CN111901270A - 宽带多用户一比特毫米波系统模型辅助学习的解调方法 - Google Patents

Abstract

本发明公布了一种宽带多用户一比特毫米波系统模型辅助学习的解调方法，包括：设计具有导频部分、训练部分和后缀部分的帧结构；依据毫米波信道模型信息获取模板；利用有标签模板训练支撑向量机实现分类和输入数据模板至分类器实现在线解调。采用本发明提供的技术方案，可创新性地将毫米波系统的特殊模型信道引入到学习解调中，使得系统可以支持串行传输，在获取高能量效率的同时不损失数据率。与单一的学习方式相比，本发明可以有效地降低训练的复杂度并且显著地提升系统的误码性能。

Description

宽带多用户一比特毫米波系统模型辅助学习的解调方法

技术领域

本发明属于无线通信技术领域，涉及毫米波系统的解调技术，具体涉及一种适用于宽带多用户一比特毫米波系统的模型辅助学习的解调方法，利用毫米波的模型信息和机器学习方法进行毫米波系统的解调，有效提升一比特毫米波系统的误码性能。

背景技术

近年来，毫米波通信因其丰富的频带资源和巨大的容量优势得到了广泛的关注和研究，被认为是下一代无线通信的重要组成技术。为了克服毫米波的传输路径损耗，毫米波系统通常会配备大规模天线阵列进行波束赋形。但是在毫米波段，数模/模数转换器的功耗大、成本高，因此为每根天线配置高精度的数模/模数转换器会极大增大系统的开销。出于实际应用的考虑，一种称作一比特毫米波系统，亦即是为每根天线配置一比特的数模/模数转换器，因其能在低功耗下实现较高的通信速率，被认为是一种良好的折中方案。

与高精度系统相比，一比特系统由于严重的信号变形导致解码非常困难。在多用户宽带系统下，相应的解码问题面临着更大的挑战。第一，一比特系统带来的非线性噪声使得传统的正交频分复用方式不在适用，无法克服频率选择特性带来的码间串扰。第二，在多用户系统下，除码间串扰外，用户间的同频干扰会进一步加剧解码的复杂度。第三，毫米波大规模阵列下信道维度高，使得计算复杂度高，难以支持线上模式处理。当前，针对于一比特系统的解调主要有两种典型的方式，第一种是通过调整高精度系统下的解调算法，使其尽可能匹配一比特系统；另一种是通过机器学习的技术克服非线性噪声，将解调化归为分类问题进行处理。然而，这两种技术目前都难以直接服务毫米波多用户宽带系统。为了增强一比特毫米波系统的可行性，设计低复杂度且能适用于多用户和宽带信道的解调方式具有重要的意义。

发明内容

为了克服单纯依据模型信息或机器学习进行宽带多用户一比特毫米波系统解调的缺陷，本发明提出了一种联合模型和学习的解调方法，可应用于宽带多用户一比特毫米波系统，该方案被命名为毫米波系统模型辅助学习的解调方法。

本发明的核心是：将一比特毫米波系统的数据解调化归为有监督学习的分类问题，利用毫米波信道在延时域和角域的信息辅助机器学习，实现低导频开销和低计算复杂度的解调方案。具体而言，本方案首先设计了一比特毫米波系统合适的传输帧结构，该结构包括导频部分、数据部分和后缀部分。在训练阶段，系统的各个用户会传送已知的伪随机序列，系统基站依据接收到的数据，结合结合已知的毫米波信道模型在延时域和角域的信息训练分类器；在传输阶段，基站处理接收数据并输入至已训练好的分类器完成解调

为便于说明，本发明定义以下参数：

K为系统发端单天线用户的数量；

N_a为系统收端配置的均匀阵列天线的维数；

a^*为a的共轭转置；

a^T为a的转置；

δ(·)为狄拉克函数

L代表信道的有效路径数目；

d_m代表信道最大的延迟阶数；

d为延时阶数；取值范围为[0,d_m)；

d_l,k为用户k第l条有效路径的延时；

θ_l,k为用户k第l条有效路径的到达角；

α_l,k为用户k第l条有效路径的幅度；

θ为有效路径的到达角；

sgn(·)代表符号函数；

代表卷积算子。

本发明提供的技术方案是：

一种宽带多用户一比特毫米波系统模型辅助学习的解调方法，包括帧结构设计，模板获取，分类器训练和在线解调；系统的发端有K个单天线的用户，分别配置有一比特的数模转换器用于数据传输；系统的收端配有N_a维的均匀阵列天线，每根天线配置有一比特的模数转换器用于信号接收。用户k(1≤k≤K)与基站间的d-阶延时信道h_d,k可表示为

定义h_k＝[h_0,k,h_1,k,...,h_dm,k]，h_k为用户k的延时信道集合；用户k在时刻p的发送数据为s_p,k。经过上行传输后，基站端在时刻p的接收信号y_p表示为：

其中η_p为基站的接收噪声。

本发明提供的模型辅助学习的调制方法包括如下步骤：

1)设计用户的传输帧结构；具体步骤如下

11)每个用户k(1≤k≤K)的帧结构包含导频部分，数据部分和后缀部分，三个部分的长度分别为N_m，P，和d_m，需要满足N_m＞d_m。

12)将用户k的导频部分设为初始相位为k的最长线性反馈位移寄存器序列前N_m个符号。

13)将用户k的后缀部分设为其导频部分的前d_m个符号；

2)获取模板；对每一个用户k，具体执行如下操作：

21)依据用户k与基站间的d-阶延时信道h_d,k，记录用户k的有效路径集合[d_1,k,d_2,k,...,d_L,k]，L代表信道有效路径数目；构建关于用户k的有效波束矩阵A_k＝[a_r(θ_1,k),a_r(θ_2,k),...,a_r(θ_l,k),...,a_r(θ_L,k)]。

22)对基站端的接收信号y_p做如下处理，得到关于用户k的投影信号

23)依据式3)，获取用户k的模板数据T_p,k为：

3)分类器设计：对每一个用户k，将模板数据T_p,k作为待训练的线性支撑向量机的输入，按照式5)的方式进行训练，得到训练好的线性支撑向量机S：

S(T_p,k)＝s_k,p，p＜N_m-d_L,k 式5)

4)在线解调：对每一个用户k，通过式6)获得解调数据

通过上述步骤，实现了宽带多用户一比特毫米波系统的解调。

具体实施时，多用户传输数据至毫米波系统的基站，其中N_a＝128，L＝3，K＝3。在实际应用中，N_a的取值通常为32～256，K一般为1～6，L一般不超过10。

与现有技术相比，本发明具有以下优点：

本发明提出了一种适用于宽带多用户一比特毫米波系统的模型辅助学习的解调方法，创新性地将毫米波系统的特殊模型信道引入到学习解调中，使得系统可以支持串行传输，在获取高能量效率的同时不损失数据率。

采用本发明提供的技术方案，与单一的学习方式相比，可以有效地降低训练的复杂度并且显著地提升系统的误码性能。

附图说明

图1是本发明提供的适用于宽带多用户一比特毫米波系统的模型辅助学习的解调方法的流程框图。

图2是宽带多用户一比特毫米波系统的原理图。

图3是本发明解调方法与理想系统下的解调方法以及单一学习解调方法的能量效率和数据率对比结果；

其中，(a)为能量效率的对比结果。(b)为数据率的对比结果。

图4是本发明解调方法与理想系统下的解调方法和单一学习解调方法的误码率对比结果。

具体实施方式

下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。

本发明提供一种适用于宽带多用户一比特毫米波系统的模型辅助学习的解调方法，图1所示是本发明提供的适用于宽带多用户一比特毫米波系统的模型辅助学习的解调方法的流程，包括帧结构设计，模板获取，分类器训练和在线解调；具体地：将一比特毫米波系统的数据解调化归为有监督学习的分类问题，利用毫米波信道在延时域和角域的信息辅助机器学习，实现低导频开销和低计算复杂度的解调方案。具体而言，本方案首先设计了一比特毫米波系统合适的传输帧结构，该结构包括导频部分、数据部分和后缀部分。在训练阶段，系统的各个用户会传送已知的伪随机序列，系统基站依据接收到的数据，结合已知的毫米波信道模型在延时域和角域的信息训练分类器；在传输阶段，基站处理接收数据并输入至已训练好的分类器完成解调。

图2所示是宽带多用户一比特毫米波系统，系统的发端有K个单天线的用户，分别配置有一比特的数模转换器用于数据传输；系统的收端配有N_a维的均匀阵列天线，每根天线配置有一比特的模数转换器用于信号接收。用户k(1≤k≤K)与基站间的d-阶延时信道h_d,k可表示为

定义

h_k为用户k的延时信道集合，用户k在时刻p的发送数据为s_p,k。经过上行传输后，基站端在时刻p的接收信号y_p表示为：

其中η_p为基站的接收噪声。

在实际应用中，N_a的取值通常为32～256，K一般为1～6，L一般不超过10。

以下具体实施时，N_a＝128，L＝3，K＝3；多用户传输数据至毫米波系统的基站；宽带多用户一比特毫米波系统的模型辅助学习的解调方法包括如下步骤：

1)设计用户的传输帧结构；具体步骤如下

11)每个用户k(1≤k≤K)的帧结构包含导频部分，数据部分和后缀部分，三个部分的长度分别为N_m，P，和d_m，需要满足N_m＞d_m。

12)将用户k的导频部分设为初始相位为k的最长线性反馈位移寄存器序列前N_m个符号。

13)将用户k的后缀部分设为其导频部分的前d_m个符号；

2)获取模板；对每一个用户k，具体执行如下操作：

21)依据用户k与基站间的d-阶延时信道h_d,k，记录用户k的有效路径集合[d_1,k,d_2,k,...,d_L,k]；构建关于用户k的有效波束矩阵A_k＝[a_r(θ_1,k),a_r(θ_2,k),...,a_r(θ_L,k)]。

22)对基站端的接收信号y_p做如下处理，得到关于用户k的投影信号

23)依据式3)，获取用户k的模板数据T_p,k为：

3)分类器设计：对每一个用户k，将模板数据T_p,k作为待训练的线性支撑向量机的输入，按照式5)的方式进行训练，得到训练好的线性支撑向量机S：

S(T_p,k)＝s_k,p，p＜N_m-d_L,k 式5)

4)在线解调：对每一个用户k，通过式6)获得解调数据

通过上述步骤，实现了宽带多用户一比特毫米波系统的解调。

图3示出了不同方案在能量效率和数据率的对比结果。由图3可以看出，本方案下的能量效率比理想系统下的能量效率高出近四倍，且非常接近于单一学习的方式。但是，考虑到应用单一学习方式获得的数据率远远低于本方案和理想系统，因此本发明方案在数据率和能量效率下综合表现最优。

图4示出了在相同的导频开销下不同方案在误码率的对比结果。由图4可以看出，本发明方案下的误码性能远优于单一学习模式下的方案，并且在中低信噪比下，与理想系统下的误码性能只相差两个2dB，因此本方案能够在极大程度上满足实际系统的需要，同时有效降低硬件成本和系统功耗。

尽管为说明目的公开了本发明的具体实施例和附图，其目的在于帮助理解本发明的内容并据以实施，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是可能的。因此，本发明不应局限于最佳实施例和附图所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (3)

1.一种宽带多用户一比特毫米波系统模型辅助学习的解调方法，包括帧结构设计、模板获取过程、分类器训练过程和在线解调过程；宽带多用户一比特毫米波系统的发端有K个单天线的用户，分别配置有一比特的数模转换器用于数据传输；系统的收端配有N_a维的均匀阵列天线，每根天线配置一比特的模数转换器用于信号接收；

用户k(1≤k≤K)与基站间的d-阶延时信道h_d,k表示为式1)：

定义

h_k为用户k的延时信道集合；L代表信道的有效路径数目；α_l,k为用户k第l条有效路径的幅度；d_l,k为用户k第l条有效路径的延时；θ_l,k为用户k第l条有效路径的到达角；δ(·)为狄拉克函数；d_m代表信道最大的延迟阶数；d为延时阶数，取值范围为[0,d_m)；

N_a为系统收端配置的均匀阵列天线的维数，

将用户k在时刻p的发送数据记为s_p,k；经过上行传输后，基站端在时刻p的接收信号y_p表示为式2)：

其中，η_p为基站的接收噪声；sgn(·)代表符号函数；

代表卷积算子；

所述宽带多用户一比特毫米波系统模型辅助学习的解调方法包括如下步骤：

1)设计用户的传输帧结构，包括：

11)每个用户k的帧结构包含导频部分、数据部分和后缀部分，长度分别为N_m、P、d_m，N_m＞d_m；

12)将用户k的导频部分设为初始相位为k的最长线性反馈位移寄存器序列前N_m个符号；

13)将用户k的后缀部分设为其导频部分的前d_m个符号；

2)获取模板；对每一个用户k，执行如下操作：

21)依据用户k与基站间的d-阶延时信道h_d,k，记录用户k的有效路径集合[d_1,k,d_2,k,...,d_L,k]，L代表信道有效路径数目；构建关于用户k的有效波束矩阵A_k＝[a_r(θ_1,k),a_r(θ_2,k),...,a_r(θ_l,k),...,a_r(θ_L,k)]；

22)对基站端的接收信号y_p做如下处理，得到关于用户k的投影信号

23)依据式3)，获取用户k的模板数据T_p,k为：

3)分类器设计：对每一个用户k，将模板数据T_p,k作为待训练的线性支撑向量机的输入，按照式5)的方式进行训练，得到训练好的线性支撑向量机S：

S(T_p,k)＝s_k,p，p＜N_m-d_L,k 式5)

4)在线解调：对每一个用户k，通过式6)获得解调数据

通过上述步骤，实现宽带多用户一比特毫米波系统模型辅助学习的解调。

2.如权利要求1所述宽带多用户一比特毫米波系统模型辅助学习的解调方法，其特征是，N_a的取值为32～256，K为1～6，L为不超过10。

3.如权利要求2所述宽带多用户一比特毫米波系统模型辅助学习的解调方法，其特征是，具体地，N_a＝128，L＝3，K＝3。

Images