、第二复全连接层、第三复全连接层、第四复全连接层、第五复全连接层、第六复全连接层、第七复全连接层和输出层；所述9层复数神经网络的每层均包括1～N[l]的实部神经元和N[l]+1～2N[l]的虚部神经元，N[l]为第l复全连接层实部神经元总数目；所述第一复全连接层的实部神经元数目和虚部神经元数目均为64；所述第二复全连接层的实部神经元数目和虚部神经元数目均为256；所述第三复全连接层的实部神经元数目和虚部神经元数目均为512；所述第四复全连接层的实部神经元数目和虚部神经元数目均为1024；所述第五复全连接层的实部神经元数目和虚部神经元数目均为512；所述第六复全连接层的实部神经元数目和虚部神经元数目均为256；所述第七复全连接层的实部神经元数目和虚部神经元数目均为64。
第一复全连接层、第二复全连接层、第三复全连接层、第四复全连接层、第五复全连接层、第六复全连接层和第七复全连接层的激活函数为线性整流函数ReLU。
第二复全连接层、第四复全连接层和第六复全连接层进行了批归一化Batch处理。
实部神经元的节点表达式为：
Figure BDA0002392340310000081
其中
Figure BDA0002392340310000082
为第l全连接层第j个实神经元节点函数，
Figure BDA0002392340310000083
为实权值，
Figure BDA0002392340310000084
为虚权值，
Figure BDA0002392340310000085
为第l-1全连接层第i个实神经元节点输出值，
Figure BDA0002392340310000086
为实偏置，
Figure BDA0002392340310000087
为第l-1全连接层第N[l-1]+i个虚神经元节点输出值，
Figure BDA0002392340310000088
为虚偏置。
通过参数共享网络参数可以减少一半，即
Figure BDA0002392340310000089
Figure BDA00023923403100000810
则虚部神经元的节点表达式为：
Figure BDA00023923403100000811
其中，
Figure BDA00023923403100000812
为第l全连接层第N[l]+j个虚神经元节点函数。
S4、根据窄带信道矩阵H和发射端天线导向向量At，通过训练完成的神经网络，得到数字预编码矩阵
Figure BDA00023923403100000813
和射频预编码矩阵
Figure BDA00023923403100000814
S5、通过数字信号处理器，根据数字预编码矩阵
Figure BDA00023923403100000815
对发送端天线阵列传输码流向量S进行数字预编码，得到数字预编码信号流SBB；
步骤S5的数字预编码遵循如下矩阵函数：
Figure BDA00023923403100000816
S6、通过移相器，根据射频预编码矩阵
Figure BDA00023923403100000817
对数字预编码信号流SBB进行射频预编码，得到毫米波波束X。
步骤S6的射频预编码遵循如下矩阵函数：
Figure BDA0002392340310000091
S7、根据窄带信道矩阵H和接收端天线导向向量Ar，通过训练完成的神经网络，得到数字合并矩阵
Figure BDA0002392340310000092
和射频合并矩阵
Figure BDA0002392340310000093
S8、通过移相器，根据射频合并矩阵
Figure BDA0002392340310000094
对毫米波接收信号Y进行射频接收处理，得到接收信号流YBB，所述毫米波接收信号Y为毫米波波束X在传输过程中受到信道干扰和噪声之后的传递到接收端天线的信号；
S9、通过数字信号处理器，根据数字合并矩阵
Figure BDA0002392340310000095
对接收信号流YBB进行基带接收处理，得到接收端处理后的接收信号
Figure BDA0002392340310000096
本发明通过固定子阵结构简化射频预编码矩阵和射频合并矩阵，相比于现有其他技术，大幅减少了移相器的需求，降低了硬件依赖，同时也降低了故障率；通过构建一种将复数的实部、虚部分别输入，而又与下层神经元全连接的神经网络，相较于传统需要将实部和虚部分开两个网络处理的方法，节省了计算资源；进而通过权值和偏置参数共享式虚部神经元和实部神经元节点表达式的设计，减少了一半的网络参数，大幅度降低了系统复杂度，节省了硬件资源，同时增快了运算速率，提高了实时性。

Claims (9)

1.一种基于深度复数网络的固定子阵空基毫米波波束成形方法，其特征在于，包括以下步骤：
S1、根据空基毫米波通信系统的窄带快衰落传输特性，建立空基毫米波MIMO信道固定子阵波束模型，将复杂的多天线毫米波信号传输抽象为与发送端天线阵列传输码流向量S、接收端处理后的接收信号
Figure FDA0002392340300000011
窄带信道矩阵H、数字预编码矩阵
Figure FDA0002392340300000012
射频预编码矩阵
Figure FDA0002392340300000013
数字合并矩阵
Figure FDA0002392340300000014
射频合并矩阵
Figure FDA0002392340300000015
平均接收功率ρ，以及噪声向量相关n的矩阵函数关系；
S2、设置9层复数神经网络；
S3、根据已知完整信道状态信息，得到包括发送端天线阵列传输码流向量S、接收端处理后的接收信号
Figure FDA0002392340300000016
窄带信道矩阵H、平均接收功率ρ和噪声向量相关n在内的训练集数据，通过反向传播梯度下降算法，对9层复数神经网络进行机器学习，得到训练完成的神经网络；
S4、根据窄带信道矩阵H和发射端天线导向向量At，通过训练完成的神经网络，得到数字预编码矩阵
Figure FDA0002392340300000017
和射频预编码矩阵
Figure FDA0002392340300000018
S5、通过数字信号处理器，根据数字预编码矩阵
Figure FDA0002392340300000019
对发送端天线阵列传输码流向量S进行数字预编码，得到数字预编码信号流SBB；
S6、通过移相器，根据射频预编码矩阵
Figure FDA00023923403000000110
对数字预编码信号流SBB进行射频预编码，得到毫米波波束X；
S7、根据窄带信道矩阵H和接收端天线导向向量Ar，通过训练完成的神经网络，得到数字合并矩阵
Figure FDA00023923403000000111
和射频合并矩阵
Figure FDA00023923403000000112
S8、通过移相器，根据射频合并矩阵
Figure FDA00023923403000000113
对毫米波接收信号Y进行射频接收处理，得到接收信号流YBB，所述毫米波接收信号Y为毫米波波束X在传输过程中受到信道干扰和噪声之后的传递到接收端天线的信号；
S9、通过数字信号处理器，根据数字合并矩阵
Figure FDA0002392340300000021
对接收信号流YBB进行基带接收处理，得到接收端处理后的接收信号
Figure FDA0002392340300000022
2.根据权利要求1所述的基于深度复数网络的固定子阵空基毫米波波束成形方法，其特征在于，所述步骤S1的空基毫米波MIMO信道固定子阵波束模型包括以下矩阵函数：
Figure FDA0002392340300000023
Figure FDA0002392340300000024
Figure FDA0002392340300000025
Figure FDA0002392340300000026
其中，S为发送端天线阵列传输码流向量，
Figure FDA0002392340300000027
为接收端处理后的接收信号，H为窄带信道矩阵，
Figure FDA0002392340300000028
为数字预编码矩阵，
Figure FDA0002392340300000029
为射频预编码矩阵，
Figure FDA00023923403000000210
为数字合并矩阵，
Figure FDA00023923403000000211
为射频合并矩阵，ρ为平均接收功率，n为噪声向量，γ为归一化因子，αil为电磁波在无线信道中第i个散射簇的第l个散射路径的复数增益，
Figure FDA00023923403000000212
和
Figure FDA00023923403000000213
分别为水平向的到达角和离开角，
Figure FDA00023923403000000214
和
Figure FDA00023923403000000215
分别为垂直向的到达角和离开角，
Figure FDA00023923403000000216
和
Figure FDA00023923403000000217
分别为不同到达角和离开角组合对应的接收或发射天线增益，
Figure FDA00023923403000000218
为在水平向相应到达角和离开角组合条件下的归一化接收阵列响应向量，
Figure FDA00023923403000000219
为在垂直向相应到达角和离开角组合条件下的归一化发射阵列相应向量，Nr为接收端天线数量，Nt为发射端天线数量，
Figure FDA00023923403000000220
为发射端射频链路数量，
Figure FDA00023923403000000221
为接收端射频链路数量，D为固定子阵数量，
Figure FDA0002392340300000031
为射频预编码固定子阵向量，
Figure FDA0002392340300000032
为射频合并固定子阵向量。
3.根据权利要求1所述的基于深度复数网络的固定子阵空基毫米波波束成形方法，其特征在于，所述步骤S2中9层复数神经网络包括：输入层、第一复全连接层、第二复全连接层、第三复全连接层、第四复全连接层、第五复全连接层、第六复全连接层、第七复全连接层和输出层；所述9层复数神经网络的每层均包括1～N[l]个实部神经元和(N[l]+1)～2N[l]个虚部神经元，N[l]为第l复全连接层实部神经元总数目。
4.根据权利要求3所述的基于深度复数网络的固定子阵空基毫米波波束成形方法，其特征在于，所述实部神经元的节点表达式为：
Figure FDA0002392340300000033
其中
Figure FDA0002392340300000034
为第l全连接层第j个实神经元节点函数，
Figure FDA0002392340300000035
为实权值，
Figure FDA0002392340300000036
为虚权值，
Figure FDA0002392340300000037
为第l-1全连接层第i个实神经元节点输出值，
Figure FDA0002392340300000038
为实偏置，
Figure FDA0002392340300000039
为第l-1全连接层第N[l-1]+i个虚神经元节点输出值，
Figure FDA00023923403000000310
为虚偏置。
5.根据权利要求4所述的基于深度复数网络的固定子阵空基毫米波波束成形方法，其特征在于，所述虚部神经元的节点表达式为：
Figure FDA00023923403000000311
其中，
Figure FDA00023923403000000312
为第l全连接层第N[l]+j个虚神经元节点函数。
6.根据权利要求3所述的基于深度复数网络的固定子阵空基毫米波波束成形方法，其特征在于，所述第一复全连接层、第二复全连接层、第三复全连接层、第四复全连接层、第五复全连接层、第六复全连接层和第七复全连接层的激活函数为线性整流函数ReLU。
7.根据权利要求3所述的基于深度复数网络的固定子阵空基毫米波波束成形方法，其特征在于，所述第二复全连接层、第四复全连接层和第六复全连接层进行了批归一化Batch处理。
8.根据权利要求1所述的基于深度复数网络的固定子阵空基毫米波波束成形方法，其特征在于，所述步骤S5的数字预编码遵循如下矩阵函数：
Figure FDA0002392340300000041
9.根据权利要求1所述的基于深度复数网络的固定子阵空基毫米波波束成形方法，其特征在于，所述步骤S6的射频预编码遵循如下矩阵函数：
Figure FDA0002392340300000042
CN202010118927.0A 2020-02-26 2020-02-26 基于深度复数网络的固定子阵空基毫米波波束成形方法 Active CN111277312B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010118927.0A CN111277312B (zh) 2020-02-26 2020-02-26 基于深度复数网络的固定子阵空基毫米波波束成形方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010118927.0A CN111277312B (zh) 2020-02-26 2020-02-26 基于深度复数网络的固定子阵空基毫米波波束成形方法

Publications (2)

Publication Number Publication Date
CN111277312A true CN111277312A (zh) 2020-06-12
CN111277312B CN111277312B (zh) 2020-10-30

Family

ID=70999544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010118927.0A Active CN111277312B (zh) 2020-02-26 2020-02-26 基于深度复数网络的固定子阵空基毫米波波束成形方法

Country Status (1)

Country Link
CN (1) CN111277312B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112165346A (zh) * 2020-09-21 2021-01-01 合肥芯谷微电子有限公司 一种毫米波通信共享幅度加权模拟波束赋形优化方法
CN112446326A (zh) * 2020-11-26 2021-03-05 中国核动力研究设计院 基于深度复卷积网络的屏蔽泵故障模式识别方法及系统
CN112491442A (zh) * 2020-11-17 2021-03-12 中山大学 一种自干扰消除方法及装置
CN112505628A (zh) * 2020-10-29 2021-03-16 北京遥测技术研究所 一种基于图卷积神经网络的自适应波束形成方法
CN112910521A (zh) * 2021-02-27 2021-06-04 中电万维信息技术有限责任公司 一种基于深度学习的mimo混合波束赋形方法
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
CN114499711A (zh) * 2021-12-20 2022-05-13 浙江大学 基于深度复数网络的智能反射面系统的反射系数估计方法
CN114866119A (zh) * 2022-04-15 2022-08-05 电子科技大学长三角研究院(湖州) 一种非完美信道状态信息条件下的混合波束成形方法
CN116112044A (zh) * 2022-08-09 2023-05-12 西安电子科技大学 基于神经网络的高能效混合预编码方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108828505A (zh) * 2018-04-16 2018-11-16 南京理工大学 基于机器学习的到达角估计算法研究及应用
CN109547082A (zh) * 2019-01-04 2019-03-29 上海电机学院 基于毫米波大规模天线系统的混合预编码优化方法
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
KR20190069332A (ko) * 2017-12-11 2019-06-19 한국전자통신연구원 딥러닝을 이용한 빔포빙 방법
CN110365612A (zh) * 2019-06-17 2019-10-22 浙江大学 一种基于近似消息传递算法的深度学习波束域信道估计方法
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
WO2020002127A1 (en) * 2018-06-28 2020-01-02 Nokia Technologies Oy Methods and apparatuses of multi-user multiple-input multiple-output beam selection and user pairing using deep learning
CN110650103A (zh) * 2019-09-18 2020-01-03 北京理工大学 利用冗余字典加强稀疏性的透镜天线阵列信道估计方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190069332A (ko) * 2017-12-11 2019-06-19 한국전자통신연구원 딥러닝을 이용한 빔포빙 방법
CN108828505A (zh) * 2018-04-16 2018-11-16 南京理工大学 基于机器学习的到达角估计算法研究及应用
WO2020002127A1 (en) * 2018-06-28 2020-01-02 Nokia Technologies Oy Methods and apparatuses of multi-user multiple-input multiple-output beam selection and user pairing using deep learning
CN109547082A (zh) * 2019-01-04 2019-03-29 上海电机学院 基于毫米波大规模天线系统的混合预编码优化方法
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
CN110365612A (zh) * 2019-06-17 2019-10-22 浙江大学 一种基于近似消息传递算法的深度学习波束域信道估计方法
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
CN110650103A (zh) * 2019-09-18 2020-01-03 北京理工大学 利用冗余字典加强稀疏性的透镜天线阵列信道估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAOFENG LI, AHMED ALKHATEEB: "Deep Learning for Direct Hybrid Precoding in Millimeter Wave Massive MIMO Systems", 《2019 53RD ASILOMAR CONFERENCE ON SINGALS, SYSTEMS, AND COMPUTERS》 *
马文焱,戚晨皓: "基于深度学习的上行传输过程毫米波通信波束选择方法", 《合肥工业大学学报》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112165346A (zh) * 2020-09-21 2021-01-01 合肥芯谷微电子有限公司 一种毫米波通信共享幅度加权模拟波束赋形优化方法
CN112165346B (zh) * 2020-09-21 2022-07-12 合肥芯谷微电子有限公司 一种毫米波通信共享幅度加权模拟波束赋形优化方法
CN112505628A (zh) * 2020-10-29 2021-03-16 北京遥测技术研究所 一种基于图卷积神经网络的自适应波束形成方法
CN112505628B (zh) * 2020-10-29 2023-09-29 北京遥测技术研究所 一种基于图卷积神经网络的自适应波束形成方法
CN112491442A (zh) * 2020-11-17 2021-03-12 中山大学 一种自干扰消除方法及装置
CN112446326A (zh) * 2020-11-26 2021-03-05 中国核动力研究设计院 基于深度复卷积网络的屏蔽泵故障模式识别方法及系统
CN112910521A (zh) * 2021-02-27 2021-06-04 中电万维信息技术有限责任公司 一种基于深度学习的mimo混合波束赋形方法
CN112910521B (zh) * 2021-02-27 2022-04-05 中电万维信息技术有限责任公司 一种基于深度学习的mimo混合波束赋形方法
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
CN114499711A (zh) * 2021-12-20 2022-05-13 浙江大学 基于深度复数网络的智能反射面系统的反射系数估计方法
CN114499711B (zh) * 2021-12-20 2023-03-14 浙江大学 基于深度复数网络的智能反射面系统的反射系数估计方法
CN114866119A (zh) * 2022-04-15 2022-08-05 电子科技大学长三角研究院(湖州) 一种非完美信道状态信息条件下的混合波束成形方法
CN114866119B (zh) * 2022-04-15 2023-09-26 电子科技大学长三角研究院(湖州) 一种非完美信道状态信息条件下的混合波束成形方法
CN116112044A (zh) * 2022-08-09 2023-05-12 西安电子科技大学 基于神经网络的高能效混合预编码方法

Also Published As

Publication number Publication date
CN111277312B (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111277312B (zh) 基于深度复数网络的固定子阵空基毫米波波束成形方法
CN111092641B (zh) 基于毫米波mimo系统深度学习的混合预编码设计方法
CN110557177A (zh) 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法
CN113300746B (zh) 毫米波mimo天线与混合波束成形优化方法及系统
KR102154481B1 (ko) 딥러닝을 이용한 대규모 mimo 시스템의 빔포밍 장치 및 방법
CN109617584A (zh) 一种基于深度学习的mimo系统波束成形矩阵设计方法
CN111181619A (zh) 基于深度强化学习的毫米波混合波束成形设计方法
CN106571858B (zh) 一种混合波束成形传输系统
CN110113088B (zh) 一种分离型数模混合天线系统波达角智能化估计方法
CN112737647A (zh) 一种基于混合连接的毫米波大规模mimo预编码方法
CN113438002B (zh) 基于lstm的模拟波束切换方法、装置、设备及介质
CN115102592B (zh) 一种基于联邦学习的多用户mimo波束成形方法
CN111478724A (zh) 一种面向无人机毫米波平台的三维波束搜索方法
Li et al. Multi-task deep learning based hybrid precoding for mmWave massive MIMO system
Helmy et al. Performance enhancement of massive MIMO using deep learning-based channel estimation
CN114745232A (zh) 智能可重构表面辅助毫米波mimo系统的信道估计方法
CN104994041B (zh) 三维大规模天线系统基于导频的波达波离角联合估计方法
CN111313945B (zh) 一种降低毫米波mimo系统峰均比的方法
CN112398513A (zh) 一种massive MIMO系统的波束赋形方法
CN112636800B (zh) 基于毫米波大规模mimo多用户场景的混合预编码方法
CN112165344B (zh) 一种基于梯度下降法的混合预编码方法
CN115426019A (zh) 一种3d混合波束成形方法、装置及电子设备
Wang et al. Two-timescale beamforming for IRS-assisted millimeter wave systems: A deep unrolling-based stochastic optimization approach
CN115001545A (zh) 一种毫米波大规模mimo系统中的混合预编码方法
CN109245803B (zh) 一种快速信道估计与混合预编码方法及系统

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