CN111541472B - 低复杂度机器学习辅助鲁棒预编码方法及装置 - Google Patents

低复杂度机器学习辅助鲁棒预编码方法及装置 Download PDF

Info

Publication number
CN111541472B
CN111541472B CN202010315003.XA CN202010315003A CN111541472B CN 111541472 B CN111541472 B CN 111541472B CN 202010315003 A CN202010315003 A CN 202010315003A CN 111541472 B CN111541472 B CN 111541472B
Authority
CN
China
Prior art keywords
matrix
precoding
precoding method
user
instantaneous channel
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
CN202010315003.XA
Other languages
English (en)
Other versions
CN111541472A (zh
Inventor
王闻今
徐益
田鑫
是钧超
王一彪
尤力
高西奇
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 CN202010315003.XA priority Critical patent/CN111541472B/zh
Publication of CN111541472A publication Critical patent/CN111541472A/zh
Application granted granted Critical
Publication of CN111541472B publication Critical patent/CN111541472B/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
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明提出了一种低复杂度机器学习辅助鲁棒预编码方法及装置。为了在大规模MIMO下行系统中，同时兼顾准静态信道场景和快变信道场景下的共信道干扰性能，本发明将不同类型的两种预编码矩阵加权，得到了一种具有鲁棒性的预编码方法。其中两个预编码矩阵分别基于瞬时信道预测结果和能量耦合矩阵产生，加权系数通过机器学习方法获得。本发明相比现有鲁棒预编码方法计算复杂度大幅降低，且在准静态信道环境下和快变信道环境下都能达到可接受的和速率性能。

Description

低复杂度机器学习辅助鲁棒预编码方法及装置
技术领域
本发明属于通信领域，具体涉及一种使用大规模天线阵列的低复杂度机器学习辅助鲁棒预编码方法及装置。
背景技术
在大规模多入多出(MIMO，Multiple-Input Multiple-Output)下行链路中，基站可以在相同的时频资源上为多个移动终端提供数据传输服务。然而，如果不对下行信号进行预处理，用户必然会受到相同信道上其他用户的干扰，从而无法分辨出用户期望的信号。这类干扰被称为共信道干扰(CCI，Co-Channel Interference)，由于其影响，大规模MIMO系统容量将大幅下降。消除或降低用户间的CCI成为了大规模MIMO传输技术的研究重点之一，其中应用最广泛的是预编码技术。
典型的预编码方法是以获取准确的信道状态信息为前提条件的。而实际的无线信道是不断变化的，尤其是在移动场景中，信道变化的快慢受到移动设备与基站的相对速度的影响。为了实现同时在准静态和信道快变场景下均达到较高的系统和速率，一种遍历和速率最大的鲁棒预编码方法被提出，它综合考虑了瞬时信道信息和统计信道信息。然而由于该方法需要大量迭代运算才能达到预期性能，相比典型的线性预编码方法，遍历和速率最大的鲁棒预编码方法具有极高的计算复杂度。
发明内容
发明目的：本发明的目的是提供一种应用于大规模MIMO系统的下行鲁棒预编码方法及装置，可以在准静态信道和快变信道场景下均达到较高的系统和速率，同时保证较低的计算复杂度。
技术方案：为实现上述发明目的，本发明采用的技术方案为：
低复杂度机器学习辅助鲁棒预编码方法，包括以下步骤：
(1)基站在每个探测周期内，通过上行探测信号获取小区内各用户的瞬时信道矩阵，基于若干连续探测周期的瞬时信道矩阵预测当前各用户的瞬时信道矩阵，并计算能量耦合矩阵和瞬时相关系数；
(2)从预测得到的瞬时信道矩阵中选择用户集合对应的瞬时信道矩阵，通过第一预编码方法得到第一预编矩阵，并利用瞬时相关系数对第一预编码矩阵进行归一化；所述第一预编码方法为仅利用瞬时信道信息的预编码方法；
(3)根据能量耦合矩阵，通过第二预编码方法得到第二预编码矩阵，并利用瞬时相关系数对第二预编码矩阵进行归一化；所述第二预编码方法为仅利用统计信道信息的预编码方法；
(4)将当前各用户的归一化瞬时信道矩阵和归一化能量耦合矩阵输入训练好的神经网络，获得各用户最优的加权系数，将步骤(2)和步骤(3)中生成的归一化后的第一预编码矩阵和第二预编码矩阵通过加权系数进行加权运算，生成联合预编码矩阵，进行功率分配后，返回步骤(1)进行下一探测周期的预编码；所述神经网络的输入为归一化瞬时信道矩阵和归一化能量耦合矩阵，输出为最优加权系数，训练数据集中的最优加权系数根据第一预编码方法、第二预编码方法、第三预编码方法得到的预编码矩阵确定，其中第一预编码方法和第二预编码方法得到的归一化预编码矩阵的加权和在最小二乘准则的指导下与第三预编码方法得到的预编码矩阵接近，所述第三预编码方法为各用户的遍历和速率最大的鲁棒预编码方法。
所述神经网络的训练集根据如下方法生成：首先根据探测到的小区信道环境在小区中生成若干位置和移动速度随机的用户，以设定的探测周期获取瞬时信道矩阵，基于若干连续探测周期的瞬时信道矩阵预测当前的瞬时信道矩阵并计算能量耦合矩阵，分别将各用户预测后的瞬时信道矩阵和能量耦合矩阵归一化，作为训练集的输入；再根据选择的三种预编码方法计算出各用户的最优加权系数，作为训练集的输出。
在计算各用户训练集的最优加权系数时，首先用第一预编码方法，归一化后得到用户k的预编码矩阵
Figure BDA0002459192670000021
再用第二预编码方法，归一化后得到各用户的预编码矩阵
Figure BDA0002459192670000022
同时计算出各用户的遍历和速率最大的鲁棒预编码方法的最优预编码矩阵pRobust,k，根据加权方程
Figure BDA0002459192670000031
基于最小二乘准则，计算得到最优的加权系数
Figure BDA0002459192670000032
和
Figure BDA0002459192670000033
所述步骤(1)中，预测后的瞬时信道矩阵利用若干连续探测周期的瞬时信道矩阵通过线性外插或基于自回归模型预测算法得到，预测过程在波束时延域上进行，预测后再变换为天线载波域。
所述步骤(1)中，能量耦合矩阵是利用若干探测周期的瞬时信道矩阵，通过压缩感知算法计算获得；用于归一化的瞬时相关系数通过代入Jakes模型或查表法获得。
所述步骤(4)中，加权的过程可以表示为：
Figure BDA0002459192670000034
其中pk表示用户k的低复杂度机器学习辅助鲁棒预编码矩阵，
Figure BDA0002459192670000035
和
Figure BDA0002459192670000036
表示当前神经网络输出的用户k的最优加权系数，
Figure BDA0002459192670000037
和
Figure BDA0002459192670000038
分别表示当前通过第一预编码方法和第二预编码方法得到的用户k的归一化预编码矩阵。
低复杂度机器学习辅助鲁棒预编码装置，包括：
信道信息获取模块，用于在每个探测周期内，通过上行探测信号获取小区内各用户的瞬时信道矩阵，基于若干连续探测周期的瞬时信道矩阵预测当前各用户的瞬时信道矩阵，并计算能量耦合矩阵和瞬时相关系数；
第一预编码模块，用于从预测得到的瞬时信道矩阵中选择用户集合对应的瞬时信道矩阵，通过第一预编码方法得到第一预编矩阵，并利用瞬时相关系数对第一预编码矩阵进行归一化；所述第一预编码方法为仅利用瞬时信道信息的预编码方法；
第二预编码模块，用于根据能量耦合矩阵，通过第二预编码方法得到第二预编码矩阵，并利用瞬时相关系数对第二预编码矩阵进行归一化；所述第二预编码方法为仅利用统计信道信息的预编码方法；
联合预编码模块，用于将当前各用户的归一化瞬时信道矩阵和归一化能量耦合矩阵输入训练好的神经网络，获得各用户最优的加权系数，将第一预编码模块和第二预编码模块中生成的归一化后的第一预编码矩阵和第二预编码矩阵通过加权系数进行加权运算，生成联合预编码矩阵，进行功率分配；
以及神经网络模块，用于基于训练数据集训练最优加权系，神经网络的输入为归一化瞬时信道矩阵和归一化能量耦合矩阵，输出为最优加权系数，训练数据集中的最优加权系数根据第一预编码方法、第二预编码方法、第三预编码方法得到的预编码矩阵确定，其中第一预编码方法和第二预编码方法得到的归一化预编码矩阵的加权和在最小二乘准则的指导下与第三预编码方法得到的预编码矩阵接近，所述第三预编码方法为各用户的遍历和速率最大的鲁棒预编码方法。
基于相同的发明构思，本发明提供的低复杂度机器学习辅助鲁棒预编码装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的低复杂度机器学习辅助鲁棒预编码方法。
有益效果：与现有技术相比，本发明具有如下优点：
(1)相比仅利用瞬时信道信息的预编码方法，低复杂度机器学习辅助鲁棒预编码方法在信道快变的场景下可以达到更高的系统和速率；
(2)相比仅利用统计信道信息的预编码方法，低复杂度机器学习辅助鲁棒预编码方法在准静态场景下可以达到更高的系统和速率；
(3)相比遍历和速率最大的鲁棒预编码方法，低复杂度机器学习辅助鲁棒预编码方法的计算复杂度大幅降低。
附图说明
图1为低复杂度机器学习辅助鲁棒预编码方法流程图。
图2为输出最优加权系数的可选神经网络结构示意图。
图3为基于RZF预编码和波束选择的低复杂度机器学习辅助鲁棒预编码方法示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。
如图1所示，本发明实施例公开的低复杂度机器学习辅助鲁棒预编码方法，主要包括以下步骤：
(1)基站在每个探测周期内，通过上行探测信号获取小区内各用户的瞬时信道矩阵，基于若干连续探测周期的瞬时信道矩阵预测当前各用户的瞬时信道矩阵，并计算能量耦合矩阵和瞬时相关系数β；
(2)从预测得到的瞬时信道矩阵中选择用户集合对应的瞬时信道矩阵，通过第一预编码方法得到第一预编矩阵，并利用瞬时相关系数对第一预编码矩阵进行归一化，归一化后结果可以表示为
Figure BDA0002459192670000051
其中
Figure BDA0002459192670000052
是第一预编码方法的预编码；第一预编码方法为仅利用瞬时信道信息的线性预编码方法；
(3)根据能量耦合矩阵，通过第二预编码方法得到第二预编码矩阵，并利用瞬时相关系数对第二预编码矩阵进行归一化，可以表示为
Figure BDA0002459192670000053
其中
Figure BDA0002459192670000054
是第二预编码方法的预编码；第二预编码方法为仅利用统计信道信息的预编码方法；
(4)将当前各用户的归一化瞬时信道矩阵和归一化能量耦合矩阵输入训练好的神经网络，获得各用户最优的加权系数，将步骤(2)和步骤(3)中生成的归一化后的第一预编码矩阵和第二预编码矩阵通过加权系数进行加权运算，生成联合预编码矩阵，进行功率分配后，返回步骤(1)进行下一探测周期的预编码；神经网络的输入为归一化瞬时信道矩阵和归一化能量耦合矩阵，输出为最优加权系数，训练数据集中的最优加权系数根据第一预编码方法、第二预编码方法、第三预编码方法得到的预编码矩阵确定，其中第一预编码方法和第二预编码方法得到的归一化预编码矩阵的加权和在最小二乘准则的指导下与第三预编码方法得到的预编码矩阵接近，第三预编码方法为各用户的遍历和速率最大的鲁棒预编码方法。
神经网络的训练集根据如下方法生成：首先根据探测到的小区信道环境在小区中生成若干位置和移动速度随机的用户，以设定的探测周期获取瞬时信道矩阵，基于若干连续探测周期的瞬时信道矩阵预测当前的瞬时信道矩阵并计算能量耦合矩阵，分别将各用户预测后的瞬时信道矩阵和能量耦合矩阵归一化，作为训练集的输入；再根据选择的三种预编码方法计算出各用户的最优加权系数，作为训练集的输出。以训练集样本总数
Figure BDA0002459192670000055
为输入，训练集
Figure BDA0002459192670000056
为输出，其训练集的获取方式具体为：
步骤1：初始化i＝0；
步骤2：在当前场景下随机生成若干个探测周期的信道矩阵，并通过信道预测算法得到预测后瞬时信道矩阵
Figure BDA0002459192670000061
信噪比
Figure BDA0002459192670000062
计算对应瞬时相关系数β(i)，其中K为用户总数；
步骤3：利用压缩感知算法计算能量耦合矩阵
Figure BDA0002459192670000063
步骤4：利用瞬时相关系数归一化
Figure BDA0002459192670000064
步骤5：计算遍历和速率最大的鲁棒预编码矩阵pRobust,k,k＝1,2,...,K(第三预编码方法，具体算法细节可参考An-An Lu等的Robust Transmission for Massive MIMODownlink With Imperfect CSI)；
步骤6：通过第一预编码方法，该方法仅利用瞬时信道信息进行线性预编码，例如RZF预编码方法，并利用瞬时相关系数对预编码矩阵进行归一化，获取归一化后预编码矩阵
Figure BDA0002459192670000065
其中
Figure BDA0002459192670000066
是第一预编码方法的预编码矩阵；
步骤7：通过第二预编码方法，该方法仅利用统计信道信息进行线性预编码，例如基于波束选择的预编码方法，并利用瞬时相关系数对预编码矩阵进行归一化，获取归一化后预编码矩阵
Figure BDA0002459192670000067
其中
Figure BDA0002459192670000068
是第二预编码方法的预编码矩阵；
步骤8：根据
Figure BDA0002459192670000069
和pRobust,k获取最优加权系数向量θk,k＝1,2,...,K；
步骤9：将输入
Figure BDA00024591926700000610
输出θk作为第i组训练集加入
Figure BDA00024591926700000611
i←i+1；
重复步骤2-9直至
Figure BDA00024591926700000612
在计算各用户的最优加权系数时，首先分别利用RZF预编码方法和波束选择方法计算出各用户的归一化的RZF预编码矩阵
Figure BDA00024591926700000613
和基于波束选择的预编码矩阵
Figure BDA00024591926700000614
与此同时计算出各用户的遍历和速率最大的鲁棒预编码方法的最优预编码矩阵pRobust,k，根据加权方程
Figure BDA00024591926700000615
基于最小二乘准则，计算得到最优的加权系数
Figure BDA00024591926700000616
和
Figure BDA00024591926700000617
设
Figure BDA00024591926700000618
则可以表示为
Figure BDA00024591926700000619
其中
Figure BDA00024591926700000620
预测后的瞬时信道矩阵是利用若干连续探测周期的瞬时信道矩阵通过线性外插、基于AR(自回归)模型等预测算法得到的，预测过程在波束时延域上进行，预测后再变换为天线载波域。波束时延域和天线载波域直接的变换关系可以表示为
Gbt＝VHGafF* (2)
其中，Gbt是波束时延域矩阵，Gaf是天线载波域矩阵，V是基站侧相关阵，F是DFT矩阵。
能量耦合矩阵是利用若干探测周期的瞬时信道矩阵，通过特定算法计算获得，例如压缩感知算法(具体算法可参考R.Zdunek的Improved M-FOCCUSS Algorithm WithOverlapping Blocks for Locally Smooth Sparse Signals)。而瞬时相关系数可以通过代入Jakes模型或查表法获得，其中每个用户基于Jakes模型的瞬时相关系数可以被表示为
Figure BDA0002459192670000071
其中Nb是每个探测周期中的时隙数，
α(n)＝J0(2πvfcnT/c) (4)
其中J0(·)是第一类0阶Bessel函数，v是相对移动速度，fc是载波频率，T为探测周期时长，c是光速。
如图2所示，为输出最优加权系数的可选神经网络结构。其中输入为用户k的瞬时信道矩阵的实部
Figure BDA0002459192670000072
虚部
Figure BDA0002459192670000073
能量耦合阵
Figure BDA0002459192670000074
以及信噪比SNRk，输出为两个最优加权参数的实部和虚部
Figure BDA0002459192670000075
网络的前半部分为卷积神经网络结构，将
Figure BDA0002459192670000076
和
Figure BDA0002459192670000077
分三路进行多次重复的卷积、池化以及激活，得到三组拥有相同的数据结构的向量m1、m2和m3。将这三组向量共同输入一个全连接神经网络中，在网络的最后一个隐藏层将信噪比SNRk作为节点输入。最终在输出层得到结果。
在分别计算得到第一预编码方法得到的各用户预编码矩阵和第二预编码方法得到的各用户预编码矩阵后，加权的过程可以表示为：
Figure BDA0002459192670000078
其中pk表示用户k的低复杂度机器学习辅助鲁棒预编码矩阵，
Figure BDA0002459192670000081
和
Figure BDA0002459192670000082
表示当前神经网络输出的用户k的最优加权系数，
Figure BDA0002459192670000083
和
Figure BDA0002459192670000084
分别表示当前通过第一预编码方法和第二预编码方法得到的用户k的归一化预编码矩阵。
如图3所示，为基于RZF预编码和波束选择的加权联合鲁棒预编码方法流程图，其中
Figure BDA0002459192670000085
是用户调度结果集合，H＝[h1,h2,...,hK]。在该流程中，第一预编码方法为RZF预编码方法，第二预编码方法为用户选择后的基于波束选择的预编码方法。
RZF预编码是在已知用户调度结果集合
Figure BDA0002459192670000086
的基础上进行的，RZF预编码矩阵可以表示为：
Figure BDA0002459192670000087
其中
Figure BDA0002459192670000088
表示用户集合
Figure BDA0002459192670000089
对应的瞬时信道，K'表示
Figure BDA00024591926700000810
中的用户数，σ2表示噪声功率，γ表示归一化因子。
Figure BDA00024591926700000811
P为功率约束。
用户选择后的基于波束选择的预编码方法是基于过完备稀疏表征矩阵
Figure BDA00024591926700000812
在已知用户调度结果集合
Figure BDA00024591926700000813
的基础上进行的，其中Mt表示基站天线总数。获得的预编码矩阵可以表示为
Figure BDA00024591926700000814
即用集合
Figure BDA00024591926700000815
选择
Figure BDA00024591926700000816
的对应列。其中
Figure BDA00024591926700000817
表示波束选择后的波束集合，该集合可以通过贪心算法获得。具体步骤包括：
步骤1：初始化用户和波束集合，初始选择的用户集合
Figure BDA00024591926700000818
初始选择的波束集合
Figure BDA00024591926700000819
剩余用户集合
Figure BDA00024591926700000820
剩余波束集合
Figure BDA00024591926700000821
其中N表示过采样率，设当前用户k＝1；
步骤2：如果
Figure BDA00024591926700000822
转至步骤3；如果
Figure BDA00024591926700000823
转至步骤6；否则，k＝k+1，重复步骤2；
步骤3：对于用户k，在空闲波束集合
Figure BDA00024591926700000824
中，挑选其最佳波束bk，使得该用户加入选择用户集合后系统和速率最大，即
Figure BDA0002459192670000091
表示根据用户1至用户K的能量耦合矩阵集合{Ω1,Ω2,...,ΩK}计算在用户集合
Figure BDA0002459192670000092
和波束集合
Figure BDA0002459192670000093
下的系统和速率；
步骤4：计算用户k使用最佳传输波束bk加入用户选择集合后系统的和速率，即
Figure BDA0002459192670000094
步骤5：更新用户和波束集合：
Figure BDA0002459192670000095
Figure BDA0002459192670000096
k＝k+1，返回步骤3。
步骤6：选择波束集合
Figure BDA0002459192670000097
在准静态信道场景下，本方法的系统和速率接近RZF预编码方法；在快变信道场景下，本方法的系统和速率接近基于波束选择的预编码方法；在中间状态时，本方法通过加权使预编码矩阵尽可能地接近遍历和速率最大的鲁棒预编码方法，因此可以保证在上述场景下都保持较高的系统和速率。而相比现有鲁棒预编码方法，本方法的计算复杂度大幅降低。
本发明实施例公开的低复杂度机器学习辅助鲁棒预编码装置，包括：信道信息获取模块，用于在每个探测周期内，通过上行探测信号获取小区内各用户的瞬时信道矩阵，基于若干连续探测周期的瞬时信道矩阵预测当前各用户的瞬时信道矩阵，并计算能量耦合矩阵和瞬时相关系数；
第一预编码模块，用于从预测得到的瞬时信道矩阵中选择用户集合对应的瞬时信道矩阵，通过第一预编码方法得到第一预编矩阵，并利用瞬时相关系数对第一预编码矩阵进行归一化；
第二预编码模块，用于根据能量耦合矩阵，通过第二预编码方法得到第二预编码矩阵，并利用瞬时相关系数对第二预编码矩阵进行归一化；
联合预编码模块，用于将当前各用户的归一化瞬时信道矩阵和归一化能量耦合矩阵输入训练好的神经网络，获得各用户最优的加权系数，将第一预编码模块和第二预编码模块中生成的归一化后的第一预编码矩阵和第二预编码矩阵通过加权系数进行加权运算，生成联合预编码矩阵，进行功率分配；
以及神经网络模块，用于基于训练数据集训练最优加权系，神经网络的输入为归一化瞬时信道矩阵和归一化能量耦合矩阵，输出为最优加权系数，训练数据集中的最优加权系数根据第一预编码方法、第二预编码方法、第三预编码方法得到的预编码矩阵确定，其中第一预编码方法和第二预编码方法得到的归一化预编码矩阵的加权和在最小二乘准则的指导下与第三预编码方法得到的预编码矩阵接近。
上述低复杂度机器学习辅助鲁棒预编码装置实施例与低复杂度机器学习辅助鲁棒预编码方法实施例属于相同的基于相同的发明构思，具体实施细节参见方法实施例，不再赘述。基于相同的发明构思，本发明实施例还提供的一种低复杂度机器学习辅助鲁棒预编码装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该计算机程序被加载至处理器时实现上述的低复杂度机器学习辅助鲁棒预编码方法。
应当指出，以上所述仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (6)

1.低复杂度机器学习辅助鲁棒预编码方法，其特征在于：包括以下步骤：
(1)基站在每个探测周期内，通过上行探测信号获取小区内各用户的瞬时信道矩阵，基于若干连续探测周期的瞬时信道矩阵预测当前各用户的瞬时信道矩阵，并计算能量耦合矩阵和瞬时相关系数；
(2)从预测得到的瞬时信道矩阵中选择用户集合对应的瞬时信道矩阵，通过第一预编码方法得到第一预编矩阵，并利用瞬时相关系数对第一预编码矩阵进行归一化；所述第一预编码方法为仅利用瞬时信道信息的预编码方法；
(3)根据能量耦合矩阵，通过第二预编码方法得到第二预编码矩阵，并利用瞬时相关系数对第二预编码矩阵进行归一化；所述第二预编码方法为仅利用统计信道信息的预编码方法；
(4)将当前各用户的归一化瞬时信道矩阵和归一化能量耦合矩阵输入训练好的神经网络，获得各用户最优的加权系数，将步骤(2)和步骤(3)中生成的归一化后的第一预编码矩阵和第二预编码矩阵通过加权系数进行加权运算，生成联合预编码矩阵，进行功率分配后，返回步骤(1)进行下一探测周期的预编码；所述神经网络的输入为归一化瞬时信道矩阵和归一化能量耦合矩阵，输出为最优加权系数，训练数据集中的最优加权系数根据第一预编码方法、第二预编码方法、第三预编码方法得到的预编码矩阵确定，其中第一预编码方法和第二预编码方法得到的归一化预编码矩阵的加权和在最小二乘准则的指导下与第三预编码方法得到的预编码矩阵接近，所述第三预编码方法为各用户的遍历和速率最大的鲁棒预编码方法；在计算各用户训练集的最优加权系数时，首先用第一预编码方法，归一化后得到用户k的预编码矩阵
Figure FDA0002929033970000011
再用第二预编码方法，归一化后得到各用户的预编码矩阵
Figure FDA0002929033970000012
同时计算出各用户的遍历和速率最大的鲁棒预编码方法的最优预编码矩阵pRobust,k，根据加权方程
Figure FDA0002929033970000013
基于最小二乘准则，计算得到最优的加权系数
Figure FDA0002929033970000014
和
Figure FDA0002929033970000015
2.根据权利要求1所述的低复杂度机器学习辅助鲁棒预编码方法，其特征在于：所述神经网络的训练集根据如下方法生成：首先根据探测到的小区信道环境在小区中生成若干位置和移动速度随机的用户，以设定的探测周期获取瞬时信道矩阵，基于若干连续探测周期的瞬时信道矩阵预测当前的瞬时信道矩阵并计算能量耦合矩阵，分别将各用户预测后的瞬时信道矩阵和能量耦合矩阵归一化，作为训练集的输入；再根据选择的三种预编码方法计算出各用户的最优加权系数，作为训练集的输出。
3.根据权利要求1所述的低复杂度机器学习辅助鲁棒预编码方法，其特征在于：所述步骤(1)中，预测后的瞬时信道矩阵利用若干连续探测周期的瞬时信道矩阵通过线性外插或基于AR模型预测算法得到，预测过程在波束时延域上进行，预测后再变换为天线载波域。
4.根据权利要求1所述的低复杂度机器学习辅助鲁棒预编码方法，其特征在于：所述步骤(1)中，能量耦合矩阵利用若干探测周期的瞬时信道矩阵，通过压缩感知算法计算获得；用于归一化的瞬时相关系数通过代入Jakes模型或查表法获得。
5.低复杂度机器学习辅助鲁棒预编码装置，其特征在于，包括：
信道信息获取模块，用于在每个探测周期内，通过上行探测信号获取小区内各用户的瞬时信道矩阵，基于若干连续探测周期的瞬时信道矩阵预测当前各用户的瞬时信道矩阵，并计算能量耦合矩阵和瞬时相关系数；
第一预编码模块，用于从预测得到的瞬时信道矩阵中选择用户集合对应的瞬时信道矩阵，通过第一预编码方法得到第一预编矩阵，并利用瞬时相关系数对第一预编码矩阵进行归一化；所述第一预编码方法为仅利用瞬时信道信息的预编码方法；
第二预编码模块，用于根据能量耦合矩阵，通过第二预编码方法得到第二预编码矩阵，并利用瞬时相关系数对第二预编码矩阵进行归一化；所述第二预编码方法为仅利用统计信道信息的预编码方法；
联合预编码模块，用于将当前各用户的归一化瞬时信道矩阵和归一化能量耦合矩阵输入训练好的神经网络，获得各用户最优的加权系数，将第一预编码模块和第二预编码模块中生成的归一化后的第一预编码矩阵和第二预编码矩阵通过加权系数进行加权运算，生成联合预编码矩阵，进行功率分配；在计算各用户训练集的最优加权系数时，首先用第一预编码方法，归一化后得到用户k的预编码矩阵
Figure FDA0002929033970000021
再用第二预编码方法，归一化后得到各用户的预编码矩阵
Figure FDA0002929033970000022
同时计算出各用户的遍历和速率最大的鲁棒预编码方法的最优预编码矩阵pRobust,k，根据加权方程
Figure FDA0002929033970000031
基于最小二乘准则，计算得到最优的加权系数
Figure FDA0002929033970000032
和
Figure FDA0002929033970000033
以及神经网络模块，用于基于训练数据集训练最优加权系，神经网络的输入为归一化瞬时信道矩阵和归一化能量耦合矩阵，输出为最优加权系数，训练数据集中的最优加权系数根据第一预编码方法、第二预编码方法、第三预编码方法得到的预编码矩阵确定，其中第一预编码方法和第二预编码方法得到的归一化预编码矩阵的加权和在最小二乘准则的指导下与第三预编码方法得到的预编码矩阵接近，所述第三预编码方法为各用户的遍历和速率最大的鲁棒预编码方法。
6.低复杂度机器学习辅助鲁棒预编码装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-4任一项所述的低复杂度机器学习辅助鲁棒预编码方法。
CN202010315003.XA 2020-04-21 2020-04-21 低复杂度机器学习辅助鲁棒预编码方法及装置 Active CN111541472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010315003.XA CN111541472B (zh) 2020-04-21 2020-04-21 低复杂度机器学习辅助鲁棒预编码方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010315003.XA CN111541472B (zh) 2020-04-21 2020-04-21 低复杂度机器学习辅助鲁棒预编码方法及装置

Publications (2)

Publication Number Publication Date
CN111541472A CN111541472A (zh) 2020-08-14
CN111541472B true CN111541472B (zh) 2021-04-06

Family

ID=71975034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010315003.XA Active CN111541472B (zh) 2020-04-21 2020-04-21 低复杂度机器学习辅助鲁棒预编码方法及装置

Country Status (1)

Country Link
CN (1) CN111541472B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111010222A (zh) * 2019-11-13 2020-04-14 东南大学 一种基于深度学习的大规模mimo下行用户调度方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6850308B2 (ja) * 2016-06-15 2021-03-31 コンヴィーダ ワイヤレス， エルエルシー 新しい無線のためのアップロード制御シグナリング
CN107332598B (zh) * 2017-06-26 2020-06-16 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
US10432272B1 (en) * 2018-11-05 2019-10-01 XCOM Labs, Inc. Variable multiple-input multiple-output downlink user equipment
CN109617583B (zh) * 2018-12-14 2020-12-22 华南理工大学 一种预编码与功率分配联合优化方法
CN110535500B (zh) * 2019-09-03 2021-09-21 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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111010222A (zh) * 2019-11-13 2020-04-14 东南大学 一种基于深度学习的大规模mimo下行用户调度方法

Also Published As

Publication number Publication date
CN111541472A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
Lee et al. Deep power control: Transmit power control scheme based on convolutional neural network
CN110099017B (zh) 基于深度神经网络的混合量化系统的信道估计方法
CN111181619B (zh) 基于深度强化学习的毫米波混合波束成形设计方法
CN110336594B (zh) 一种基于共轭梯度下降法的深度学习信号检测方法
Guo et al. Deep learning for joint channel estimation and feedback in massive MIMO systems
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
KR102510513B1 (ko) 심층 학습 기반의 빔포밍 방법 및 이를 위한 장치
CN103763782A (zh) 一种mu-mimo下行链路基于加权用户相关的公平调度方法
CN104702326A (zh) 基于mse的虚拟mimo用户配对和资源分配方法
Dong et al. Improved joint antenna selection and user scheduling for massive MIMO systems
CN116192307A (zh) 非高斯噪声下分布式协同的多天线协作频谱智能感知方法、系统、设备及介质
CN101834827B (zh) 一种多输入多输出系统中的信号检测方法和装置
WO2009075456A1 (en) Method for transmission interference cancellation for mu-mimo
Shi et al. Robust WMMSE precoder with deep learning design for massive MIMO
CN111541472B (zh) 低复杂度机器学习辅助鲁棒预编码方法及装置
Perera et al. Flex-Net: A graph neural network approach to resource management in flexible duplex networks
CN114268348A (zh) 一种基于深度强化学习的无蜂窝大规模mimo功率分配方法
CN107453797B (zh) 不依赖导频的多天线基站发射方法和设备
CN114124259A (zh) 基于不完整信息的智能反射表面的干扰测试方法
CN105429912A (zh) 具有信道估计机制的计算系统及其操作方法
Shelim et al. Wireless link scheduling over recurrent Riemannian manifolds
CN107181705A (zh) 一种半盲信道估计方法及系统
CN114710187B (zh) 一种用户数动态变换场景下多小区大规模mimo智能通信的功率分配方法
Liu et al. CSI feedback based on complex neural network for massive MIMO systems
CN114598574A (zh) 一种基于深度学习的毫米波信道估计方法

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