CN111460606A - 基于神经网络的波束成形发射机行为级建模系统及其方法 - Google Patents

基于神经网络的波束成形发射机行为级建模系统及其方法 Download PDF

Info

Publication number
CN111460606A
CN111460606A CN202010106375.1A CN202010106375A CN111460606A CN 111460606 A CN111460606 A CN 111460606A CN 202010106375 A CN202010106375 A CN 202010106375A CN 111460606 A CN111460606 A CN 111460606A
Authority
CN
China
Prior art keywords
neural network
transmitter
layer
input
dynamic configuration
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
CN202010106375.1A
Other languages
English (en)
Other versions
CN111460606B (zh
Inventor
余超
印航
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
Network Communication and Security Zijinshan Laboratory
Original Assignee
Southeast University
Network Communication and Security Zijinshan Laboratory
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, Network Communication and Security Zijinshan Laboratory filed Critical Southeast University
Priority to CN202010106375.1A priority Critical patent/CN111460606B/zh
Publication of CN111460606A publication Critical patent/CN111460606A/zh
Application granted granted Critical
Publication of CN111460606B publication Critical patent/CN111460606B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—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
    • 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

Landscapes

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

Abstract

本发明公开了一种基于神经网络的波束成形发射机行为级建模系统及其方法，本发明针对具有共发动态配置的毫米波波束成型发射机，并且直接通过空中接口(OTA)测试获得用于模型建立信号。在本发明中的建模系统上，用于建模的神经网络的输入是异构的，包括共发的动态配置输入以及发射机的输入信号，而用于建模的神经网络的输出是发射机的输出信号。本发明所提供的方法中通过结合共发的动态配置以及发射机的输入输出信号，能够对大量发射机状态下的大量行为进行准确表征，而且实验结果表明其具有出色的交叉验证性能，在第五代移动通信系统(5G)和未来的智能通信系统中具有广泛应用前景。

Description

基于神经网络的波束成形发射机行为级建模系统及其方法
技术领域
本发明属于波束成形发射机的行为级建模，具体涉及基于神经网络的波束成形发射机行为级建模系统及方法。
背景技术
具有广阔未开发频谱资源的毫米波频段，将被应用在第五代移动通信系统中，以支持大量的未来应用场景，比如，增强型移动宽带(eMBB),大规模机器通信(mMTC)以及超可靠低延时(URLLC)通信。然而，由于毫米波在空间传播迅速衰减的物理特性，需要引入波束成形技术，即利用多个天线合成特定方向上高度聚焦的波束，将其与毫米波结合以克服传播路径损耗。与此同时，为了有效利用毫米波波束成形发射机中的有限通讯资源，发射机的多个属性，例如，波束角度、工作频率以及发射功率会根据实时环境条件进行动态配置。为了进一步利用通讯资源，这些配置甚至可能会被同时调整。
在系统设计、仿真、校准中，需要高精度的行为级模型对其进行保障。然而，建模具有共发动态配置的毫米波波束成形发射机具有巨大挑战。学界几乎没有对具有多个共发动态配置非线性系统建模的相关工作。而且，出于对建模信号获取的考虑，随着压缩集成的趋势，越来越小的空间可以被用来在功率放大器和天线阵之间安放耦合器，因此，基于空中接口(OTA)的行为级模型成为一种可行的选择。但是这会带来额外的挑战，因为通道间互耦以及信道信息会被一并考虑。总之，亟需开发对于具有动态配置波束成形发射机的OTA行为级模型。
发明内容
发明目的：针对上述现有技术的不足，本发明的第一目的是提供一种基于神经网络的波束成形发射机行为级建模系统，解决具有共发动态配置的波束成形发射机的行为级建模存在的缺陷，并且本发明的第二目的是提供一种基于神经网络的波束成形发射机行为级建模方法，实现对具有共发动态配置的波束成形发射机准确建模。
技术方案：一种基于神经网络的波束成形发射机行为级建模系统，所述系统基于OTA测试，利用异构神经网络对具有共发动态配置的毫米波波束成型发射机进行建模；
所述OTA测试，用于模型建立信号的获取是直接通过OTA测试获得的，即不在发射机的输出端利用耦合器将其输出信号耦合出来，而是直接在发射机辐射出的波束处进行信号采集；
所述异构神经网络包括输入层、隐藏层和输出层。
更进一步的，所述输入层是异构的，包括共发的动态配置输入以及发射机的输入信号，而输出层是发射机的输出信号；
所述具有共发动态配置的毫米波波束成型发射机的3个动态配置会同时发生动态变化，三个共发的动态配置为波束角度、频率、功率的动态配置。
一种基于神经网络的波束成形发射机行为级建模方法，所述方法包括对输入层、隐藏层和输出层的信号处理；
所述输入层对建模输入信号的I路部分信号Iin(n)、Q路部分信号Qin(n)进行延时处理，其中n为采样的时间点，并结合共发的动态配置输入，包括波束角度b、频率f以及功率p，得到建模系统记忆深度为M时的神经网络输入向量x：
x＝[b,f,p,Iin(n),Iin(n-1),…,Iin(n-M),Qin(n),Qin(n-1),…,Qin(n-M)]T
所述隐藏层对输入向量进行如下运算，得到h个隐藏层时神经网络的输出向量y：
y＝f(Wh(…f(W2f(W1x+b1)+b2)…)+bh)
其中，Wi,i＝1,2,…,h是从i-1层到i层的权重矩阵，bi,i＝1,2,…,h是在第i层的偏置向量，f(·)是在每个隐藏层的激活函数。
进一步的，所述方法包括对系统的训练和运行控制，包括以下步骤：
(1)系统训练：对利用OTA中得到的信号进行预处理以及神经网络的参数提取。
(2)系统运行：利用训练好的神经网络参数，验证系统的建模性能表现。
更进一步的，所述系统训练中对利用OTA中得到的信号进行预处理，具体来讲，对每个发射机动态配置下的输出信号，编号k,k＝1,2,…,K，K为待建模状态总数，进行时延和相位的调整，使得K个信号之间两两的平方误差之和最小。
所述系统训练中神经网络的参数提取，利用Levenberg-Marquardt算法，优化神经网络的权重矩阵Wi,i＝1,2,…,h以及偏置向量bi,i＝1,2,…,h参数，使得模型预测的发射机输出信号与实际的发射机输出信号之间的平方误差最小。
所述系统运行中，利用训练好的神经网络参数，在某个发射机的共发动态配置下，利用其输入信号，对输出信号进行预测。
有益效果：与现有技术相比，本发明利用神经网络这一强大的工具，实现了对具有多重共发动态配置的毫米波波束成形发射机的精确行为级建模。而且实验结果表明所提出建模系统及其方法具有优秀的建模性能，在5G中具有广阔的应用前景。
附图说明
图1是本发明所述系统的示意框图；
图2是用于验证本发明的实验平台结构图；
图3是所述系统在125个发射机状态下的测试集上的建模性能表现效果图。
具体实施方式
为了详细的说明本发明公开的技术方案，下面结合说明书附图及具体实施例做进一步的阐述。
本发明所公开的是一种基于神经网络的波束成形发射机行为级建模系统及其方法，其中基于神经网络的波束成形发射机行为级建模系统结构如图1所示。所述系统基于OTA测试，用于模型建立信号的获取是直接通过OTA测试获得的，具体来讲，不在发射机的输出端利用耦合器将其输出信号耦合出来，而是直接在发射机辐射出的波束处进行信号采集。所述系统利用异构神经网络对具有共发动态配置的毫米波波束成型发射机进行建模，包括输入层、隐藏层和输出层。输入层是异构的，包括共发的动态配置输入以及发射机的输入信号，而输出层是发射机的输出信号。被建模对象是具有共发动态配置的毫米波波束成型发射机，其多个配置会同时发生动态变化，本发明中，利用三个共发的动态配置，即波束角度、频率、功率对所提出系统及采用其的方法进行了验证。
本发明的实验验证过程分为两个部分，系统训练过程与系统运行过程。
1、首先是系统训练的过程：
为了验证本发明中建模系统的实际表现，首先建立了如图2所示的实验验证平台。其中，采用了一个由倍频器、混频器、基片集成波导带限滤波器以及毫米波功率放大器构成的毫米波波束成形发射机。矢量信号发生器R&SSMW200A将会从个人电脑(PC)下载一个20-MHz带宽的长期演进(LTE)信号，然后生成具有可配置相位差(以合成指向不同角度的波束)、频率以及功率的两路中频(IF)信号。信号发生器KeysightE8257D会生成本振(LO)信号。然后，上述两路IF信号会被变频到27GHz附近的毫米波频段。详细的发射机配置如表1所示。之后，发射机的输出会在不同角度上的主瓣上被采集，然后被频谱分析仪KeysightN9030B所采集并发送回PC用来建模。出于交叉验证的考虑，75％的数据会被用作训练集，而剩下的25％会被用作验证集。
表1.发射机的动态配置
Figure BDA0002388597560000041
经过本发明中信号预处理过程后，125个不同发射机状态下对应的输出信号的平方误差分布被明显改善，预处理前，125个信号间的标准差为0.2803，预处理后，标准差被降为0.2717。然后，利用Levenberg-Marquardt算法，进行神经网络的参数提取。
2、然后是系统运行的过程：
利用提取好的神经网络参数，验证系统建模准确度。125个状态下验证集上建模精度如图3所示，在图3中，纵轴表示不同的频率配置，频率1到频率5对应着从26.950GHz到27.050GHz，间隔25MHz，横轴表示不同的波束角度以及功率配置，其中波束1到波束5对应波束角度从-25°到+15°，间隔5°，而功率1到功率5对应功率从2.3dBm到3.5dBm，间隔0.3dBm。从图3可以看出，对于125个状态中的每个状态，测试集上都可以取得低于-38dBNMSE(归一化平方误差)的优秀性能。
综述，本发明中，采用一种新型的异构神经网络架构，在神经网络的输入层中结合了配置输入以及信号输入的异构结构，可以实现对具有多个共发动态配置的毫米波波束成形发射机的精确建模。测试集上优秀的性能意味着本发明在5G以及未来通信系统中具有广阔应用前景。

Claims (5)

1.一种基于神经网络的波束成形发射机行为级建模系统，其特征在于：所述系统基于空中接口测试，利用异构神经网络对具有共发动态配置的毫米波波束成型发射机进行建模；
所述空中接口测试，用于直接获取模型建立信号；
所述异构神经网络包括输入层、隐藏层和输出层，所述输入层为包括共发的动态配置输入和发射机的输入信号的异构形式，所述输出层为发射机的输出信号；
所述具有共发动态配置的毫米波波束成型发射机中的动态配置包括波束角度、频率、功率三个方面。
2.一种基于神经网络的波束成形发射机行为级建模方法，其特征在于：所述方法包括对输入层、隐藏层和输出层的信号处理；
所述输入层对建模输入信号的I路部分信号Iin(n)、Q路部分信号Qin(n)进行延时处理，其中n为采样的时间点，并结合共发的动态配置输入，包括波束角度b、频率f以及功率p，得到建模系统记忆深度为M时的神经网络输入向量x：
x＝[b,f,p,Iin(n),Iin(n-1),…,Iin(n-M),Qin(n),Qin(n-1),…,Qin(n-M)]T
所述隐藏层对输入向量进行如下运算，得到h个隐藏层时神经网络的输出向量y：
y＝f(Wh(…f(W2f(W1x+b1)+b2)…)+bh)
其中，Wi,i＝1,2,…,h是从i-1层到i层的权重矩阵，bi,i＝1,2,…,h是在第i层的偏置向量，f(·)是在每个隐藏层的激活函数。
3.根据权利要求2所述基于神经网络的波束成形发射机行为级建模方法，其特征在于：所述方法包括对系统的训练和运行控制，包括以下步骤：
(1)系统训练：对利用OTA中得到的信号进行预处理和神经网络的参数提取；
(2)系统运行：利用训练好的神经网络参数，验证系统的建模性能表现。
4.根据权利要求3所述的基于神经网络的波束成形发射机行为级建模方法，其特征在于：所述系统训练中对利用OTA测试得到的信号进行预处理，具体如下：
对每个发射机动态配置下的输出信号，编号k,k＝1,2,…,K，K为待建模状态总数，进行时延和相位的调整，使得K个信号之间两两的平方误差之和最小；
所述系统训练中神经网络的参数提取，利用Levenberg-Marquardt算法，优化神经网络的权重矩阵Wi,i＝1,2,…,h以及偏置向量bi,i＝1,2,…,h参数，使得模型预测的发射机输出信号与实际的发射机输出信号之间的平方误差最小。
5.根据权利要求3所述的基于神经网络的波束成形发射机行为级建模方法，其特征在于：所述系统运行中，利用训练好的神经网络参数，在某一发射机的共发动态配置下，根据其输入信号，对输出信号进行预测。
CN202010106375.1A 2020-02-21 2020-02-21 基于神经网络的波束成形发射机行为级建模系统及其方法 Active CN111460606B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010106375.1A CN111460606B (zh) 2020-02-21 2020-02-21 基于神经网络的波束成形发射机行为级建模系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010106375.1A CN111460606B (zh) 2020-02-21 2020-02-21 基于神经网络的波束成形发射机行为级建模系统及其方法

Publications (2)

Publication Number Publication Date
CN111460606A true CN111460606A (zh) 2020-07-28
CN111460606B CN111460606B (zh) 2023-10-03

Family

ID=71685755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010106375.1A Active CN111460606B (zh) 2020-02-21 2020-02-21 基于神经网络的波束成形发射机行为级建模系统及其方法

Country Status (1)

Country Link
CN (1) CN111460606B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112073106A (zh) * 2020-08-14 2020-12-11 清华大学 毫米波波束预测方法及装置、电子设备、可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5649064A (en) * 1995-05-19 1997-07-15 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration System and method for modeling the flow performance features of an object
CN107505837A (zh) * 2017-07-07 2017-12-22 浙江大学 一种半监督神经网络模型及基于该模型的软测量建模方法
CN109858616A (zh) * 2019-02-15 2019-06-07 东南大学 基于神经网络的功率放大器行为级建模系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5649064A (en) * 1995-05-19 1997-07-15 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration System and method for modeling the flow performance features of an object
CN107505837A (zh) * 2017-07-07 2017-12-22 浙江大学 一种半监督神经网络模型及基于该模型的软测量建模方法
CN109858616A (zh) * 2019-02-15 2019-06-07 东南大学 基于神经网络的功率放大器行为级建模系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112073106A (zh) * 2020-08-14 2020-12-11 清华大学 毫米波波束预测方法及装置、电子设备、可读存储介质
CN112073106B (zh) * 2020-08-14 2022-04-22 清华大学 毫米波波束预测方法及装置、电子设备、可读存储介质

Also Published As

Publication number Publication date
CN111460606B (zh) 2023-10-03

Similar Documents

Publication Publication Date Title
CN111865387A (zh) 智能反射面辅助无线通信系统的波束成形设计方法
CN1845631B (zh) 无线通信系统网络规划的实现方法
CN113114343B (zh) 一种多波束卫星的高能效智能动态波束成形方法
CN109617842A (zh) 一种全数字多波束发射机的数字预失真系统及其方法
WO2022021602A1 (zh) 一种基于地理信息的5g参考信号接收功率预测方法
CN101930495B (zh) 基于网格转换的平板裂缝阵天线机电综合分析方法
CN104539340A (zh) 一种基于稀疏表示和协方差拟合的稳健波达角估计方法
CN114679208A (zh) 毫米波通信感知一体化系统的发射波束成形方法
CN111460606A (zh) 基于神经网络的波束成形发射机行为级建模系统及其方法
CN112564828A (zh) 面向5g大规模阵列天线测试的ota测试系统及方法
KR101128150B1 (ko) 스마트 안테나 시스템의 설치 방법, 장치 및 그 시스템
CN108647372B (zh) 集成温度知识的有源相控阵天线电性能分析方法及系统
Yin et al. Over-the-air behavioral modeling of millimeter wave beamforming transmitters with concurrent dynamic configurations utilizing heterogenous neural network
WO2019214257A1 (zh) 波束指向可调天线的方向图的计算方法及装置
CN112149360A (zh) 一种基于alo-lmbp神经网络的双陷波特性超宽带天线逆向建模研究方法
CN107276643A (zh) 一种移动通信卫星多波束载干比地面测试系统及方法
CN107466063B (zh) 一种通信卫星多波束无线测试方法
CN116720287B (zh) 一种基于多馈源的天线单元方向图数值综合方法及系统
Menudier et al. Design and optimization of multielement antennas and RF circuits for beamforming with a reduced number of RF Front-ends
CN102290640A (zh) 基站天线赋形系统及赋形方法
Gan et al. Sparse Linear Array Design via Membrane Algorithm
Pressensé et al. Optimizing a corrugated horn for telecommunication and tracking missions using a new flexible horn design software
Wu et al. A Machine-Learning-Assisted Array Design Method and Its Application on mmWave Array Design
Jin et al. Deep Learning Assisted Terahertz Metasurface Unit Structure Reverse Design and Multiple Solution Seeking
Hidayat et al. Error pointing correction system implemented in the air balloon communication 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