CN112134631A - 无线通信系统平均容量评估方法及系统 - Google Patents
无线通信系统平均容量评估方法及系统 Download PDFInfo
- Publication number
- CN112134631A CN112134631A CN202010872591.7A CN202010872591A CN112134631A CN 112134631 A CN112134631 A CN 112134631A CN 202010872591 A CN202010872591 A CN 202010872591A CN 112134631 A CN112134631 A CN 112134631A
- Authority
- CN
- China
- Prior art keywords
- wireless communication
- communication system
- neural network
- instant
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提出了一种无线通信系统平均容量评估方法及系统。无线通信系统处于多小区即时协同传输条件下,所述评估方法包括:基于无线通信系统的多个缓变大尺度信道参数,根据无线通信系统的小尺度信道参数的统计特性,确定多个即时信道衰落状态样本;针对每个即时信道衰落状态样本,基于多层神经网络,计算其对应的即时容量;对所有即时容量求均值,获得无线通信系统的平均容量。采用本发明,可以快速且高效的评估通信系统统计平均容量,适用于各类理论或实测信道模型、以及各类协同传输技术的无线通信系统。
Description
技术领域
本发明涉及无线通信技术领域,尤其涉及一种无线通信系统平均容量评估方法及系统。
背景技术
相关技术中,无线通信系统平均容量的评估,主要可以采用以下两种方法:一是借助基于随机矩阵的闭式平均容量表达式进行计算,二是借助Monte Carlo方法仿真计算获得。
其中,基于随机矩阵的闭式平均容量表达式,在给定发送信号统计特性与缓变大尺度信道衰落状态的情况下,可以快速计算出无线通信系统关于快变小尺度信道衰落的统计平均容量。但采用该方法时,需设定系统在不同的小尺度信道衰落状态下采用相同统计特性的发送信号。对于采用基于即时信道状态信息多小区协同传输技术的无线通信系统,发送信号统计特性随小尺度信道衰落的不同而自适应变化,因此无法采用该方法计算多小区即时协同传输无线通信系统的平均容量。
基于无线通信系统统计平均容量的计算原理,借助Monte Carlo仿真方法,在给定的缓变大尺度衰落状态下,生成足够数量的即时信道衰落状态样本,通过计算每个样本下的无线通信系统容量,再对所有样本对应的系统容量求均值,即可获得无线通信系统的统计平均容量。但在该方法中,,所需即时信道衰落状态样本的数量往往较大。对于采用基于即时信道状态信息多小区协同传输技术的无线通信系统,为获得所有信道衰落状态样本下的系统容量,需针对每一个样本运行一次多小区协同传输算法。由于性能优异的多小区协同传输算法主要通过迭代过程实现,因此该方法计算复杂度较高,耗时长,难以实现多小区即时协同传输无线通信系统平均容量的快速计算。
发明内容
本发明要解决的技术问题是相关技术中对于多小区即时协同传输无线通信系统平均容量的评估复杂且效率低,提供一种无线通信系统平均容量评估方法及系统。
根据本发明实施例的无线通信系统平均容量评估方法,所述无线通信系统处于多小区即时协同传输条件下,所述评估方法包括:
基于所述无线通信系统的多个缓变大尺度信道参数,根据所述无线通信系统的小尺度信道参数的统计特性,确定多个即时信道衰落状态样本;
针对每个所述即时信道衰落状态样本,基于多层神经网络,计算其对应的即时容量;
对所有即时容量求均值,获得所述无线通信系统的平均容量。
根据本发明的一些实施例,所述方法,还包括:
在确定多个即时信道衰落状态样本之前,根据所述无线通信系统实际信道特性确定其所适用的信道模型;
根据所述无线通信系统适用的信道模型,确定所述无线通信系统的小尺度信道参数的统计特性。
根据本发明的一些实施例,所述方法,还包括:
在计算其对应的即时容量之前,构建多层神经网络;
所述构建多层神经网络,包括:
确定所述多层神经网络所采用的网络结构;
设定所述多层神经网络的网络层数以及各层的神经元数;
基于所述网络层数以及所述各层的神经元数,确定所述多层神经网络待训练的阈值个数以及连接权重个数;
基于所述阈值个数以及连接权重个数,确定训练样本的数量;
获取训练样本,并基于所述训练样本、所述网络结构、所述网络层数以及所述各层的神经元数,训练所述多层神经网络中各层神经元的阈值以及各层神经元之间的连接权重。
根据本发明的一些实施例,所述网络结构包括至少一种神经网络结构,所述至少一种神经网络结构包括前馈神经网络、和/或级联神经网络。
根据本发明的一些实施例,所述设定所述多层神经网络的网络层数以及各层的神经元数,包括:
设定所述网络层数至少为三层;
根据所述无线通信系统中无线链路数量,设定所述各层的神经元数;
所述无线链路数量根据所述无线通信系统中所有小区部署的基站天线总数以及所有用户配置的天线总数确定。
根据本发明的一些实施例,所述获取训练样本,包括:
获取多个即时信道衰落状态训练样本;
基于每个所述即时信道衰落状态训练样本,根据多小区即时协同传输算法,通过仿真或实测获取其对应的即时容量训练参数。
根据本发明的一些实施例,所述构建多层神经网络,还包括:
基于所述多层神经网络计算所述无线通信系统即时容量的精度,调整所述网络层数以及各层的神经元数。
根据本发明实施例的无线通信系统平均容量评估系统,所述无线通信系统处于多小区即时协同传输条件下,所述评估系统包括:
信道参数信息样本化单元,用于基于所述无线通信系统的多个缓变大尺度信道参数,根据所述无线通信系统的小尺度信道参数的统计特性,确定多个即时信道衰落状态样本;
基于神经网络的即时容量计算单元,用于针对每个所述即时信道衰落状态样本,基于多层神经网络,计算其对应的即时容量;
基于样本均值的平均容量评估单元,用于对所有即时容量求均值,获得所述无线通信系统的平均容量。
根据本发明的一些实施例,所述信道参数信息样本化单元,还用于:
根据所述无线通信系统实际信道特性确定其所适用的信道模型;
根据所述无线通信系统适用的信道模型,确定所述无线通信系统的小尺度信道参数的统计特性。
根据本发明的一些实施例,所述基于神经网络的即时容量计算单元,还用于:
构建多层神经网络;
所述构建多层神经网络,包括:
确定所述多层神经网络所采用的网络结构;
设定所述多层神经网络的网络层数以及各层的神经元数;
基于所述网络层数以及所述各层的神经元数,确定所述多层神经网络待训练的阈值个数以及连接权重个数;
基于所述阈值个数以及连接权重个数,确定训练样本的数量;
获取训练样本,并基于所述训练样本、所述网络结构、所述网络层数以及所述各层的神经元数,训练所述多层神经网络中各层神经元的阈值以及各层神经元之间的连接权重。
采用上述技术方案,本发明至少具有下列优点:
本发明实施例面向需要对无线通信系统在采用基于即时信道信息的多小区协同传输条件下的统计平均容量进行在线实时评估的各类应用场景,基于深度学习,提出一种通信系统平均容量评估方法,该方法可以快速且高效的评估通信系统统计平均容量,可适用于各类理论或实测信道模型、以及各类协同传输技术的无线通信系统。
附图说明
图1为本发明实施例的无线通信系统平均容量评估方法流程图;
图2为本发明实施例的无线通信系统结构示意图;
图3为本发明实施例的无线通信系统平均容量评估系统示意图;
图4为本发明实施例的多层神经网络组成示意图;
图5为本发明实施例的多层神经网络组成示意图。
具体实施方式
为更进一步阐述本发明为达成预定目的所采取的技术手段及功效,以下结合附图及较佳实施例,对本发明进行详细说明如后。
本发明第一实施例,一种无线通信系统平均容量评估方法,所述无线通信系统平均容量评估方法适于对多小区即时协同传输条件下的无线通信系统的统计平均容量进行评估。如图1所示,所述无线通信系统平均容量评估方法包括以下具体步骤:
S1,基于所述无线通信系统的多个缓变大尺度信道参数,根据所述无线通信系统的小尺度信道参数的统计特性,确定多个即时信道衰落状态样本;
S2,针对每个所述即时信道衰落状态样本,基于多层神经网络,计算其对应的即时容量;
S3,对所有即时容量求均值,获得所述无线通信系统的平均容量。
本发明实施例面向需要对无线通信系统在采用基于即时信道信息的多小区协同传输条件下的统计平均容量进行在线实时评估的各类应用场景,基于深度学习,提出一种通信系统平均容量评估方法,该方法可以快速且高效的评估通信系统统计平均容量,可适用于各类理论或实测信道模型、以及各类协同传输技术的无线通信系统。
本发明第二实施例,一种无线通信系统平均容量评估方法,本实施例所述方法与第一实施例大致相同,区别在于,本实施例的所述方法,还包括以下具体步骤:
在确定多个即时信道衰落状态样本之前,根据所述无线通信系统实际信道特性确定其所适用的信道模型;
根据所述无线通信系统适用的信道模型,确定所述无线通信系统的小尺度信道参数的统计特性。
本发明第三实施例,一种无线通信系统平均容量评估方法,本实施例所述方法与第一实施例大致相同,区别在于,本实施例的所述方法,还包括以下具体步骤:
在计算其对应的即时容量之前,构建多层神经网络;
所述构建多层神经网络,包括:
确定所述多层神经网络所采用的网络结构;
设定所述多层神经网络的网络层数以及各层的神经元数;
基于所述网络层数以及所述各层的神经元数,确定所述多层神经网络待训练的阈值个数以及连接权重个数;
基于所述阈值个数以及连接权重个数,确定训练样本的数量;
获取训练样本,并基于所述训练样本、所述网络结构、所述网络层数以及所述各层的神经元数,训练所述多层神经网络中各层神经元的阈值以及各层神经元之间的连接权重。
本发明第四实施例,一种无线通信系统平均容量评估方法,本实施例所述方法与第三实施例大致相同,区别在于,在本实施例的所述方法中,所述网络结构包括至少一种神经网络结构,所述至少一种神经网络结构包括前馈神经网络、和/或级联神经网络等。
本发明第五实施例,一种无线通信系统平均容量评估方法,本实施例所述方法与第三实施例大致相同,区别在于,在本实施例的所述方法中,所述设定所述多层神经网络的网络层数以及各层的神经元数,包括:
设定所述网络层数至少为三层;
根据所述无线通信系统中无线链路数量,设定所述各层的神经元数;
所述无线链路数量根据所述无线通信系统中所有小区部署的基站天线总数以及所有用户配置的天线总数确定。
本发明第六实施例,一种无线通信系统平均容量评估方法,本实施例所述方法与第三实施例大致相同,区别在于,在本实施例的所述方法中,所述获取训练样本,包括:
获取多个即时信道衰落状态训练样本;
基于每个所述即时信道衰落状态训练样本,根据多小区即时协同传输算法,通过仿真或实测获取其对应的即时容量训练参数。
本发明第七实施例,一种无线通信系统平均容量评估方法,本实施例所述方法与第三实施例大致相同,区别在于,在本实施例的所述方法中,所述构建多层神经网络,还包括:
基于所述多层神经网络计算所述无线通信系统即时容量的精度,调整所述网络层数以及各层的神经元数。
本发明第八实施例,与第一实施例对应,本实施例介绍一种无线通信系统平均容量评估系统1,所述无线通信系统处于多小区即时协同传输条件下。如图3所示,包括以下组成部分:
信道参数信息样本化单元10,用于基于所述无线通信系统的多个缓变大尺度信道参数,根据所述无线通信系统的小尺度信道参数的统计特性,确定多个即时信道衰落状态样本;
基于神经网络的即时容量计算单元20,用于针对每个所述即时信道衰落状态样本,基于多层神经网络,计算其对应的即时容量;
基于样本均值的平均容量评估单元30,用于对所有即时容量求均值,获得所述无线通信系统的平均容量。
本发明实施例面向需要对无线通信系统在采用基于即时信道信息的多小区协同传输条件下的统计平均容量进行在线实时评估的各类应用场景,基于深度学习,提出一种通信系统平均容量评估方法,该方法可以快速且高效的评估通信系统统计平均容量,可适用于各类理论或实测信道模型、以及各类协同传输技术的无线通信系统。
本发明第九实施例,一种无线通信系统平均容量评估系统,本实施例所述方法与第八实施例大致相同,区别在于,在本实施例的所述系统中,所述信道参数信息样本化单元10,还用于:
根据所述无线通信系统实际信道特性确定其所适用的信道模型;
根据所述无线通信系统适用的信道模型,确定所述无线通信系统的小尺度信道参数的统计特性。
本发明第十实施例,一种无线通信系统平均容量评估方法,本实施例所述系统与第八实施例大致相同,区别在于,在本实施例的所述系统中,所述基于神经网络的即时容量计算单元20,还用于:
构建多层神经网络;
所述构建多层神经网络,包括:
确定所述多层神经网络所采用的网络结构;
设定所述多层神经网络的网络层数以及各层的神经元数;
基于所述网络层数以及所述各层的神经元数,确定所述多层神经网络待训练的阈值个数以及连接权重个数;
基于所述阈值个数以及连接权重个数,确定训练样本的数量;
获取训练样本,并基于所述训练样本、所述网络结构、所述网络层数以及所述各层的神经元数,训练所述多层神经网络中各层神经元的阈值以及各层神经元之间的连接权重。
本发明第十一实施例,本实施例介绍一种无线通信系统平均容量评估系统1,所述无线通信系统处于多小区即时协同传输条件下。
下面以一个详细例子解释无线通信系统处于多小区即时协同传输条件下的情况。如图2所示为一个多小区无线通信系统,如图2所示,每个小区集中或分布式地部署有多根基站天线,同时有若干用户。用户可以配置单天线或多天线。每个小区内的基站天线间可进行协同信号处理,共同服务本小区的用户。不同小区之间可进行协同发送信号优化,即多小区协同传输,以降低小区间的干扰。充分利用基站天线与用户之间的无线信道状态信息,多小区协同传输能够在给定传输资源条件下,有效提升各小区内部有用信号强度,降低不同小区间干扰信号的强度,从而提升系统整体性能。
多小区即时协同传输指基于基站天线与用户之间的即时信道状态信息进行的多小区协同传输。即时信道状态信息能够反映无线信道的实时衰落状态,为无线通信系统开展多小区协同传输提供了一种的较为理想的基础条件。
如图3所示,无线通信系统平均容量评估系统1包括信道参数信息样本化单元10、基于神经网络的CIo计算单元20以及基于样本均值的CIoE评估单元30。
信道参数信息样本单元10完成的功能是,基于输入的缓变大尺度信道参数l1,...,lY,并根据小尺度信道参数的统计特性,生成一定数量的即时信道衰落状态样本,即一定数量的H1,...Hu,...,HU样本,样本数量记为S1,所有样本组成的集合记为Λ1。小尺度信道参数统计特性由无线通信系统适用的信道模型确定,信道模型可以是特定的理论模型或实测模型。即时信道衰落状态样本数量根据无线通信系统的规模确定,生成的样本集合能够反映基站与用户间无线信道的统计特性即可。
基于神经网络的CIo计算单元20所完成的功能是,针对每一个即时信道衰落状态信息样本,借助一个多层的神经网络DNN_C,近似计算获得无线通信系统的即时容量CIo。DNN_C的输入为即时信道衰落状态H1,...Hu,...,HU,输出为CIo。在DNN_C的输入中,即时信道衰落状态H1,...Hu,...,HU以每个组成元素的形式出现。
DNN_C可以基于多种神经网络结构构建,包括前馈神经网络、级联神经网络等。在采用前馈结构情况下,DNN_C组成如图4所示,在图4中: 分别表示第1层(输入层)到第2层、第2层到第3层、第D层到第D+1层(输出层)的连接权重;分别表示第2层、第3层、第D+1层(输出层)的阈值;G1,G2,G3,GD分别表示第1层(输入层)、第2层、第3层、第D层的神经元数量;D表示神经网络DNN_C的深度(神经网络共有D+1层)。
若信道衰落状态信息H1,...Hu,...,HU的各个元素为复数形式,则将每个元素的实数部分和虚数部分分别作为独立的输入,即H1,...Hu,...,HU的每个元素对应DNN_C的两个输入神经元。
基于样本均值的CIoE评估单元30完成的主要功能是,对所有即时信道衰落状态信息样本对应的系统即时容量求均值,获得系统的统计平均容量。在信道参数信息样本化部分,基于输入的缓变大尺度信道参数l1,...,lY生成的即时信道衰落状态样本的数量记为M。在基于神经网络的CIo计算部分,针对所有即时信道衰落状态样本得到的无线通信系统即时容量记为相应地,系统关于快变小尺度信道衰落状态的统计平均容量为:
多层神经网络DNN_C的结构参数主要是指网络深度与各层的神经元数。DNN_C的结构需基于无线通信系统平均容量CIoE的表达式,以及无线通信系统的规模确定。无线通信系统的规模主要体现为系统中无线链路的数量。系统中所有小区部署的基站天线总数记为Ab,所有用户配置的天线总数记为Au,则无线链路数量为:
At=AbAu;
神经网络DNN_C的网络深度应满足:
D≥2;
即DNN_C至少包括一层隐藏层。各层的神经元数应与无线通信系统中的无线链路数量成正比。当采用线性关系时,DNN_C的网络深度D与各层的神经元数Gi,i=2,...,D,可分别设置为:
Gi=eiAt,i=2,...,D;
其中各个系数ei>0,i=2,...,D,可根据神经网络输出对CIo的近似精度进行优化调整。DNN_C第1层为输入神经元,输入神经元数G1由信道矩阵H1,...Hu,...,HU中包含的总元素数量确定。DNN_C最后一层即第D+1层的神经元数为GD+1=1,对应DNN_C输出的CIo近似值。
多层神经网络DNN_C各层神经元间的连接权重及各神经元的阈值,需通过样本训练的方式确定。训练样本由即时信道衰落状态H1,...Hu,...,HU,以及对应的无线通信系统即时容量CIo组成。具体训练方法可基于DNN_C的结构及其输出对CIo的近似精度,在多种神经网络训练方法中优化选择,如后向传播算法。
DNN_C的训练样本可以通过仿真和实际测试的方式获得。具体地,首先基于DNN_C神经元间连接权重及神经元阈值的数量,确定所需训练样本数。DNN_C神经元间连接权重及神经元阈值的数量记为L,则训练样本数S2可设为:
S2=αL,α≥1;
然后,根据无线通信系统适用的信道模型中大尺度参数l1,...,lY和小尺度参数s1,...,sX的统计特性,生成数量为S2的即时信道衰落状态样本,并将所有样本组成的集合记为Λ2。最后,针对Λ1中的每一个即时信道衰落状态样本,执行无线通信系统多小区即时协同传输算法,获取每一个样本对应的系统即时容量CIo。多小区即时协同传输算法由无线通信系统所采用的多小区即时协同传输技术确定。
本发明第十二实施例,一种无线通信系统平均容量评估方法,本实施例是基于第十一实施例实现的。
本发明实施例的无线通信系统平均容量评估方法,包括:
步骤1、根据无线通信系统实际信道特性确定其所适用的信道模型;
步骤2、确定无线通信系统所采用的具体多小区即时协同传输算法R;
步骤3、确定多层神经网络DNN_C采用的网络结构;
步骤4、基于无线通信系统中的无线链路数量,初步确定多层神经网络DNN_C的结构参数,即网络深度D与各层的神经元数Gi,i=1,...,D+1;
具体的,多层神经网络DNN_C的结构参数主要是指网络深度与各层的神经元数。DNN_C的结构需基于无线通信系统平均容量CIoE的表达式,以及无线通信系统的规模确定。无线通信系统的规模主要体现为系统中无线链路的数量。系统中所有小区部署的基站天线总数记为Ab,所有用户配置的天线总数记为Au,则无线链路数量为:
At=AbAu;
神经网络DNN_C的网络深度应满足:
D≥2;
即DNN_C至少包括一层隐藏层。各层的神经元数应与无线通信系统中的无线链路数量成正比。当采用线性关系时,DNN_C的网络深度D与各层的神经元数Gi,i=2,...,D,可分别设置为:
Gi=eiAt,i=2,...,D;
其中各个系数ei>0,i=2,...,D,可根据神经网络输出对CIo的近似精度进行优化调整。DNN_C第1层为输入神经元,输入神经元数G1由信道矩阵H1,...Hu,...,HU中包含的总元素数量确定。DNN_C最后一层即第D+1层的神经元数为GD+1=1,对应DNN_C输出的CIo近似值。
步骤5、基于神经网络DNN_C的结构参数D与Gi,i=1,...,D+1,确定神经网络DNN_C训练所需的样本数量S2;
例如,DNN_C的训练样本可以通过仿真和实际测试的方式获得。具体地,首先基于DNN_C神经元间连接权重及神经元阈值的数量,确定所需训练样本数。DNN_C神经元间连接权重及神经元阈值的数量记为L,则训练样本数S2可设为:
S2=αL,α≥1。
步骤6、根据无线通信系统所适用的信道模型中大尺度参数l1,...,lY和小尺度参数s1,...,sX的统计特性,生成数量为S2的即时信道衰落状态H1,...Hu,...,HU的样本,组成样本集合Λ2;
步骤7、针对集合Λ2中每一个即时信道衰落样本,执行多小区即时协同传输算法R,获取每一个样本对应的系统即时容量CIo,并将所有样本对应的系统即时容量组成的集合记为T;
多小区即时协同传输算法由无线通信系统所采用的多小区即时协同传输技术确定。
步骤8、基于神经网络DNN_C所采用的网络结构,以及结构参数D与Gi,i=1,...,D+1,并借助Λ2与T组成的训练样本,以对CIo的近似计算精度为目标,优化选取训练方法,对DNN_C进行训练,确定DNN_C各层神经元间的连接权重及神经元阈值;
具体的,多层神经网络DNN_C各层神经元间的连接权重及各神经元的阈值,需通过样本训练的方式确定。训练样本由即时信道衰落状态H1,...Hu,...,HU,以及对应的无线通信系统即时容量CIo组成。具体训练方法可基于DNN_C的结构及其输出对CIo的近似精度,在多种神经网络训练方法中优化选择,如后向传播算法。
步骤9、根据DNN_C训练结果,以对CIo的近似计算精度为目标,优化调整结构参数D与Gi,i=2,...,D,直至训练结果对应的CIo近似计算精度满足使用需求;
步骤10、基于信道小尺度参数s1,...,sX的统计特性,生成信道参数信息样本化部分所需的数量为S1的小尺度信道参数样本,组成样本集合Λ1;
步骤11、基于小尺度信道参数样本集合Λ1及神经网络DNN_C,构建第十一实施例所述的多小区即时协同传输系统平均容量评估系统;
步骤12、利用多小区即时协同传输系统平均容量评估系统,基于给定的大尺度信道参数条件,进行其所对应的无线通信系统统计平均容量CIoE的快速评估。
具体的,基于香农容量公式,无线通信系统下行即时容量可表示为:
CI=fs(W1,...Wu,...,WU,H1,...Hu,...,HU)
其中W1,...Wu,...,WU表示所有U个用户的发送波束成型向量,H1,...Hu,...,HU表示所有U个用户对应的信道矩阵,Hu表示系统中所有基站天线到第u个用户的无线信道矩阵。
根据无线信道衰落特性,Hu可以表示为系列信道参数的函数:
Hu=fh(s1,...,sX,l1,...,lY)
其中s1,...,sX为变化较快的小尺度信道参数,l1,...,lY为变化相对缓慢的大尺度信道参数。Hu代表即时信道衰落状态,s1,...,sX代表快变小尺度信道衰落状态,l1,...,lY代表缓变大尺度信道状态。
采用多小区即时协同传输优化技术之后,无线通信系统下行即时容量可写为:
通过优化调整W1,...Wu,...,WU,可提高无线通信系统的即时容量。考虑系统发送功率限制,W1,...Wu,...,WU需满足若干发送功率限制条件:
fp1(W1,...Wu,...,WU)≤p1,...,fpN(W1,...Wu,...,WU)≤pN
相应地,无线通信系统在采用多小区即时协同传输条件下的统计平均容量可表示为:
在本发明实施例中:
1)所提方法基于Monte Carlo思想,借助即时信道衰落状态样本,及多小区即时协同传输条件下系统即时容量的快速近似计算,实现给定缓变信道参数条件下无线通信系统平均容量的快速评估;
2)即时信道衰落状态样本基于无线通信系统所适用的信道模型生成,可为理论模型或实测信道模型;
3)多小区即时协同传输条件下系统即时容量的快速近似计算借助基于深度学习方法构建的多层神经网络进行;
4)多层神经网络的输入设定为即时信道衰落状态,输出设定为系统即时容量;
5)多层神经网络的训练样本基于无线通信系统所采用的多小区即时协同传输技术,通过仿真或实测的方式生成。
采用本发明实施例,可以实现以下技术效果:
1)所提方法为无线通信系统在采用多小区即时协同传输技术情况下的统计性能评估,提供了一种快速高效的评估方法;
2)所提方法对无线信道模型无特殊限制,可用于适用各类理论或实测信道模型的无线通信系统;
3)所提方法对无线通信系统所采用的协同传输技术无特殊限制,可适用于采用各类协同传输技术的无线通信系统。
采用本发明实施例的方法对一个包含3个小区的无线通信系统进行评估。每个小区分布式地部署有4根基站天线与2个用户,每个用户配置2根天线。
每根基站天线与每根用户天线之间的信道模型符合如下模型:
无线通信系统采用的多小区即时协同传输技术为基于即时信道状态信息的多小区协同波束成形,具体算法以及对应的系统即时容量参照文献《Cooperative MIMO-OFDMcellular system with soft handover between distributed base station antennas》(Antti Tolli,M.Codreanu,and M.Juntti,IEEE Trans.wireless Commun,2008)。
构建的无线通信系统平均容量评估系统,输入为慢变大尺度信道参数对应无线通信系统中12根基站天线与6个用户间的144条链路的大尺度信道衰落状态。注意到,每根基站天线与同一用户配置的2根天线之间的2条链路的大尺度信道衰落是相同的。
在本实施例中,神经网络DNN_C采用前馈结构。DNN_C第1层即输入层的神经元数为G1=288,对应系统中144条链路的即时信道衰落状态的实数和复数部分。按照所提方法的实施步骤,最终确定DNN_C的网络深度为4,即DNN_C由5层组成,第2层到第4层的神经元数分别设置为G2=288、G3=144、G4=72。相应地,神经网络DNN_C的组成如图5所示。
DNN_C的训练采用后向传播方法。DNN_C中不同层神经元间的连接权重与神经元阈值的总数量为135361。取α=2,相应地DNN_C训练样本数S2=270722。训练样本集合基于系统信道模型以及所采用中的多小区波束成形算法,通过Matlab仿真的方法生成。
本发明第十三实施例,一种计算机可读存储介质,所述计算机可读存储介质上存储有无线通信系统平均容量评估方法的实现程序,所述程序被处理器执行时实现第一实施例至第八实施例中任一实施例的方法。
本实施例所述计算机可读存储介质包括但不限于为:ROM、RAM、磁盘或光盘等。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
通过具体实施方式的说明,应当可对本发明为达成预定目的所采取的技术手段及功效得以更加深入且具体的了解,然而所附图示仅是提供参考与说明之用,并非用来对本发明加以限制。
Claims (10)
1.一种无线通信系统平均容量评估方法,其特征在于,所述无线通信系统处于多小区即时协同传输条件下,所述评估方法包括:
基于所述无线通信系统的多个缓变大尺度信道参数,根据所述无线通信系统的小尺度信道参数的统计特性,确定多个即时信道衰落状态样本;
针对每个所述即时信道衰落状态样本,基于多层神经网络,计算其对应的即时容量;
对所有即时容量求均值,获得所述无线通信系统的平均容量。
2.根据权利要求1所述的方法,其特征在于,所述方法,还包括:
在确定多个即时信道衰落状态样本之前,根据所述无线通信系统实际信道特性确定其所适用的信道模型;
根据所述无线通信系统适用的信道模型,确定所述无线通信系统的小尺度信道参数的统计特性。
3.根据权利要求1所述的方法,其特征在于,所述方法,还包括:
在计算其对应的即时容量之前,构建多层神经网络;
所述构建多层神经网络,包括:
确定所述多层神经网络所采用的网络结构;
设定所述多层神经网络的网络层数以及各层的神经元数;
基于所述网络层数以及所述各层的神经元数,确定所述多层神经网络待训练的阈值个数以及连接权重个数;
基于所述阈值个数以及连接权重个数,确定训练样本的数量;
获取训练样本,并基于所述训练样本、所述网络结构、所述网络层数以及所述各层的神经元数,训练所述多层神经网络中各层神经元的阈值以及各层神经元之间的连接权重。
4.根据权利要求3所述的方法,其特征在于,所述网络结构包括至少一种神经网络结构,所述至少一种神经网络结构包括前馈神经网络、和/或级联神经网络。
5.根据权利要求3所述的方法,其特征在于,所述设定所述多层神经网络的网络层数以及各层的神经元数,包括:
设定所述网络层数至少为三层;
根据所述无线通信系统中无线链路数量,设定所述各层的神经元数;
所述无线链路数量根据所述无线通信系统中所有小区部署的基站天线总数以及所有用户配置的天线总数确定。
6.根据权利要求3所述的方法,其特征在于,所述获取训练样本,包括:
获取多个即时信道衰落状态训练样本;
基于每个所述即时信道衰落状态训练样本,根据多小区即时协同传输算法,通过仿真或实测获取其对应的即时容量训练参数。
7.根据权利要求3所述的方法,其特征在于,所述构建多层神经网络,还包括:
基于所述多层神经网络计算所述无线通信系统即时容量的精度,调整所述网络层数以及各层的神经元数。
8.一种无线通信系统平均容量评估系统,其特征在于,所述无线通信系统处于多小区即时协同传输条件下,所述评估系统包括:
信道参数信息样本化单元,用于基于所述无线通信系统的多个缓变大尺度信道参数,根据所述无线通信系统的小尺度信道参数的统计特性,确定多个即时信道衰落状态样本;
基于神经网络的即时容量计算单元,用于针对每个所述即时信道衰落状态样本,基于多层神经网络,计算其对应的即时容量;
基于样本均值的平均容量评估单元,用于对所有即时容量求均值,获得所述无线通信系统的平均容量。
9.根据权利要求8所述的系统,其特征在于,所述信道参数信息样本化单元,还用于:
根据所述无线通信系统实际信道特性确定其所适用的信道模型;
根据所述无线通信系统适用的信道模型,确定所述无线通信系统的小尺度信道参数的统计特性。
10.根据权利要求8所述的系统,其特征在于,所述基于神经网络的即时容量计算单元,还用于:
构建多层神经网络;
所述构建多层神经网络,包括:
确定所述多层神经网络所采用的网络结构;
设定所述多层神经网络的网络层数以及各层的神经元数;
基于所述网络层数以及所述各层的神经元数,确定所述多层神经网络待训练的阈值个数以及连接权重个数;
基于所述阈值个数以及连接权重个数,确定训练样本的数量;
获取训练样本,并基于所述训练样本、所述网络结构、所述网络层数以及所述各层的神经元数,训练所述多层神经网络中各层神经元的阈值以及各层神经元之间的连接权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010872591.7A CN112134631B (zh) | 2020-08-26 | 2020-08-26 | 无线通信系统平均容量评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010872591.7A CN112134631B (zh) | 2020-08-26 | 2020-08-26 | 无线通信系统平均容量评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112134631A true CN112134631A (zh) | 2020-12-25 |
CN112134631B CN112134631B (zh) | 2022-12-16 |
Family
ID=73847129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010872591.7A Active CN112134631B (zh) | 2020-08-26 | 2020-08-26 | 无线通信系统平均容量评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112134631B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110336593A (zh) * | 2019-06-03 | 2019-10-15 | 金华航大北斗应用技术有限公司 | 基于深度神经网络的mimo-noma信号检测系统、方法及终端装置 |
US20200257985A1 (en) * | 2019-02-08 | 2020-08-13 | DeepSig Inc. | Adversarially generated communications |
-
2020
- 2020-08-26 CN CN202010872591.7A patent/CN112134631B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200257985A1 (en) * | 2019-02-08 | 2020-08-13 | DeepSig Inc. | Adversarially generated communications |
CN110336593A (zh) * | 2019-06-03 | 2019-10-15 | 金华航大北斗应用技术有限公司 | 基于深度神经网络的mimo-noma信号检测系统、方法及终端装置 |
Non-Patent Citations (2)
Title |
---|
LIANG FEI等: "Towards Optimal Power Control via Ensembling Deep Neural Networks", 《IEEE TRANSACTIONS ON COMMUNICATIONS》 * |
冯伟等: "分布式无线通信系统下行功率分配策略", 《清华大学学报(自然科学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112134631B (zh) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8416869B2 (en) | Peak-to-average power ratio reduction method for orthogonal frequency division multiplexing systems based on path finding | |
CN108694484A (zh) | 一种光伏发电功率预测方法 | |
WO2021036414A1 (zh) | 一种低轨移动卫星星座下星地下行链路同频干扰预测方法 | |
CN107947761B (zh) | 基于最小均方四阶的变阈值比例更新自适应滤波方法 | |
CN112911608B (zh) | 一种面向边缘智能网络的大规模接入方法 | |
CN111478749A (zh) | 基于优化初值快收敛mimo迭代检测方法、系统及应用 | |
CN112217545B (zh) | 一种大规模mimo系统检测模型构建方法 | |
Jiang et al. | Joint compressed sensing and enhanced whale optimization algorithm for pilot allocation in underwater acoustic OFDM systems | |
Hussien | PRVNet: Variational autoencoders for massive MIMO CSI feedback | |
CN112260733A (zh) | 基于多智能体深度强化学习的mu-miso混合预编码设计方法 | |
Azari et al. | Automated deep learning-based wide-band receiver | |
Shi et al. | Active RIS-aided EH-NOMA networks: a deep reinforcement learning approach | |
CN105978609A (zh) | 一种相关信道下大规模mimo线性检测硬件构架及方法 | |
CN112134631B (zh) | 无线通信系统平均容量评估方法及系统 | |
CN107346985B (zh) | 一种结合发射天线选择技术的干扰对齐方法 | |
CN111541472B (zh) | 低复杂度机器学习辅助鲁棒预编码方法及装置 | |
CN112134632B (zh) | 无人机通信系统平均容量评估方法及装置 | |
Ayoubi et al. | FPGA implementation of generalized maximal ratio combining receiver diversity | |
Kadhim et al. | Enabling Deep Learning and Swarm Optimization Algorithm for Channel Estimation for Low Power RIS Assisted Wireless Communications. | |
Huang et al. | Deep stochastic optimization for algorithm-specific pilot design in massive MIMO | |
Yang et al. | Deep-learning-based bouncing-order prediction for propagation channel characterization using graph modeling | |
CN114124259A (zh) | 基于不完整信息的智能反射表面的干扰测试方法 | |
Li et al. | DCSaNet: Dilated Convolution and Self-Attention-Based Neural Network for Channel Estimation in IRS-Aided Multi-User Communication System | |
CN114978254B (zh) | 基于ofdm系统的机器学习辅助低复杂度鲁棒预编码算法 | |
CN114584236B (zh) | 一种基于rigs算法的大规模mimo系统检测模型构建方法 |
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 |