CN111865378A - 基于深度学习的大规模mimo下行预编码方法 - Google Patents

基于深度学习的大规模mimo下行预编码方法 Download PDF

Info

Publication number
CN111865378A
CN111865378A CN202010466502.9A CN202010466502A CN111865378A CN 111865378 A CN111865378 A CN 111865378A CN 202010466502 A CN202010466502 A CN 202010466502A CN 111865378 A CN111865378 A CN 111865378A
Authority
CN
China
Prior art keywords
precoding
instantaneous
user
channel
vector
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
CN202010466502.9A
Other languages
English (en)
Other versions
CN111865378B (zh
Inventor
高西奇
王闻今
是钧超
徐益
王一彪
田鑫
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.)
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 CN202010466502.9A priority Critical patent/CN111865378B/zh
Publication of CN111865378A publication Critical patent/CN111865378A/zh
Application granted granted Critical
Publication of CN111865378B publication Critical patent/CN111865378B/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
    • G06N20/00—Machine learning
    • 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
    • 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
    • H04B7/0426—Power distribution

Landscapes

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

Abstract

本发明公开了基于深度学习的大规模MIMO下行预编码方法，本发明中基站利用各用户终端的瞬时和统计信道信息，依据所有用户的遍历可达速率或其逼近的效用函数最大化准则，通过通用框架或低复杂度框架，计算与每一个用户终端相应的预编码向量进行下行预编码传输。该框架基于预编码向量最优解的结构：给定拉格朗日乘子，预编码向量的方向和功率可以分别表示为最大广义特征向量形式和闭式。通用框架通过深度神经网络计算最优拉格朗日乘子，进而通过最优解结构计算预编码向量；低复杂度框架将预编码问题分解为瞬时和统计两个子问题分别计算再组合。本发明能够使下行预编码达到近乎最佳的可达和速率性能，并具有较低的计算复杂度。

Description

基于深度学习的大规模MIMO下行预编码方法
技术领域
本发明涉及无线通信下行预编码，尤其涉及利用机器学习的大规模MIMO下行预编码方法。
背景技术
近年来，人们对无线数据速率的需求有了明显的提升，通过在基站(basestation,BS)动态控制功率和相位以提高效率性能的预编码，以不同形式引起了广泛兴趣。
对于准静态和低速情况下，瞬时信道状态信息(channel state information,CSI)相对准确，此时正则化迫零(regularized zero-forcing,RZF)预编码、信漏噪比(signal-to-leakage-and-noise ratio,SLNR)预编码和加权最小均方误差(weightedminimum mean square error,WMMSE)预编码都能取得良好的性能。对于高速度场景，相对较短的相干时间会导致CSI获取面临更多的挑战，此时信道过时将不可避免，传统的预编码方法将严重恶化。现有的方法如联合空分复用(joint spatial division andmultiplexing,JSDM)和波束分多址接入(beam division multiplex access,BDMA)等采用了统计CSI，在移动环境下效果较好，但其忽略了瞬时CSI，因此在低速场景下的性能并不理想。
鲁棒预编码提出的后验信道模型同时利用了瞬时和统计CSI以最大化遍历和速率，但难以直接得到最优解。现有的迭代算法可以获得接近最优的性能，但其立方级的计算复杂度需要进一步降低，才能应用于实时系统。
发明内容
发明目的：本发明的目的是提供基于深度学习的大规模MIMO下行预编码方法，以克服现有技术的不足，达到近乎最佳的可达和速率性能，并降低实现复杂度。
技术方案：为实现上述发明目的，本发明采用如下技术方案：
基于深度学习的大规模MIMO下行预编码方法，该方法中：基站利用各用户终端的瞬时和统计信道状态信息，依据所有用户的遍历可达速率或其逼近的效用函数最大化准则，通过通用框架或低复杂度框架，计算与每一个用户终端相应的预编码向量，利用所得到的向量进行下行预编码传输；在用户终端的移动过程中，随着瞬时和统计信道信息的变化，动态更新各个用户的预编码向量以实施下行传输；
所述的通用框架包括：利用瞬时和统计信道矩阵、用户移动参数、信噪比，基于训练好的拉格朗日乘子神经网络(Lagrange multipliers neural network,LMNN)计算拉格朗日乘子；计算各个用户的信道协方差矩阵；求解广义特征值问题得到预编码向量的方向和最优解对应的信干噪比(signal to interference plus noise ratio,SINR)；通过闭式计算得到预编码功率；将预编码向量的方向和预编码功率组合为完整的预编码向量；
所述的低复杂度框架包括：仅用瞬时信道状态信息计算瞬时拉格朗日乘子和瞬时预编码功率；仅用统计信道状态信息计算统计拉格朗日乘子和统计预编码功率；通过用户移动参数对统计和瞬时拉格朗日乘子加权，对统计和瞬时预编码功率加权，得到加权后的拉格朗日乘子和预编码功率；求解广义特征值问题得到预编码向量的方向；将预编码向量的方向和预编码功率组合为完整的预编码向量。
所述的瞬时信道信息通过各个用户周期性发送的导频信号获取，所述的统计信道信息为信道耦合矩阵(channel coupling matrix,CCM)；通过用户移动参数对瞬时和统计CSI加权，得到后验信道模型。
将所述的所有用户的遍历可达速率或其逼近的效用函数最大化问题等效为服务质量(Quality of Service,QoS)问题，其阈值为原问题最优解对应的遍历速率上界，使每个用户的遍历速率解耦至约束。若有约束的阈值为零，则该约束恒成立且其对应用户的预编码向量为零向量，将该用户从优化问题中移除。再将QoS问题的约束等价地转换为二次型，导出预编码向量最优解的结构所需的KKT(Karush-Kuhn-Tucker)条件。
所述的预编码向量为一矩阵对的最大广义特征值对应的广义特征向量，其最大特征值为最优解对应的SINR；该矩阵对与各用户的信道协方差矩阵以及拉格朗日乘子有关；信道协方差矩阵根据后验模型通过闭式计算，拉格朗日乘子通过拉格朗日乘子优化问题(Lagrange multipliers optimization problem,LMOP)求解。
所述的预编码功率通过闭式计算；该闭式与预编码向量的方向和最优解对应的SINR有关，通过求解所述的广义特征值问题得到。
所述的拉格朗日乘子神经网络将瞬时和统计信道矩阵、用户移动参数、信噪比作为输入，拉格朗日乘子作为输出进行训练；该神经网络由卷积神经网络(convolutionalneural network,CNN)和全连接神经网络(fully-connected neural network,FNN)构成，先由CNN提取信道矩阵的隐式特征，再将该隐式特征和信噪比一起作为FNN的输入。
所述的拉格朗日乘子神经网络数据集生成方法包括：在不同的信噪比、移动速度、用户分布环境下，生成足够信道矩阵样本，对于每一组信道矩阵样本，重复如下步骤：通过迭代算法求解预编码向量；通过得到的预编码向量计算最优解对应的SINR，然后根据闭式求解该信道矩阵样本对应的拉格朗日乘子；将该信道矩阵样本、信噪比、移动参数和拉格朗日乘子组合为一个样本。
所述的低复杂度框架中，仅用瞬时CSI，计算瞬时拉格朗日乘子和瞬时预编码功率的计算方法采用如下三种中的一种：
a.通过WMMSE算法计算瞬时拉格朗日乘子，拉格朗日乘子为零的用户不参与后续计算并置其预编码向量为零向量；再将所有用户移动参数置一，计算各个用户的信道协方差矩阵，求解广义特征值问题得到预编码向量的方向和最优解对应的SINR，通过闭式计算得到预编码功率；
b.仅使用瞬时CSI和信噪比作为输入，构造神经网络以计算瞬时拉格朗日乘子，拉格朗日乘子为零的用户不参与后续计算并置其预编码向量为零向量；再将用户移动参数置一，计算各个用户的信道协方差矩阵，求解广义特征值问题得到预编码向量的方向和最优解对应的SINR，通过闭式计算得到预编码功率；
c.计算RZF预编码向量，通过得到的向量计算瞬时预编码功率和SINR，再将用户移动参数置一，根据闭式计算得到瞬时拉格朗日乘子；该闭式与预编码向量的方向和SINR有关。
所述的低复杂度框架中，仅用统计CSI计算统计拉格朗日乘子和统计预编码功率的计算方法为：仅使用统计CSI和信噪比作为输入，构造神经网络计算统计拉格朗日乘子，拉格朗日乘子为零的用户不参与后续计算并置其预编码向量为零向量；再将用户移动参数置零，计算各个用户的信道协方差矩阵，求解广义特征值问题得到预编码向量的方向和最优解对应的SINR，通过闭式计算得到预编码功率。
有益效果：与现有技术相比，本发明具有如下优点：
(1)利用包含瞬时和统计CSI的预编码向量的简单结构：给定拉格朗日乘子，预编码方向可以表示为最大广义特征向量，预编码功率可以表示为闭式。一旦获得所需的拉格朗日乘子，就可以立即计算预编码向量，而无需进行迭代计算。
(2)通过将预编码问题转化为参数学习问题，提出了一个通用框架。对于目标参数，使用神经网络进行计算。一旦神经网络得到很好的训练，参数是确定的训练权重和偏差，拉格朗日乘子可以作为这种神经网络的输出立即计算出来，以接近最优的性能降低了计算复杂度。
(3)提出了一种基于加权策略的低复杂度框架，该框架将原问题分解为瞬时部分和统计部分，然后通过对拉格朗日乘子和预编码功率进行加权。瞬时和统计两部分都可以高效地计算，因此极大降低了预编码的计算复杂度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅表明本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。
图1为大规模MIMO系统中的时隙结构示意图。
图2为大规模MIMO系统中通过拉格朗日乘子恢复预编码向量的示意图。
图3为大规模MIMO系统下行预编码通用框架的示意图。
图4为大规模MIMO系统下行预编码中拉格朗日乘子神经网络的示意图。
图5为大规模MIMO系统下行预编码低复杂度框架的示意图。
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。
本发明实施例公开的基于深度学习的大规模MIMO下行预编码方法中，基站配备大规模一维或二维天线阵列，利用各用户终端的瞬时和统计信道状态信息，依据所有用户的遍历可达速率或其逼近的效用函数最大化准则，通过通用框架或低复杂度框架，计算与每一个用户终端相应的预编码向量，然后利用所得到的向量进行下行预编码传输；在用户终端的移动过程中，随着瞬时和统计信道信息的变化，动态更新各个用户的预编码向量以实施下行传输。
所述的瞬时信道信息通过各个用户周期性发送的导频信号获取，所述的统计信道信息为信道耦合矩阵。通过用户移动参数对瞬时和统计CSI加权，得到后验信道模型。
所述的通用框架具体为：1)通过瞬时和统计信道矩阵、用户移动参数、信噪比计算得到拉格朗日乘子；2)计算各个用户的信道协方差矩阵；3)求解广义特征值问题得到预编码向量的方向和最优解对应的SINR；4)求解闭式得到预编码功率；5)将预编码向量的方向和预编码功率组合为完整的预编码向量。
所述的低复杂度框架具体为：1)仅用瞬时CSI，计算瞬时拉格朗日乘子和瞬时预编码功率，计算方法有三种：a.通过WMMSE算法计算瞬时拉格朗日乘子，拉格朗日乘子为零的用户不参与后续计算并置其预编码向量为零向量；再将所有用户移动参数置一，求解闭式得到瞬时预编码功率；b.使用瞬时CSI和信噪比作为输入，构造神经网络以计算瞬时拉格朗日乘子，拉格朗日乘子为零的用户不参与后续计算并置其预编码向量为零向量；再将用户移动参数置一，求解闭式得到瞬时预编码功率；c.计算RZF预编码向量，通过得到的向量计算瞬时预编码功率，再将用户移动参数置置一，求解闭式得到瞬时拉格朗日乘子；2)仅用统计CSI计算统计拉格朗日乘子和统计预编码功率：仅使用统计CSI和信噪比作为输入，构造神经网络计算统计拉格朗日乘子，拉格朗日乘子为零的用户不参与后续计算并置其预编码向量为零向量；再将用户移动参数置零，求解闭式得到统计预编码功率；3)通过用户移动参数对统计和瞬时拉格朗日乘子加权，对统计和瞬时预编码功率加权，得到加权后的拉格朗日乘子和预编码功率；4)求解广义特征值问题得到预编码向量的方向；5)将预编码向量的方向和预编码功率组合为完整的预编码向量。
拉格朗日乘子的计算方法包括：当仅用瞬时CSI时，LMOP退化为上行功率分配，通过WMMSE算法求解得到拉格朗日乘子。对于一般情况，利用深度学习方法求解。LMNN将瞬时和统计信道矩阵、用户移动参数、信噪比作为输入，拉格朗日乘子作为输出进行训练。该神经网络由CNN和FNN构成。先由CNN提取信道矩阵的隐式特征，再将该隐式特征和信噪比一起作为FNN的输入。
数据集生成方法包括：1)在不同的信噪比、移动速度、用户分布等环境下，生成足够信道矩阵样本，对于每一组信道矩阵样本，重复步骤2-4；2)通过迭代算法求解预编码向量；3)通过得到的预编码向量计算最优解对应的SINR，然后根据闭式求解该信道矩阵样本对应的拉格朗日乘子；4)将该信道矩阵样本、信噪比、移动参数和拉格朗日乘子组合为一个样本。
下面结合具体实施场景对本发明实施例的方法做进一步的介绍，本发明方法不对具体场景做限定，对于与本发明示例性场景外的其他实施，本领域技术人员可以依据本发明的技术思路利用现有知识根据具体场景做适应性调整。
1)系统配置
考虑一个由一个基站和K个用户组成的多用户MIMO系统。基站配备Mv×Mh均匀面板天线阵列(uniform planar array，UPA)，其中Mv和Mh分别表示每个垂直列和水平行的天线数量，因此基站处的天线数为Mt＝MvMh。此外，每个用户都配备单根天线。对于时分双工(time division duplexing，TDD)系统，每个时隙包含Tsms，由Nb个符号组成，结构如图1所示，其可以方便地扩展到其他符号组合模式。每个时隙由第一个符号处的上行训练和第二个符号到第Nb个符号处的下行传输组成。
2)信号模型
被广泛采用的联合相关信道模型采用DFT矩阵来表示空间采样矩阵，为了得到一个更精确的信道模型，采用修正后的联合相关信道模型，用过采样DFT矩阵代替DFT矩阵来描述各信道的空间相关性。记N＝NhNv，其中Nh和Nv分别表示垂直列和水平行的过采样系数。因此，空间采样矩阵可表示为
Figure BDA0002512828610000071
其中，
Figure BDA0002512828610000072
表示克罗内克积(Kronecker product)，水平面和垂直面的过采样DFT矩阵为
Figure BDA0002512828610000073
Figure BDA0002512828610000074
为了描述时间演化的特点，利用一阶Gauss-Markov过程来模拟信道从符号到符号的时间变化。每个时隙进行一次预编码，第k个用户在第m个时隙的后验信道模型为
Figure BDA0002512828610000081
其中，
Figure BDA0002512828610000082
为估计信道；⊙表示哈达玛积(Hadamard product)；
Figure BDA0002512828610000083
为具有非负元素的确定向量，满足wk＝mk⊙mk，wk为信道耦合矩阵；
Figure BDA0002512828610000084
为复高斯随机向量，其元素为零均值和单位方差的独立同分布；βk∈[0，1]为用户移动参数
Figure BDA0002512828610000085
Qk(n)与用户移动速度相关。通过动态调整βk，后验模型可以准确地描述各种移动场景下的信道不确定性，如βk趋于1时的准静态场景和βk趋于0时的高速场景。
考虑下行链路传输第m个时隙，为简洁起见，我们省略下标m。记
Figure BDA0002512828610000086
为发送给第k个用户的信号，则第k个用户的接收信号为
Figure BDA0002512828610000087
其中，
Figure BDA0002512828610000088
为第k个用户的的预编码向量，nk～(0，σ2)为高斯复噪声。第k个用户的遍历可达速率为
Figure BDA0002512828610000089
其中，预编码向量满足
Figure BDA00025128286100000810
P为总功率约束。
3)问题建模及其最优解结构
针对一般情况，目标是设计预编码向量p1，…，pK以最大化遍历速率的效用函数
Figure BDA00025128286100000811
其中，
Figure BDA00025128286100000812
为效用函数，包括但不限于和速率、最小速率等函数。
记
Figure BDA0002512828610000091
为优化问题(8)的最优解对应的遍历速率，则以下优化问题的最优解和(8)相同。
Figure BDA0002512828610000092
对于任意k，当
Figure BDA0002512828610000093
时，约束
Figure BDA0002512828610000094
恒成立。因此，不失一般性地设
Figure BDA0002512828610000095
此外，由于遍历速率不存在闭合形式，直接优化(9)比较困难。因此，采用其逼近，如以下的上界来近似遍历速率
Figure BDA0002512828610000096
这样，问题(9)的约束变为
Figure BDA0002512828610000097
其中，
Figure BDA0002512828610000098
为优化问题(8)最优解对应的遍历速率上界，约束函数定义为
Figure BDA0002512828610000099
其中，
Figure BDA00025128286100000910
为优化问题(8)最优解对应的信干噪比。因此，优化问题(9)可以被重新建模为
Figure BDA00025128286100000911
优化问题(13)的拉格朗日算符为
Figure BDA00025128286100000912
其中，μk为拉格朗日乘子，
Figure BDA00025128286100000913
的导数为
Figure BDA00025128286100000914
记
Figure BDA00025128286100000915
则对应的KKT条件为
Figure BDA0002512828610000101
μkCk＝0，k＝1，...，K， (17)
μk≥0，k＝1，...，K. (18)
广义特征域预编码：将公式(16)写为广义特征值问题形式
Figure BDA0002512828610000102
根据后验模型(4)，信道协方差矩阵可用下式计算
Figure BDA0002512828610000103
其中，
Figure BDA0002512828610000104
为对角阵，其元素为[Λk]ii＝[wk]i，
Figure BDA0002512828610000105
记Sk＝μkRk，
Figure BDA0002512828610000106
则γk为最大广义特征值，pk为矩阵对(Sk，Nk)关于最大广义特征值的广义特征向量。
广义特征域功率控制：根据公式(17)，可以验证得到Ck＝0，
Figure BDA0002512828610000107
也即
Figure BDA0002512828610000108
记
Figure BDA0002512828610000109
其中ρk为第k个用户的功率，p k为第k个用户的归一化预编码向量。记
Figure BDA00025128286100001010
(21)式可以写为
Figure BDA00025128286100001011
矩阵形式为Tρ＝σ2IK×1，其中[T]ki＝tki，功率向量ρ＝[ρ1…ρK]T。可验证矩阵T可逆，功率向量可用下式计算
ρ＝σ2T-11K×1. (23)
因此，预编编码向量可以通过拉格朗日乘子无损恢复，复原示意图如图2所示。通过求解(19)中的广义特征值问题可以计算出预编码向量的方向，再通过(23)中的闭式表达式可以进一步计算出预编码功率。
拉格朗日乘子可由如下LMOP求解
Figure BDA0002512828610000111
其中，
Figure BDA0002512828610000112
λ(·)表示最大特征值函数。
4)通用框架
由于优化问题(24)很难直接求解，我们利用深度学习来计算拉格朗日乘子，即LMNN，并提出通用框架，如图3所示。该通用框架可以分为三个部分：1.从信道矩阵中学习得到最优的拉格朗日乘子；2.通过求解广义特征值问题来计算预编码向量的方向；3.通过闭式表达式来计算预编码的功率。
根据后验模型，记
Figure BDA0002512828610000113
Figure BDA0002512828610000114
作为LMNN的输入。除CSI外，拉格朗日乘子还与总功率约束P和噪声协方差σ2有关，对于预编码，即信噪比(signal to noise ratio，SNR)
Figure BDA0002512828610000115
在不同信噪比的样本下，信道矩阵中可以包含SNR，但在不同信噪比的样本下，输入值的量级波动较大。因此，构建由CNN和FNN组成的拉格朗日乘子神经网络，如图4所示。输入矩阵
Figure BDA0002512828610000116
分为实数和虚数部分。CNN将信道矩阵编码为隐式特征，FNN将隐式特征解码为拉格朗日乘子。LMNN的函数表示为
Figure BDA0002512828610000117
其中，所有的权重和偏差参数被组成向量w。
通用框架具体步骤如下：
步骤1：通过LMNN计算拉格朗日乘子μk，k＝1，…，K，对于任意k，若拉格朗日乘子μk＝0，则将其预编码向量置为pk＝0，并删除该用户，不参与功率计算。
步骤2：通过公式(20)计算信道协方差矩阵Rk，k＝1，…，K，求解公式(19)对应的广义特征值问题，得到预编码向量的方向p k，k＝1，…K以及最大特征值γk，k＝1，…，K；
步骤3：通过公式(22)构造矩阵T，再通过公式(23)计算预编码功率p；
步骤4：计算预编码向量
Figure BDA0002512828610000121
k＝1，…，K。
5)数据集生成及训练
给定信道矩阵，采用现有的迭代方法，由预编码向量计算出拉格朗日乘子。
左乘
Figure BDA0002512828610000122
公式(19)变为
Figure BDA0002512828610000123
也即
Figure BDA0002512828610000124
矩阵形式为THμ＝σ2IK×1，由于矩阵T可逆，拉格朗日乘子可用下式计算
μ＝σ2(T-1)H1K×1， (30)
以和速率最大化为例，即
Figure BDA0002512828610000125
其中wk为非负权值。预编码向量可由以下迭代式计算
Figure BDA0002512828610000126
Figure BDA0002512828610000127
其中，t为迭代次数，
Figure BDA0002512828610000128
Figure BDA0002512828610000129
数据集生成具体步骤如下：
步骤1：初始化i＝1，上标.(i)代表第i个样本；
步骤2：生成信道矩阵
Figure BDA00025128286100001210
和
Figure BDA00025128286100001211
k＝1，…，K，噪声标准差σ(i)，总功率约束P(i)，计算参数
Figure BDA00025128286100001212
k＝1，…，K和信噪比v(i)；
步骤3：通过迭代式(32)和(33)计算预编码向量
Figure BDA0002512828610000131
k＝1，…，K，计算对应的信干噪比
Figure BDA0002512828610000132
k＝1，…，K；
步骤4：通过公式(22)计算矩阵T(i)，然后通过公式(30)计算拉格朗日乘子
Figure BDA0002512828610000133
k＝1，…，K；
步骤5：将v(i)，
Figure BDA0002512828610000134
k＝1，…，K组成一组样本，设置i←i+1；
步骤6：重复步骤2-5直至数据集足够。
用上述方法生成数据集
Figure BDA0002512828610000135
训练的目标是最小化损失函数
Figure BDA0002512828610000136
其中，
Figure BDA0002512828610000137
为第i个样本的预测值。在训练过程中，采用dropout以避免过拟合，并采用自适应矩估计(adaptive moment estimation，ADAM)算法来训练神经网络，以得到权重向量w。
6)低复杂度框架
低复杂度框架将预编码分解为瞬时和统计两部分，分别计算拉格朗日乘子和预编码功率，然后通过加权策略对其加权以降低复杂度。
对于瞬时信道信息预编码，仅使用瞬时信道信息，对应的信道协方差矩阵可以表示为
Figure BDA0002512828610000138
其秩为1，因此其复杂度可以大幅降低。可以得到
Figure BDA0002512828610000139
此时LMOP可以通过WMMSE求解以计算拉格朗日乘子，或者类似LMNN构造以瞬时信道矩阵
Figure BDA00025128286100001310
为输入，瞬时部分的拉格朗日乘子μh为输出的神经网络进行求解。为进一步降低复杂度，拉格朗日乘子μh也可通过RZF预编码进行求解。RZF预编码可表示为
Figure BDA00025128286100001311
其中
Figure BDA00025128286100001312
为归一化因子。则瞬时预编码功率为
Figure BDA00025128286100001313
其预编码向量的方向为
Figure BDA0002512828610000141
对应的信干噪比为
Figure BDA0002512828610000142
其中
Figure BDA0002512828610000143
因此，瞬时拉格朗日乘子可由下式计算
Figure BDA0002512828610000144
其中，
Figure BDA0002512828610000145
对于统计信道信息预编码，统计CSI在一个时间频率资源的时期内保持近似不变，只需要进行一次计算。因此，用迭代方法计算预编码向量再计算对应的拉格朗日乘子和预编码功率是可以接受的。但在一些特定的通信系统中，不同的子载波和时隙可能被分配给不同的用户，这时统计的CSI并非不变。为了扩大应用范围，我们提出用深度学习计算统计部分的拉格朗日乘子。统计拉格朗日乘子神经网络(SLMNN，statistical Lagrangemultipliers neural network)的结构与LMNN类似，唯一不同的是SLMNN的输入只有统计CSI，数据集生成和训练方法不再赘述。记
Figure BDA0002512828610000146
统计拉格朗日乘子为
Figure BDA0002512828610000147
其中，
Figure BDA0002512828610000148
为SLMNN的函数。根据公式(22)，令βk＝0，
Figure BDA0002512828610000149
可构造矩阵Tω，统计预编码功率为
Figure BDA00025128286100001410
下面对瞬时和统计部分的拉格朗日乘子和预编码功率进行加权。由于拉格朗日乘子需满足
Figure BDA00025128286100001411
因此通过下式进行加权
Figure BDA00025128286100001412
同理，预编码功率通过下式进行加权
Figure BDA0002512828610000151
记β＝[β1…βK]T，低复杂度框架如图5所示。
鲁棒预编码的低复杂度框架具体步骤如下：
步骤1：通过公式(40)和(37)计算瞬时部分的拉格朗日乘子μh和预编码功率ρh；
步骤2：通过公式(42)和(43)计算统计部分的拉格朗日乘子μw和预编码功率ρω；
步骤3：通过公式(44)和(45)计算加权后的拉格朗日乘子和μ和预编码功率ρ；
步骤4：通过公式(20)计算信道协方差矩阵Rk，k＝1，…，K，求解公式(19)对应的广义特征值问题，得到预编码向量的方向p k，k＝1，…K；
步骤5：计算预编码向量
Figure BDA0002512828610000152
k＝1，…，K。
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。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.基于深度学习的大规模MIMO下行预编码方法，其特征在于，所述方法中：基站利用各用户终端的瞬时和统计信道状态信息CSI，依据所有用户的遍历可达速率或其逼近的效用函数最大化准则，通过通用框架或低复杂度框架，计算与每一个用户终端相应的预编码向量，利用所得到的向量进行下行预编码传输；在用户终端的移动过程中，随着瞬时和统计信道信息的变化，动态更新各个用户的预编码向量以实施下行传输；
所述的通用框架包括：利用瞬时和统计信道矩阵、用户移动参数、信噪比，基于训练好的拉格朗日乘子神经网络计算拉格朗日乘子；计算各个用户的信道协方差矩阵；求解广义特征值问题得到预编码向量的方向和最优解对应的信干噪比SINR；通过闭式计算得到预编码功率；将预编码向量的方向和预编码功率组合为完整的预编码向量；
所述的低复杂度框架包括：仅用瞬时信道状态信息计算瞬时拉格朗日乘子和瞬时预编码功率；仅用统计信道状态信息计算统计拉格朗日乘子和统计预编码功率；通过用户移动参数对统计和瞬时拉格朗日乘子加权，对统计和瞬时预编码功率加权，得到加权后的拉格朗日乘子和预编码功率；求解广义特征值问题得到预编码向量的方向；将预编码向量的方向和预编码功率组合为完整的预编码向量。
2.根据权利要求1所述的基于深度学习的大规模MIMO下行预编码方法，其特征在于：所述的瞬时信道信息通过各个用户周期性发送的导频信号获取，所述的统计信道信息为信道耦合矩阵；通过用户移动参数对瞬时和统计CSI加权，得到后验信道模型。
3.根据权利要求1所述的基于深度学习的大规模MIMO下行预编码方法，其特征在于：将所述的所有用户的遍历可达速率或其逼近的效用函数最大化问题等效为服务质量QoS问题，其阈值为原问题最优解对应的遍历速率上界，使每个用户的遍历速率解耦至约束；若有约束的阈值为零，则该约束恒成立且其对应用户的预编码向量为零向量，将该用户从优化问题中移除；再将QoS问题的约束等价地转换为二次型，导出预编码向量最优解的结构所需的KKT条件。
4.根据权利要求1所述的基于深度学习的大规模MIMO下行预编码方法，其特征在于：所述的预编码向量为一矩阵对的最大广义特征值对应的广义特征向量，其最大特征值为最优解对应的SINR；该矩阵对与各用户的信道协方差矩阵以及拉格朗日乘子有关；信道协方差矩阵根据后验模型通过闭式计算，拉格朗日乘子通过拉格朗日乘子优化问题求解。
5.根据权利要求1所述的基于深度学习的大规模MIMO下行预编码方法，其特征在于：所述的预编码功率通过闭式计算；该闭式与预编码向量的方向和最优解对应的SINR有关，通过求解所述的广义特征值问题得到。
6.根据权利要求1所述的基于深度学习的大规模MIMO下行预编码方法，其特征在于：所述的拉格朗日乘子神经网络LMNN将瞬时和统计信道矩阵、用户移动参数、信噪比作为输入，拉格朗日乘子作为输出进行训练；该神经网络由卷积神经网络CNN和全连接神经网络FNN构成，先由CNN提取信道矩阵的隐式特征，再将该隐式特征和信噪比一起作为FNN的输入。
7.根据权利要求6所述的基于深度学习的大规模MIMO下行预编码方法，其特征在于：所述的拉格朗日乘子神经网络数据集生成方法包括：在不同的信噪比、移动速度、用户分布环境下，生成足够信道矩阵样本，对于每一组信道矩阵样本，重复如下步骤：通过迭代算法求解预编码向量；通过得到的预编码向量计算最优解对应的SINR，然后根据闭式求解该信道矩阵样本对应的拉格朗日乘子；将该信道矩阵样本、信噪比、移动参数和拉格朗日乘子组合为一个样本。
8.根据权利要求1所述的基于深度学习的大规模MIMO下行预编码方法，其特征在于：所述的低复杂度框架中，仅用瞬时CSI，计算瞬时拉格朗日乘子和瞬时预编码功率的计算方法采用如下三种中的一种：
a.通过加权最小均方误差WMMSE算法计算瞬时拉格朗日乘子，拉格朗日乘子为零的用户不参与后续计算并置其预编码向量为零向量；再将所有用户移动参数置一，计算各个用户的信道协方差矩阵，求解广义特征值问题得到预编码向量的方向和最优解对应的SINR，通过闭式计算得到预编码功率；
b.仅使用瞬时CSI和信噪比作为输入，构造神经网络以计算瞬时拉格朗日乘子，拉格朗日乘子为零的用户不参与后续计算并置其预编码向量为零向量；再将用户移动参数置一，计算各个用户的信道协方差矩阵，求解广义特征值问题得到预编码向量的方向和最优解对应的SINR，通过闭式计算得到预编码功率；
c.计算正则化迫零RZF预编码向量，通过得到的向量计算瞬时预编码功率和SINR，再将用户移动参数置一，根据闭式计算得到瞬时拉格朗日乘子；该闭式与预编码向量的方向和SINR有关。
9.根据权利要求1所述的基于深度学习的大规模MIMO下行预编码方法，其特征在于：所述的低复杂度框架中，仅用统计CSI计算统计拉格朗日乘子和统计预编码功率的计算方法为：仅使用统计CSI和信噪比作为输入，构造神经网络计算统计拉格朗日乘子，拉格朗日乘子为零的用户不参与后续计算并置其预编码向量为零向量；再将用户移动参数置零，计算各个用户的信道协方差矩阵，求解广义特征值问题得到预编码向量的方向和最优解对应的SINR，通过闭式计算得到预编码功率。
CN202010466502.9A 2020-05-28 2020-05-28 基于深度学习的大规模mimo下行预编码方法 Active CN111865378B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010466502.9A CN111865378B (zh) 2020-05-28 2020-05-28 基于深度学习的大规模mimo下行预编码方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010466502.9A CN111865378B (zh) 2020-05-28 2020-05-28 基于深度学习的大规模mimo下行预编码方法

Publications (2)

Publication Number Publication Date
CN111865378A true CN111865378A (zh) 2020-10-30
CN111865378B CN111865378B (zh) 2021-06-11

Family

ID=72985288

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010466502.9A Active CN111865378B (zh) 2020-05-28 2020-05-28 基于深度学习的大规模mimo下行预编码方法

Country Status (1)

Country Link
CN (1) CN111865378B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112803976A (zh) * 2020-12-24 2021-05-14 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
CN113193896A (zh) * 2021-04-23 2021-07-30 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
CN113765553A (zh) * 2021-09-09 2021-12-07 东南大学 一种基于机器学习的多波束卫星通信系统鲁棒预编码方法
CN114285444A (zh) * 2021-09-30 2022-04-05 南京邮电大学 一种去蜂窝大规模mimo系统的功率优化方法
CN114567358A (zh) * 2022-03-03 2022-05-31 东南大学 大规模mimo鲁棒wmmse预编码器及其深度学习设计方法
CN114844537A (zh) * 2022-04-29 2022-08-02 东南大学 深度学习辅助鲁棒大规模mimo收发联合方法
CN114900216A (zh) * 2022-05-18 2022-08-12 东南大学 大规模mimo鲁棒预编码器的迭代信干噪比设计方法
CN114978254A (zh) * 2022-05-12 2022-08-30 东南大学 基于ofdm系统的机器学习辅助低复杂度鲁棒预编码算法
CN115001553A (zh) * 2022-05-26 2022-09-02 东南大学 一种机器学习辅助的卫星下行预编码方法
WO2023090615A1 (ko) * 2021-11-22 2023-05-25 엘지전자 주식회사 무선 통신 시스템에서 다중 사용자 프리코딩을 수행하기 위한 장치 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160014764A1 (en) * 2009-04-24 2016-01-14 Samsung Electronics Co., Ltd. Multiplexing large payloads of control information from user equipments
CN108462517A (zh) * 2018-03-06 2018-08-28 东南大学 一种基于机器学习的mimo链路自适应传输方法
CN108990167A (zh) * 2018-07-11 2018-12-11 东南大学 一种机器学习辅助的大规模mimo下行用户调度方法
US20190087654A1 (en) * 2017-09-15 2019-03-21 Huazhong University Of Science And Technology Method and system for csi-based fine-grained gesture recognition
CN111010219A (zh) * 2019-11-28 2020-04-14 东南大学 可重构智能表面辅助的多用户mimo上行链路传输方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160014764A1 (en) * 2009-04-24 2016-01-14 Samsung Electronics Co., Ltd. Multiplexing large payloads of control information from user equipments
US20190087654A1 (en) * 2017-09-15 2019-03-21 Huazhong University Of Science And Technology Method and system for csi-based fine-grained gesture recognition
CN108462517A (zh) * 2018-03-06 2018-08-28 东南大学 一种基于机器学习的mimo链路自适应传输方法
CN108990167A (zh) * 2018-07-11 2018-12-11 东南大学 一种机器学习辅助的大规模mimo下行用户调度方法
CN111010219A (zh) * 2019-11-28 2020-04-14 东南大学 可重构智能表面辅助的多用户mimo上行链路传输方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHAOYUN ZHANG 等: "Deep Learning in Mobile and Wireless Networking: A Survey", 《IEEE COMMUNICATIONS SURVEYS & TUTORIALS》 *
FOAD SOHRABI 等: "Robust Symbol-Level Precoding Via Autoencoder-Based Deep Learning", 《ICASSP 2020 - 2020 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)》 *
JUNCHAO SHI 等: "Machine Learning Assisted User-scheduling Method for Massive MIMO System", 《2018 10TH INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS AND SIGNAL PROCESSING (WCSP)》 *
XIANGYI LI 等: "Spatio-Temporal Representation With Deep Neural Recurrent Network in MIMO CSI Feedback", 《IEEE WIRELESS COMMUNICATIONS LETTERS》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112803976A (zh) * 2020-12-24 2021-05-14 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
CN113193896A (zh) * 2021-04-23 2021-07-30 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
CN113765553A (zh) * 2021-09-09 2021-12-07 东南大学 一种基于机器学习的多波束卫星通信系统鲁棒预编码方法
CN114285444B (zh) * 2021-09-30 2023-03-28 南京邮电大学 一种去蜂窝大规模mimo系统的功率优化方法
CN114285444A (zh) * 2021-09-30 2022-04-05 南京邮电大学 一种去蜂窝大规模mimo系统的功率优化方法
WO2023090615A1 (ko) * 2021-11-22 2023-05-25 엘지전자 주식회사 무선 통신 시스템에서 다중 사용자 프리코딩을 수행하기 위한 장치 및 방법
CN114567358A (zh) * 2022-03-03 2022-05-31 东南大学 大规模mimo鲁棒wmmse预编码器及其深度学习设计方法
CN114844537A (zh) * 2022-04-29 2022-08-02 东南大学 深度学习辅助鲁棒大规模mimo收发联合方法
CN114844537B (zh) * 2022-04-29 2024-02-02 东南大学 深度学习辅助鲁棒大规模mimo收发联合方法
CN114978254A (zh) * 2022-05-12 2022-08-30 东南大学 基于ofdm系统的机器学习辅助低复杂度鲁棒预编码算法
CN114978254B (zh) * 2022-05-12 2024-01-19 东南大学 基于ofdm系统的机器学习辅助低复杂度鲁棒预编码算法
CN114900216A (zh) * 2022-05-18 2022-08-12 东南大学 大规模mimo鲁棒预编码器的迭代信干噪比设计方法
CN115001553A (zh) * 2022-05-26 2022-09-02 东南大学 一种机器学习辅助的卫星下行预编码方法
CN115001553B (zh) * 2022-05-26 2024-01-30 东南大学 一种机器学习辅助的卫星下行预编码方法

Also Published As

Publication number Publication date
CN111865378B (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN111865378B (zh) 基于深度学习的大规模mimo下行预编码方法
Fernandes et al. Inter-cell interference in noncooperative TDD large scale antenna systems
CN111181619B (zh) 基于深度强化学习的毫米波混合波束成形设计方法
Shi et al. Deep learning-based robust precoding for massive MIMO
CN114567358B (zh) 大规模mimo鲁棒wmmse预编码器及其深度学习设计方法
CN114285444B (zh) 一种去蜂窝大规模mimo系统的功率优化方法
Müller et al. Analysis of blind pilot decontamination
CN113644952A (zh) 基于分布式csi的多测控站多星mimo上行抗干扰方法
KR102510513B1 (ko) 심층 학습 기반의 빔포밍 방법 및 이를 위한 장치
CN113193896B (zh) 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
Demir et al. Cell-free massive MIMO with large-scale fading decoding and dynamic cooperation clustering
Shi et al. Robust WMMSE precoder with deep learning design for massive MIMO
Wang et al. Distributed Learning for Uplink Cell-Free Massive MIMO Networks
CN114844537B (zh) 深度学习辅助鲁棒大规模mimo收发联合方法
CN114710187A (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
CN111277313B (zh) 基于二分图的蜂窝车联网大规模mimo波束选择与传输方法
US20230125744A1 (en) Multi-user pre-coding
Shi et al. Deep learning based robust precoder design for massive MIMO downlink
Amin et al. Quantized power allocation algorithms in cell-free massive MIMO systems
CN113259280A (zh) 一种车联网中基于机器学习优化的mimo信息检测方法
CN115001553B (zh) 一种机器学习辅助的卫星下行预编码方法
Bogale et al. Linear transceiver design for downlink multiuser MIMO systems: Downlink-interference duality approach
EP4369620A1 (en) Communication method and apparatus
Lu et al. Joint precoder and decoder design in downlink multi-user MIMO C-RAN with imperfect CSI
Mukubwa et al. Analysis of Channel Estimation Performance in MPC-RAN: Improved MMSE and Compressed Data Techniques

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