CN112260738B - 基于yolo目标检测的fd-mimo下行多用户分簇方法 - Google Patents

基于yolo目标检测的fd-mimo下行多用户分簇方法 Download PDF

Info

Publication number
CN112260738B
CN112260738B CN202011123423.4A CN202011123423A CN112260738B CN 112260738 B CN112260738 B CN 112260738B CN 202011123423 A CN202011123423 A CN 202011123423A CN 112260738 B CN112260738 B CN 112260738B
Authority
CN
China
Prior art keywords
user
yolo
image
users
prediction
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
CN202011123423.4A
Other languages
English (en)
Other versions
CN112260738A (zh
Inventor
李潇
王琪胜
金石
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 CN202011123423.4A priority Critical patent/CN112260738B/zh
Publication of CN112260738A publication Critical patent/CN112260738A/zh
Application granted granted Critical
Publication of CN112260738B publication Critical patent/CN112260738B/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于YOLO目标检测的FD‑MIMO下行多用户分簇方法，该方法利用FD‑MIMO下行传输的统计信道信息构造用户分布矩阵，基于该分布矩阵生成反映用户位置的RBG图像，目标检测YOLO网络以用户位置图像为输入，输出检测到的所有用户簇的边界信息，将检测到的边界转化为用户分布矩阵下标，对所有用户进行快速分簇；本发明给出的基于YOLO目标检测的多用户分簇方法所需信道反馈量小，检测速度快，能有效提高用户分簇效果，并改善系统和速率性能。

Description

基于YOLO目标检测的FD-MIMO下行多用户分簇方法
技术领域
本发明涉及一种基于YOLO目标检测的FD-MIMO下行多用户分簇方法，属于基站配置均匀平面天线阵的多用户FD-MIMO下行系统自适应用户分簇领域。
背景技术
大规模多输入多输出(FD-MIMO)技术被视为一项可用于满足无线通信更高速率和更低时延要求的先进的物理层技术。FD-MIMO系统在基站侧配备呈二维排列的大量天线阵列来增加系统容量，同时尽可能降低系统复杂度和功率开销。为进一步发掘FD-MIMO的通信潜力，一种包括用户分簇、用户调度和两层预编码的联合空分复用(JSDM)方案被提出，将待服务用户按照一定标准预分为若干组近似正交的用户簇，在各组内进行用户调度。两层预编码包括用于消除组间干扰的组间预编码，以及用于消除用户间干扰的组内预编码。由于用户调度在各组内进行，因而高效的用户分簇算法对于FD-MIMO系统的性能有较大影响。
然而，在实际应用中，目前现存的用户分簇算法主要用瞬时信道信息来度量用户相似度，并采用K聚类算法对不同相似度的用户进行分簇。K聚类算法迭代计算用户相似度并将它们分类，耗时较大且算法复杂度高，且以瞬时信道信息计算用户相似度会在多用户FD-MIMO系统中引入极高的信道反馈量，降低通信有效性。此外，现存用户分簇算法主要针对所有用户到达角(AoA)均匀分布的场景，对于用户成簇分布的情况，目前没有较好的用户分簇算法。
现有针对低时延FD-MIMO下行多用户分簇算法的研究主要基于对矩阵求逆运算的简化或使对K聚类的迭代过程优化。虽然应用这些方法之后所需时间有一定下降，但牺牲了一定的系统性能，且仍需较大的信道反馈量，对于用户数和天线数都很大的实际FD-MIMO下行传输系统来说，更优的用户分簇算法仍需研究。
发明内容
技术问题：为了克服现有技术中存在的不足，本发明为基站配置均匀平面天线阵，利用基于深度学习的目标检测YOLO网络模型和少量统计信道信息进行多用户FD-MIMO下行系统的用户分簇设计，基于深度残差神经网络强大的解决非线性优化问题的能力和较低的实现复杂度，利用统计信道信息作为用户相似度的衡量标准，将用户簇作为待检测物体，训练一个用户分簇检测YOLO网络，能以较低的计算耗时获取较准确的用户分簇情况，以改善JSDM方案的用户和速率性能。
技术方案：根据本发明提出的基于YOLO目标检测的FD-MIMO下行多用户分簇方法，包括以下步骤：
步骤一、基站采用NH×NV的均匀平面天线阵列，天线阵在水平方向上共NH列，垂直方向上每列NV个阵元，相邻天线阵元间距d在水平和垂直方向上均为载波波长λ的一半，共有K个配备单根接收天线的成簇分布用户，用户簇数量为C，各簇之间互不重叠，每簇Nc个用户，获取U组上述用户分布，利用各组用户分布的统计信道信息计算各组用户分布的用户位置矩阵Γi，i＝1，…，U；
所述统计信道信息包括：第i组用户分布中用户k的信道水平相关阵
Figure GDA0003351138300000021
垂直相关阵
Figure GDA0003351138300000022
其中矩阵Hk，i为基站与第i组用户分布中用户k之间的信道矩阵，其第nH行nV列的元素
Figure GDA0003351138300000023
为基站第nH行第nV列的天线阵元与该用户之间的信道系数，(·)H表示共轭转置，(·)T表示转置，
Figure GDA00033511383000000218
表示求均值。
所述基站计算第i组用户分布的用户位置矩阵Γi按如下步骤进行：
a1)对于第i组用户分布中的用户k，计算
Figure GDA0003351138300000024
以及
Figure GDA0003351138300000025
其中
Figure GDA0003351138300000026
和
Figure GDA0003351138300000027
为第nV行第nH列元素分别为
Figure GDA0003351138300000028
和
Figure GDA0003351138300000029
e为自然底数，j为虚数单位；
a2)基于ΛV，k，i和ΛH，k，i，得到表示第i组用户分布中用户k在水平和垂直方向上的位置的元组
Figure GDA00033511383000000210
其中
Figure GDA00033511383000000211
和
Figure GDA00033511383000000212
分别为ΛH，k，i和ΛV，k，i的对角元中的最大值，且
Figure GDA00033511383000000213
和
Figure GDA00033511383000000214
分别为ΛH，k，i和ΛV，k，i中的第lk，i个和第jk，i个对角元，1≤lk，i≤NV，1≤jk，i≤NH；Pk，i和Qk，i分别为ΛH，k，i和ΛV，k，i的对角元中与
Figure GDA00033511383000000215
和
Figure GDA00033511383000000216
之比大于λth的对角元所在位置的集合，λth∈(0，1)为判断干扰大小的门限值；
a3)基于Tk，i，k＝1，…，K，构造第i组用户分布的用户位置矩阵
Figure GDA00033511383000000217
构造方法为：若p∈Pk，i且q∈Qk，i，则Γi的第p行第q列的元素[Γi]p，q＝1，否则[Γi]p，q＝0；
步骤二、将U组用户分布的用户位置矩阵Γi，i＝1，…，U，转化为U个反映用户位置的尺寸为416像素×416像素的二维RGB图像Ωi，i＝1，…，U；
所述将用户簇的用户位置矩阵转化为反映用户位置的尺寸为416像素×416像素的二维RGB图像按照如下步骤进行：
b1)每张图像的水平和垂直坐标分别代表UPA上的水平和垂直特征方向，水平方向NH个坐标，垂直方向NV个坐标，整个图像被划分为NH×NV个格子；
b2)将用户位置矩阵Γi中的非零元所对应的二维图像中的格子填充黄色，即若用户位置矩阵Γi的第(lk，i，jk，i)个元素非零，则将二维图像上(lk，i，jk，i)位置的格子填充黄色；图像中的其余格子填充深蓝色；
b3)将处理好的图片等比例缩放为416像素×416像素的二维RGB图像，得到Ωi，i＝1，...，U。
步骤三、以用户簇为目标物体，针对步骤二得到的用户位置图像按照标准VOC数据格式加标注，得到U个训练样本；
所述按照标准VOC数据格式加标注按照如下步骤进行：
c1)针对待标注图像Ωi，i＝1，...，U，分别得到图像Ωi上可分辨的Ci个用户簇的中心坐标
Figure GDA0003351138300000031
宽度
Figure GDA0003351138300000032
和高度
Figure GDA0003351138300000033
由于目标物体为用户簇，故每个用户簇的类别
Figure GDA0003351138300000034
c2)将c1)中得到的中心坐标，宽度和高度相对于图片的宽度和高度归一化，即
Figure GDA0003351138300000035
得到图像Ωi的标注为
Figure GDA0003351138300000036
并按照标准VOC数据格式保存为相应的xml文件。
步骤四、搭建用于检测用户位置图像的YOLO网络框架，利用步骤三形成的U个训练样本对YOLO网络进行训练；
所述对YOLO网络进行训练包括如下步骤：
d1)将每幅输入图片分成S×S个格子，每个格子负责检测“落入”该格子的物体。若某个物体的中心位置的坐标落入到某个格子，则这个格子负责检测这个物体；
d2)每个格子的输出信息包括两个部分，分别是包含物体矩形区域信息的B个边界框，和框中物体属于某种物体类别的概率信息，其中第b个边界框为
Figure GDA0003351138300000037
其中
Figure GDA0003351138300000038
分别为第s个格子中第b个边界框给出的图像Ωi中第c个物体的预测中心点水平坐标、预测中心点垂直坐标、预测宽度和预测高度；框中物体属于某种物体类别的概率信息为
Figure GDA0003351138300000041
则认为该框中有待检测物体，称为该框对其给出的预测负责，否则认为没有待检测物体，σth∈[0，1]为置信度阈值；
d3)为每个待检测物体采用非最大抑制算法选出满足
Figure GDA0003351138300000042
的框中
Figure GDA0003351138300000043
最大的框作为最终预测结果
Figure GDA0003351138300000044
d4)采用加权均方损失函数使得网络预测输出
Figure GDA0003351138300000045
逐渐接近Ti，i＝1，…，U，以获得YOLO网络的参数。
步骤五、基于待分簇的K个用户的统计信道信息RH，k以及RV，k，k＝1，...，K，利用前述方法得到待检测的用户位置矩阵和位置图像，并输入前述训练完成的YOLO网络，由YOLO网络输出检测后的图像和检测出的C个用户簇的边界参数
Figure GDA0003351138300000046
其中
Figure GDA0003351138300000047
分别为网络给出的第c个用户簇的预测置信度、预测中心点水平坐标、预测中心点垂直坐标、预测宽度和预测高度；
步骤六、基于得到的用户边界参数将K个用户分为Ci个用户簇。
作为本发明所述的基于YOLO目标检测的FD-MIMO下行多用户分簇方法的进一步优化方案：所述YOLO网络包括24个卷积层和2个全连接层。
作为本发明所述的基于YOLO目标检测的FD-MIMO下行多用户分簇方法的进一步优化方案：所述步骤四中采用加权均方损失函数使得预测输出
Figure GDA0003351138300000048
逐渐接近Tu，所述用户分簇YOLO目标检测网络采用的加权均方损失函数具体为：
Figure GDA0003351138300000049
其中
Figure GDA00033511383000000410
的每个元素取0或1，兰
Figure GDA00033511383000000411
时取1，表示第s个网格中第b个边界框对其给出的预测负责，否则取0；
Figure GDA00033511383000000412
其中
Figure GDA00033511383000000413
为全1序列，
Figure GDA00033511383000000414
表示取异或；γ1是中心坐标、宽度和高度等几何参数的预测误差权重，γ2是置信度的预测权重误差；
Figure GDA0003351138300000051
和
Figure GDA0003351138300000052
分别为权利要求4中所得图像Ωi上可分辨的第c个用户簇的归一化后的中心坐标、宽度和高度，
Figure GDA0003351138300000053
为权利要求4中所得图像Ωi上可分辨的第c个用户簇的类别
Figure GDA0003351138300000054
作为本发明所述的基于YOLO目标检测的FD-MIMO下行多用户分簇方法的进一步优化方案：所述步骤六中基于得到的用户边界参数将K个用户分为多个组包括如下步骤：
e1)将YOLO网络给出的C个预测
Figure GDA0003351138300000055
换算为每个检测出的物体在图上的真实尺寸
Figure GDA0003351138300000056
其中
Figure GDA0003351138300000057
Figure GDA0003351138300000058
e1)将
Figure GDA0003351138300000059
换算到位置矩阵的边界信息
Figure GDA00033511383000000510
其中
Figure GDA00033511383000000511
Figure GDA00033511383000000512
e3)对于所有待分簇用户k，将满足
Figure GDA00033511383000000513
和
Figure GDA00033511383000000514
的用户k分到第c个用户簇中。
作为本发明所述的基于YOLO目标检测的FD-MIMO下行多用户分簇方法的进一步优化方案：步骤d4)中所述YOLO网络的参数包括输入层、卷积层、全连接层和输出层的权重和偏置。
有益效果：
(1)本方法考虑到基于深度学习的目标检测识别方法将特征构建与分类融合成一个整体，即输入为原始数据、直接输出分类结果，不需要人工构建特征，更适用于解决复杂背景下目标的自动检测识别问题，提出一种基于YOLO深度学习网络框架的多用户FD-MIMO下行传输系统的用户分簇算法；
(2)本方法中的用户分簇算法收敛速度快、易于实现，需要的计算资源少，特别是在用户数和天线数较大的时候，本方法的计算效率与传统的计算方法相比提高了数倍；
(3)本方法考虑大规模MIMO天线相关性大的影响，信道更具一般性；
(4)本方法为了实现FD-MIMO系统用户分簇的快速检测识别，选用YOLO网络框架，该网络将检测任务作为回归问题来处理，直接通过整幅图像的所有像素得到边界框坐标以及包含物体的置信度和类别概率，在检测速度上显著优于R-CNN、Fast R-CNN等深度学习网络框架。
附图说明
图1是本发明方法本发明基于YOLO目标检测的FD-MIMO下行多用户分簇方法的流程图；
图2是本发明方法所涉及VOC标准数据格式实例；
图3是生成的训练数据集的样例用户位置图像，其中浅色区域对应为黄色，深色区域对应为深蓝色；
图4是实际用户分簇检测结果示意图，其中浅色区域对应为黄色，深色区域对应为深蓝色。
具体实施方式
下面结合说明书附图对本发明作更进一步的说明。
考虑一个多用户FD-MIMO下行传输系统，基站按如下步骤进行用户分簇设计：
步骤一、基站采用NH×NV的均匀平面天线阵列，天线阵在水平方向上共NH列，垂直方向上每列NV个阵元，相邻天线阵元间距d在水平和垂直方向上均为载波波长λ的一半，共有K个配备单根接收天线的成簇分布用户，用户簇数量为C，各簇之间互不重叠，每簇Nc个用户，获取U组上述用户分布，利用各组用户分布的统计信道信息计算各组用户分布的用户位置矩阵Γi，i＝1，…，U；
所述统计信道信息包括：第i组用户分布中用户k的信道水平相关阵
Figure GDA0003351138300000061
垂直相关阵
Figure GDA0003351138300000062
其中矩阵Hk，i为基站与第i组用户分布中用户k之间的信道矩阵，其第nH行nV列的元素
Figure GDA0003351138300000063
为基站第nH行第nV列的天线阵元与该用户之间的信道系数，(·)H表示共轭转置，(·)T表示转置，
Figure GDA00033511383000000613
表示求均值。
所述基站计算第i组用户分布的用户位置矩阵Γi按如下步骤进行：
a1)对于第i组用户分布中的用户k，计算
Figure GDA0003351138300000064
以及
Figure GDA0003351138300000065
其中
Figure GDA0003351138300000066
和
Figure GDA0003351138300000067
为第nV行第nH列元素分别为
Figure GDA0003351138300000068
和
Figure GDA0003351138300000069
e为自然底数，j为虚数单位；
a2)基于ΛV，k，i和ΛH，k，i，得到表示第i组用户分布中用户k在水平和垂直方向上的位置的元组
Figure GDA00033511383000000610
其中
Figure GDA00033511383000000611
和
Figure GDA00033511383000000612
分别为ΛH，k，i和AV，k，i的对角元中的最大值，且
Figure GDA0003351138300000071
和
Figure GDA0003351138300000072
分别为ΛH，k，i和ΛV，k，i中的第lk，i个和第jk，i个对角元，1≤lk，i≤NV，1≤jk，i≤NH；Pk，i和Qk，i分别为ΛH，k，i和ΛV，k，i的对角元中与
Figure GDA0003351138300000073
和
Figure GDA0003351138300000074
之比大于λth的对角元所在位置的集合，λth∈(0，1)为判断干扰大小的门限值；
a3)基于Tk，i，k＝1，…，K，构造第i组用户分布的用户位置矩阵
Figure GDA0003351138300000075
构造方法为：若p∈Pk，i且q∈Qk，i，则Γi的第p行第q列的元素[Γi]p，q＝1，否则[Γi]p，q＝0；
步骤二、将U个用户分布的用户位置矩阵Γi，i＝1，…，U，转化为U个反映用户位置的尺寸为416像素×416像素的二维RGB图像Ωi，i＝1，…，U；
所述将用户簇的用户位置矩阵转化为反映用户位置的尺寸为416像素×416像素的二维RGB图像按照如下步骤进行：
b1)每张图像的水平和垂直坐标分别代表UPA上的水平和垂直特征方向，水平方向NH个坐标，垂直方向NV个坐标，整个图像被划分为NH×NV个格子；
b2)将用户位置矩阵Γi中的非零元所对应的二维图像中的格子填充黄色，即若用户位置矩阵Γi的第(lk，i，jk，i)个元素非零，则将二维图像上(lk，i，jk，i)位置的格子填充黄色；图像中的其余格子填充深蓝色；
b3)将处理好的图片缩放为416像素×416像素的二维RGB图像，得到Ωi，i＝1，…，U。
步骤三、以用户簇为目标物体，针对步骤二得到的用户位置图像按照标准VOC数据格式加标注，得到U个训练样本；
所述按照标准VOC数据格式加标注按照如下步骤进行：
c1)针对待标注图像Ωi，i＝1，...，U，分别得到图像Ωi上可分辨的Ci个用户簇的中心坐标
Figure GDA0003351138300000076
宽度
Figure GDA0003351138300000077
和高度
Figure GDA0003351138300000078
由于目标物体为用户簇，故每个用户簇的类别
Figure GDA0003351138300000079
c2)将c1)中得到的中心坐标，宽度和高度相对于图片的宽度和高度归一化，即
Figure GDA00033511383000000710
得到图像Ωi的标注为
Figure GDA00033511383000000711
并按照标准VOC数据格式保存为相应的xml文件。
步骤四、搭建用于检测用户位置图像的YOLO网络框架，利用步骤三形成的U个训练样本对YOLO网络进行训练；
所述对YOLO网络进行训练包括如下步骤：
d1)将每幅输入图片分成S×S个格子，每个格子负责检测“落入”该格子的物体。若某个物体的中心位置的坐标落入到某个格子，则这个格子负责检测这个物体；
d2)每个格子的输出信息包括两个部分，分别是包含物体矩形区域信息的B个边界框，和框中物体属于某种物体类别的概率信息，其中第b个边界框为
Figure GDA0003351138300000081
其中
Figure GDA0003351138300000082
分别为第s个格子中第b个边界框给出的图像Ωi中第c个物体的预测中心点水平坐标、预测中心点垂直坐标、预测宽度和预测高度；框中物体属于某种物体类别的概率信息为
Figure GDA0003351138300000083
则认为该框中有待检测物体，称为该框对其给出的预测负责，否则认为没有待检测物体，σth∈[0，1]为置信度阈值；
d3)为每个待检测物体采用非最大抑制算法选出满足
Figure GDA0003351138300000084
的框中
Figure GDA0003351138300000085
最大的框作为最终预测结果
Figure GDA0003351138300000086
d4)采用加权均方损失函数使得网络预测输出
Figure GDA0003351138300000087
逐渐接近Ti，i＝1，…，U，以获得YOLO网络的参数。
步骤五、基于待分簇的K个用户的统计信道信息RH，k以及RV，k，k＝1，...，K，利用前述方法得到待检测的用户位置矩阵和位置图像，并输入前述训练完成的YOLO网络，由YOLO网络输出检测后的图像和检测出的C个用户簇的边界参数
Figure GDA0003351138300000088
其中
Figure GDA0003351138300000089
分别为网络给出的第c个用户簇的预测置信度、预测中心点水平坐标、预测中心点垂直坐标、预测宽度和预测高度；
步骤六、基于得到的用户边界参数将K个用户分为Ci个用户簇。
为了验证本发明方法可降低用户分簇的计算时延，并具有较高的分簇准确度，特列举一个验证例进行说明。
本验证例是一种基于目标检测算法的大规模MIMO下行用户分簇方法，解决传统用户分簇方法计算时延高的问题，所训练的YOLO网络模型能够根据系统中各用户的统计信道信息在线给出该系统的用户分簇方案，以较低的计算延时获得较高的系统吞吐量。具体包括如下步骤：
步骤一、基站采用16×32的均匀平面天线阵列，天线阵在水平方向上共16列，垂直方向上每列32个阵元，相邻天线阵元间距d在水平和垂直方向上均为载波波长λ的一半，共有60个配备单根接收天线的成簇分布用户，用户簇数量为C∈{3，5，7}，各簇之间互不重叠，每簇20个用户，获取100组上述用户分布，利用各组用户分布的统计信道信息计算各组用户分布的用户位置矩阵Γi，i＝1，…，U；
所述统计信道信息包括：第i组用户分布中用户k的信道水平相关阵
Figure GDA0003351138300000091
垂直相关阵
Figure GDA0003351138300000092
其中矩阵Hk，i为基站与第i组用户分布中用户k之间的信道矩阵，其第nH行nV列的元素
Figure GDA0003351138300000093
为基站第nH行第nV列的天线阵元与该用户之间的信道系数，(·)H表示共轭转置，(·)T表示转置，
Figure GDA0003351138300000094
表示求均值。
所述基站计算第i组用户分布的用户位置矩阵Γi按如下步骤进行：
a1)对于第i组用户分布中的用户k，计算
Figure GDA0003351138300000095
以及
Figure GDA0003351138300000096
其中
Figure GDA0003351138300000097
和
Figure GDA0003351138300000098
为第nV行第nH列元素分别为
Figure GDA0003351138300000099
和
Figure GDA00033511383000000910
e为自然底数，j为虚数单位；
a2)基于ΛV，k，i和ΛH，k，i，得到表示第i组用户分布中用户k在水平和垂直方向上的位置的元组
Figure GDA00033511383000000911
其中
Figure GDA00033511383000000912
和
Figure GDA00033511383000000913
分别为ΛH，k，i和ΛV，k，i的对角元中的最大值，且
Figure GDA00033511383000000914
和
Figure GDA00033511383000000915
分别为ΛH，k，i和ΛV，k，i中的第lk，i个和第jk，i个对角元，1≤lk，i≤32，1≤jk，i≤16；Pk，i和Qk，i分别为ΛH，k，i和ΛV，k，i的对角元中与
Figure GDA00033511383000000916
和
Figure GDA00033511383000000917
之比大于λth的对角元所在位置的集合，λth＝0.1为判断干扰大小的门限值；
a3)基于Tk，i，k＝1，...，60，构造第i组用户分布的用户位置矩阵
Figure GDA00033511383000000918
构造方法为：若p∈Pk，i且q∈Qk，i，则Γi的第p行第q列的元素[Γi]p，q＝1，否则[Γi]p，q＝0；
步骤二、将U个用户簇的用户位置矩阵Γi，i＝1，…，100，转化为U个反映用户位置的尺寸为416像素×416像素的二维RGB图像Ωi，i＝1，…，100；
所述将各组用户分布的用户位置矩阵转化为反映用户位置的尺寸为416像素×416像素的二维RGB图像按照如下步骤进行：
b1)每张图像的水平和垂直坐标分别代表UPA上的水平和垂直特征方向，水平方向16个坐标，垂直方向32个坐标，整个图像被划分为16×32个格子；
b2)将用户位置矩阵Γi中的非零元所对应的二维图像中的格子填充黄色，即若用户位置矩阵Γi的第(lk，i，jk，i)个元素非零，则将二维图像上(lk，i，jk，i)位置的格子填充黄色；图像中的其余格子填充深蓝色；
b3)将处理好的图片缩放为416像素×416像素的二维RGB图像，得到Ωi，i＝1，…，100。
步骤三、以用户簇为目标物体，针对步骤二得到的用户位置图像按照标准VOC数据格式加标注，得到100个训练样本；
所述按照标准VOC数据格式加标注按照如下步骤进行：
c1)针对待标注图像Ωi，i＝1，...，100，分别得到图像Ωi上可分辨的Ci个用户簇的中心坐标
Figure GDA0003351138300000101
宽度
Figure GDA0003351138300000102
和高度
Figure GDA0003351138300000103
由于目标物体为用户簇，故每个用户簇的类别
Figure GDA0003351138300000104
c2)将c1)中得到的中心坐标，宽度和高度相对于图片的宽度和高度归一化，即
Figure GDA0003351138300000105
得到图像Ωi的标注为
Figure GDA0003351138300000106
并按照标准VOC数据格式保存为相应的xml文件。
步骤四、搭建用于检测用户位置图像的YOLO网络框架，利用步骤三形成的U个训练样本对YOLO网络进行训练；
所述对YOLO网络进行训练包括如下步骤：
d1)将每幅输入图片分成7×7个格子，每个格子负责检测“落入”该格子的物体。若某个物体的中心位置的坐标落入到某个格子，则这个格子负责检测这个物体；
d2)每个格子的输出信息包括两个部分，分别是包含物体矩形区域信息的2个边界框，和框中物体属于某种物体类别的概率信息，其中第b个边界框为
Figure GDA0003351138300000107
其中
Figure GDA0003351138300000108
分别为第s个格子中第b个边界框给出的图像Ωi中第c个物体的预测中心点水平坐标、预测中心点垂直坐标、预测宽度和预测高度；框中物体属于某种物体类别的概率信息为
Figure GDA0003351138300000109
则认为该框中有待检测物体，称为该框对其给出的预测负责，否则认为没有待检测物体，σth＝0.6为置信度阈值；
d3)为每个待检测物体采用非最大抑制算法选出满足
Figure GDA00033511383000001010
的框中
Figure GDA00033511383000001011
最大的框作为最终预测结果
Figure GDA00033511383000001012
d4)采用加权均方损失函数使得网络预测输出
Figure GDA0003351138300000111
逐渐接近Ti，i＝1，…，100，以获得YOLO网络的参数。
步骤五、基于待分簇的60个用户的统计信道信息RH，k以及RV，k，k＝1，...，60，利用前述方法得到待检测的用户位置矩阵和位置图像，并输入前述训练完成的YOLO网络，由YOLO网络输出检测后的图像和检测出的Ci个用户分簇的边界参数
Figure GDA0003351138300000112
其中
Figure GDA0003351138300000113
分别为网络给出的第c个用户分簇的预测置信度、预测中心点水平坐标、预测中心点垂直坐标、预测宽度和预测高度；
步骤六、基于得到的用户边界参数将60个用户分为Ci个组。在相同的预编码方式下，基于该模型给出的用户分簇方案的系统遍历和速率性能比传统的基于K聚类的分簇方法给出的性能高出14.8％，其计算时延是传统计算方法的
Figure GDA0003351138300000114
综上，本发明在运行时间复杂度和系统性能上均超过传统的用户分簇设计方法，利用深度神经网络强大的非线性建模能力，基于少量统计信道信息，训练YOLO网络框架，该网络将检测任务作为回归问题来处理，直接通过整幅图像的所有像素得到边界框坐标以及包含物体的置信度和类别概率，在有限的资源开销下，实现高效的用户分簇效率，所述基于YOLO目标检测的FD-MIMO下行多用户分簇方法的流程图如图1所示。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于YOLO目标检测的FD-MIMO下行多用户分簇方法，其特征在于，包括以下步骤：
步骤一、基站采用NH×NV的均匀平面天线阵列，天线阵在水平方向上共NH列，垂直方向上每列NV个阵元，相邻天线阵元间距d在水平和垂直方向上均为载波波长λ的一半，获取U组用户分布，每组用户分布中，共有K个配备单根接收天线的成簇分布用户，用户簇数量为C，各簇之间互不重叠，每簇Nc个用户，利用各组用户分布的统计信道信息计算各组用户分布的用户位置矩阵Γi，i＝1，…，U；
步骤二、将U组用户分布的用户位置矩阵Γi，i＝1，…，U，转化为U个反映用户位置的尺寸为416像素×416像素的二维RGB图像Ωi，i＝1，…，U；
步骤三、以各组中用户簇为目标物体，针对步骤二得到的用户位置图像按照标准VOC数据格式加标注，得到U个训练样本；
步骤四、搭建用于检测用户位置图像的YOLO网络框架，利用步骤三形成的U个训练样本对YOLO网络进行训练；
步骤五、基于各组中待分簇的K个用户的统计信道信息，利用前述方法得到待检测的用户位置矩阵和位置图像，并输入前述训练完成的YOLO网络，由YOLO网络输出检测后的图像和检测出的C个用户簇的边界参数
Figure FDA0003351138290000011
其中
Figure FDA0003351138290000012
分别为网络给出的第c个用户簇的预测置信度、预测中心点水平坐标、预测中心点垂直坐标、预测宽度和预测高度；
步骤六、基于得到的用户边界参数将各组中K个用户分为Ci个用户簇；
步骤一中，所述统计信道信息包括：第i组用户分布中用户k的信道水平相关阵
Figure FDA0003351138290000013
垂直相关阵
Figure FDA0003351138290000014
其中矩阵Hk，i为基站与第i组用户分布中用户k之间的信道矩阵，其第nH行nV列的元素
Figure FDA0003351138290000015
为基站第nH行第nV列的天线阵元与该用户之间的信道系数，(·)H表示共轭转置，(·)T表示转置，
Figure FDA0003351138290000016
表示求均值；
基站计算第i组用户分布的用户位置矩阵Γi按如下步骤进行：
a1)对于第i组用户分布中的用户k，计算
Figure FDA0003351138290000017
以及
Figure FDA0003351138290000018
其中
Figure FDA0003351138290000019
和
Figure FDA00033511382900000110
为第nV行第nH列元素分别为
Figure FDA00033511382900000111
和
Figure FDA00033511382900000112
e为自然底数，j为虚数单位；
a2)基于ΛV，k，i和ΛH，k，i，得到表示第i组用户分布中用户k在水平和垂直方向上的位置的元组
Figure FDA0003351138290000021
其中
Figure FDA0003351138290000022
Figure FDA0003351138290000023
和
Figure FDA0003351138290000024
分别为ΛH，k，i和AV，k，i的对角元中的最大值，且
Figure FDA0003351138290000025
和
Figure FDA0003351138290000026
分别为ΛH，k，i和ΛV，k，i中的第lk，i个和第jk，i个对角元，1≤lk，i≤NV，1≤jk，i≤NH；Pk，i和Qk，i分别为ΛH，k，i和ΛV，k，i的对角元中与
Figure FDA0003351138290000027
和
Figure FDA0003351138290000028
之比大于λth的对角元所在位置的集合，λth∈(0，1)为判断干扰大小的门限值；
a3)基于Tk，i，k＝1，...，K，构造第i组用户分布的用户位置矩阵
Figure FDA0003351138290000029
构造方法为：若p∈Pk，i且q∈Qk，i，则Γi的第p行第q列的元素[Γi]p，q＝1，否则[Γi]p，q＝0。
2.根据权利要求1所述基于YOLO目标检测的FD-MIMO下行多用户分簇方法，其特征在于：步骤二中，所述将各组用户分布的用户位置矩阵转化为反映用户位置的尺寸为416像素×416像素的二维RGB图像按照如下步骤进行：
b1)每张图像的水平和垂直坐标分别代表UPA上的水平和垂直特征方向，水平方向NH个坐标，垂直方向NV个坐标，整个图像被划分为NH×NV个格子；
b2)将用户位置矩阵Γi中的非零元所对应的二维图像中的格子填充黄色，即若用户位置矩阵Γi的第(lk，i，jk，i)个元素非零，则将二维图像上(lk，i，jk，i)位置的格子填充黄色；图像中的其余格子填充深蓝色；
b3)将处理好的图片等比例缩放为416像素×416像素的二维RGB图像，得到Ωi，i＝1，...，U。
3.根据权利要求1所述基于YOLO目标检测的FD-MIMO下行多用户分簇方法，其特征在于：步骤三中，所述按照标准VOC数据格式加标注按照如下步骤进行：
c1)针对待标注图像Ωi，i＝1，...，U，分别得到图像Ωi上可分辨的Ci个用户簇的中心坐标
Figure FDA00033511382900000210
宽度
Figure FDA00033511382900000211
和高度
Figure FDA00033511382900000212
由于目标物体为用户簇，故每个用户簇的类别
Figure FDA00033511382900000213
c2)将c1)中得到的中心坐标，宽度和高度相对于图片的宽度和高度归一化，即
Figure FDA00033511382900000214
得到图像Ωi的标注为
Figure FDA00033511382900000215
并按照标准VOC数据格式保存为相应的xml文件。
4.根据权利要求3所述基于YOLO目标检测的FD-MIMO下行多用户分簇方法，其特征在于：步骤四中，所述对YOLO网络进行训练包括如下步骤：
d1)将每幅输入图片分成S×S个格子，每个格子负责检测“落入”该格子的物体；若某个物体的中心位置的坐标落入到某个格子，则这个格子负责检测这个物体；
d2)每个格子的输出信息包括两个部分，分别是包含物体矩形区域信息的B个边界框，和框中物体属于某种物体类别的概率信息，其中第b个边界框为
Figure FDA0003351138290000031
其中
Figure FDA0003351138290000032
分别为第s个格子中第b个边界框给出的图像Ωi中第c个物体的预测中心点水平坐标、预测中心点垂直坐标、预测宽度和预测高度；框中物体属于某种物体类别的概率信息为
Figure FDA0003351138290000033
则认为该框中有待检测物体，称为该框对其给出的预测负责，否则认为没有待检测物体，σth∈[0，1]为置信度阈值；
d3)为每个待检测物体采用非最大抑制算法选出满足
Figure FDA0003351138290000034
的框中
Figure FDA0003351138290000035
最大的框作为最终预测结果
Figure FDA0003351138290000036
d4)采用加权均方损失函数使得网络预测输出
Figure FDA0003351138290000037
逐渐接近Ti，i＝1，…，U，以获得YOLO网络的参数。
5.根据权利要求1所述基于YOLO目标检测的FD-MIMO下行多用户分簇方法，其特征在于：所述YOLO网络包括24个卷积层和2个全连接层。
6.根据权利要求4所述基于YOLO目标检测的FD-MIMO下行多用户分簇方法，其特征在于：所述步骤四d4)中所述加权均方损失函数具体为：
Figure FDA0003351138290000038
其中
Figure FDA0003351138290000039
的每个元素取0或1，当
Figure FDA00033511382900000310
时取1，表示第s个网格中第b个边界框对其给出的预测负责，否则取0；
Figure FDA00033511382900000311
其中
Figure FDA00033511382900000312
为全1序列，
Figure FDA0003351138290000041
表示取异或；γ1是中心坐标、宽度和高度等几何参数的预测误差权重，γ2是置信度的预测权重误差用户簇。
7.根据权利要求1所述基于YOLO目标检测的FD-MIMO下行多用户分簇方法，其特征在于：所述步骤六中基于得到的用户边界参数将K个用户分为多个簇包括如下步骤：
e1)将YOLO网络给出的C个预测
Figure FDA0003351138290000042
换算为每个检测出的物体在图上的真实尺寸
Figure FDA0003351138290000043
其中
Figure FDA0003351138290000044
Figure FDA0003351138290000045
e1)将
Figure FDA0003351138290000046
换算到位置矩阵的边界信息
Figure FDA0003351138290000047
其中
Figure FDA0003351138290000048
Figure FDA0003351138290000049
e3)对于所有待分簇用户k，将满足
Figure FDA00033511382900000410
和
Figure FDA00033511382900000411
的用户k分到第c个用户簇中。
8.根据权利要求4所述基于YOLO目标检测的FD-MIMO下行多用户分簇方法，其特征在于：步骤d4)中所述YOLO网络的参数包括输入层、卷积层、全连接层和输出层的权重和偏置。
CN202011123423.4A 2020-10-20 2020-10-20 基于yolo目标检测的fd-mimo下行多用户分簇方法 Active CN112260738B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011123423.4A CN112260738B (zh) 2020-10-20 2020-10-20 基于yolo目标检测的fd-mimo下行多用户分簇方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011123423.4A CN112260738B (zh) 2020-10-20 2020-10-20 基于yolo目标检测的fd-mimo下行多用户分簇方法

Publications (2)

Publication Number Publication Date
CN112260738A CN112260738A (zh) 2021-01-22
CN112260738B true CN112260738B (zh) 2022-02-01

Family

ID=74245117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011123423.4A Active CN112260738B (zh) 2020-10-20 2020-10-20 基于yolo目标检测的fd-mimo下行多用户分簇方法

Country Status (1)

Country Link
CN (1) CN112260738B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116468984B (zh) * 2023-03-10 2023-10-27 衡阳师范学院 可移动物体检测模型的构建方法、检测模型及检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110912670A (zh) * 2019-11-19 2020-03-24 重庆邮电大学 基于k均值聚类的大规模mimo导频分配方法及装置
CN111181619A (zh) * 2020-01-03 2020-05-19 东南大学 基于深度强化学习的毫米波混合波束成形设计方法
CN111181671A (zh) * 2019-12-27 2020-05-19 东南大学 一种基于深度学习的下行信道快速重建方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11164329B2 (en) * 2018-11-01 2021-11-02 Inpixon Multi-channel spatial positioning system
EP3938806A4 (en) * 2019-03-11 2022-10-26 Plato Systems, Inc. RADAR DATA COLLECTION AND LABELING FOR MACHINE LEARNING

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110912670A (zh) * 2019-11-19 2020-03-24 重庆邮电大学 基于k均值聚类的大规模mimo导频分配方法及装置
CN111181671A (zh) * 2019-12-27 2020-05-19 东南大学 一种基于深度学习的下行信道快速重建方法
CN111181619A (zh) * 2020-01-03 2020-05-19 东南大学 基于深度强化学习的毫米波混合波束成形设计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Deep Learning-Based FDD Non-Stationary Massive MIMO Downlink Channel Reconstruction;Yu Han 等;《IEEE Journal on Selected Areas in Communications》;20200608;第38卷(第9期);第1980-1993页 *
YOLO V1全网最详细的解读;gbyy42299;《URL：https://blog.csdn.net/gbyy42299/article/details/88869766》;20190328;正文第二节 *

Also Published As

Publication number Publication date
CN112260738A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
He et al. Multi-branch deep residual learning for clustering and beamforming in user-centric network
CN110059878B (zh) 基于cnn lstm光伏发电功率预测模型及其构建方法
CN107563422B (zh) 一种基于半监督卷积神经网络的极化sar分类方法
Golovko et al. Convolutional neural network based solar photovoltaic panel detection in satellite photos
CN111181612B (zh) 一种大规模mimo系统的协作波束赋型方法
CN111339818B (zh) 一种人脸多属性识别系统
CN106650744B (zh) 局部形状迁移指导的图像对象共分割方法
CN103500450A (zh) 一种多光谱遥感影像变化检测方法
CN109919202A (zh) 分类模型训练方法及装置
CN112257614B (zh) 一种基于图卷积网络的航站楼客流量时空分布预测方法
Golovko et al. Development of solar panels detector
CN112260738B (zh) 基于yolo目标检测的fd-mimo下行多用户分簇方法
WO2023019698A1 (zh) 基于富上下文网络的高光谱图像分类方法
CN106408009B (zh) 基于深度置信网络的邻域加权平均高光谱图像分类方法
CN107316050A (zh) 基于柯西损失函数的子空间自表达模型聚类方法
CN110334584A (zh) 一种基于区域全卷积网络的手势识别方法
Pachauri Imperative role of optimization techniques to reconfigure solar photovoltaic array systems to diminish shading effects
Bao et al. E-unet++: A semantic segmentation method for remote sensing images
CN104463252A (zh) 一种基于自适应极限学习机的地基云分类方法
CN113242066B (zh) 一种多小区大规模mimo通信智能功率分配方法
CN104537124A (zh) 多视图度量学习方法
Liu et al. Integration transformer for ground-based cloud image segmentation
CN110378407A (zh) 基于纹理参数和神经网络的电力设备图像识别方法和装置
Kim et al. Deep CNN based pilot allocation scheme in massive MIMO systems
CN115294381B (zh) 基于特征迁移和正交先验的小样本图像分类方法及装置

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