CN112803976B - 大规模mimo预编码方法、系统以及电子设备 - Google Patents

Abstract

本发明提供了一种大规模MIMO预编码方法、系统以及电子设备。本发明对MIMO系统中预编码矩阵选择算法提供了一种新的解决方案。在传统的基于线性预编码技术的MIMO系统中，发端通过信道状态信息CSI计算出预编码矩阵，应用在发端进行数据预编码处理。本发明通过对发端的天线参数量化，构建出码本集合，通过机器学习的方法训练出网络模型，进行预编码矩阵选择。本发明能够使MIMO系统的预编码矩阵选择方案更加简单高效。

Description

大规模MIMO预编码方法、系统以及电子设备

技术领域

本申请涉及MIMO预编码技术领域，尤其涉及一种大规模MIMO预编码方法、系统以及电子设备。

背景技术

多输入多输出（MIMO）是通信技术的前沿发展方向，由于其拥有更高的频谱效率、传输速度及更低的时延，在5G中得到了大规模应用。其中MIMO预编码技术通过在发送端对数据进行集中处理，达到抑制或消除干扰、提高信道容量，并降低接收端处理复杂度的目的，因此MIMO预编码技术成为LTE系统的关键技术及研究热点。

传统的MIMO预编码技术可以分为基于码本和非码本两种方式。其中基于码本的预编码技术又可以分为线性预编码技术和非线性预编码技术。

在TDD系统中，由于上行信道和下行信道处于同一频率，可以利用信道互易性，在发端获取信道状态信息，故一般采用非码本的预编码技术，直接在发送端计算得到预编码矩阵。在FDD系统中，由于上行信道和下行信道的差异，收端需要根据估计得到的信道矩阵和一定的性能准则，采用基于码本的预编码技术，选择出一个码字，将索引号传回给发送端，由于发送端和接收端拥有相同的码本集合，发送端再根据此码字进行数据的预编码处理。

MIMO系统中最为典型的线性预编码方案为迫零预编码算法（ZF），ZF预编码可以抑制或消除数据流之间的干扰，大大降低了接收端的处理复杂度。接收端只需要进行均衡及简单的判决操作即可恢复原始信号，预编码矩阵可表示为：

由上式可以看出，传统的ZF预编码算法需要进行求逆运算构建预编码矩阵，因此其计算复杂度较高，特别是在大规模MIMO系统中基站配置的天线数较多且用户数也较多的场景下，运算的复杂度较高，对基站提出了较高要求。

在基于码本的预编码技术中，在基站和用户端事先存储一套相同的码本，用户根据接收到的导频信号根据一定的选码准则从码本中选取使系统性能最优的码字，通过上行链路反馈给基站，基站通过得到的反馈索引号找到预编码矩阵，进行数据的预编码处理。典型的码本构造方式有：

1）基于空间构造：DFT/旋转DFT构造方案；

2）基于矢量量化构造：Grassmannian构造方案、Kerdock构造方案；

3）基于矩阵变换构造方案：Householder构造方案。

发明内容

有鉴于此，本申请提供一种大规模MIMO预编码方法、系统以及电子设备，本发明将从加快信号处理速度、降低设备复杂度的角度出发，设计一个在MIMO系统中简单高效的预编码矩阵选择方案。

本发明采用了如下技术方案：

一种大规模MIMO预编码方法，该方法应用于大规模MIMO预编码系统中，该方法包括：

步骤1、确定接收端和发送端天线的数量；

步骤2、量化发送端的天线参数；

步骤3、在接收端通过信道估计获取信道模型集合{H₁,H₂,H₃,…}；

步骤4、使用线性ZF预编码算法，得到预编码矩阵集合，即码本集{W₁,W₂,W₃,…}；

步骤5、使用上述得到的所述预编码矩阵集合及信道模型集合，进行机器学习模型的训练以得到机器学习模型；

步骤6、将训练得到的所述机器学习模型应用到发送端，通过信道矩阵作为输入，得到码本集中选择的码字，进行数据预编码处理。

进一步的，所述天线参数包括方位角和俯仰角。

进一步的，步骤5中，所述进行机器学习模型的训练以得到机器学习模型，具体包括：以所述信道模型集合{H₁,H₂,H₃,…}作为输入，从码本集{W₁,W₂,W₃,…}中选择的码字为输出。

进一步的，在步骤3中，所述信道估计通过在每个时隙的数据符号间插入参考信号符号,并利用所述参考信号符号在接收端对每个时隙的信道值进行估计。

进一步的，步骤1、在发送的有用数据中插入已知的导频符号；

步骤2、在接收端，计算得到导频位置的信道估计信息;

步骤3、利用导频位置的所述信道估计信息,依次进行内插、变换、滤波以得到有用数据的导频位置的信道估计结果,完成信道估计，得到信道模型集合{H1,H2,H3,…}。

进一步的，所述线性ZF预编码算法采用如下公式计算：

其中H为信道模型集合，以得到信道模型集合对应的预编码码字集合{W1,W2,W3,…}。

一种大规模MIMO预编码系统，该系统应用上述预编码方法，该系统包括：

确定模块，用于确定接收端和发送端天线的数量；

量化模块，用于量化发送端的天线参数；

信道估计模块，用于在接收端通过信道估计获取信道模型集合{H₁,H₂,H₃,…}；

预编码模块，用于使用线性ZF预编码算法，得到预编码矩阵集合，即码本集{W₁,W₂,W₃,…}；

训练模块，用于使用上述得到的所述预编码矩阵集合及信道模型集合，进行机器学习模型的训练以得到机器学习模型；

加载模块，用于将训练得到的所述机器学习模型应用到发送端，通过信道矩阵作为输入，得到码本集中选择的码字，进行数据预编码处理。

一种电子设备，包括存储器单元和处理器单元，所述存储器单元上存储有计算机程序，所述处理器单元执行所述程序时实现上述方法。

通过本申请实施例，可以获得如下技术效果：与现有技术相比，本发明的优点在于：本发明能够在基于TDD的MIMO系统中，使用离线训练的网络模型，直接在发送端通过信道状态信息，得到预编码码字，避免传统的矩阵求逆运算，在天线数较多场景下，依然有较快的运算速度，更加简单高效。

附图说明

为了更清楚地说明本申请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一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的大规模MIMO预编码方法的算法流程图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本申请保护的范围。

图1为本发明的大规模MIMO预编码方法的算法流程图。

步骤1、确定接收端和发送端天线的数量；

步骤2、量化发送端的天线参数；所述天线参数包括方位角和俯仰角；

步骤3、在接收端通过信道估计获取信道模型集合{H₁,H₂,H₃,…}；

步骤4、使用线性ZF预编码算法，得到预编码矩阵集合，即码本集{W₁,W₂,W₃,…}；

步骤5、使用上述得到的所述预编码矩阵集合及信道模型集合，进行机器学习模型的训练以得到机器学习模型；

步骤6、将训练得到的所述机器学习模型应用到发送端，通过信道矩阵作为输入，得到码本集中选择的码字，进行数据预编码处理；

步骤5中，所述进行机器学习模型的训练以得到机器学习模型，具体包括：

以所述信道模型集合{H₁,H₂,H₃,…}作为输入，从码本集{W₁,W₂,W₃,…}中选择的码字为输出；

以发送端4x4天线为例，以发送端为基准点，以16为单位线性方式量化发送方位角和俯仰角，得到256种不同的信号发送信道；

在步骤3中，所述信道估计通过在每个时隙的数据符号间插入参考信号符号,并利用所述参考信号符号在接收端对每个时隙的信道值进行估计，因为参考信号的产生和映射的位置都是固定的；

所述信道估计具体包括如下步骤：

步骤1、在发送的有用数据中插入已知的导频符号；

步骤2、在接收端，计算得到导频位置的信道估计信息;

步骤3、利用导频位置的所述信道估计信息,依次进行内插、变换、滤波以得到有用数据的导频位置的信道估计结果,完成信道估计，得到信道模型集合{H1,H2,H3,…}；

在上述已获得信道模型集合{H1,H2,H3,…}的基础上，采用迫零ZF预编码算法以获得预编码码字集合，预编码矩阵表示为：

其中H为信道模型集合，以得到信道模型集合对应的预编码码字集合{W1,W2,W3,…}；

使用步骤2、3中的得到的数据，进行神经网络模型的训练，得到训练好的网络模型，将离线训练得到的网络模型应用在发送端基站，使用上行信道估计得到的信道矩阵作为输入，得到码本集合中的码字，完成预编码矩阵的选择。

在一些实施例中，计算机程序的部分或者全部可以经由ROM而被载入和/或安装到设备上。当计算机程序加载并被执行时，可以执行上文描述的方法的一个或多个步骤。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）等等。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (6)

1.一种大规模MIMO预编码方法，该方法应用于大规模MIMO预编码系统中，其特征在于，该方法包括：

步骤1、确定接收端和发送端天线的数量；

步骤2、量化发送端的天线参数；

步骤3、在接收端通过信道估计获取信道模型集合{H₁,H₂,H₃,…}；

步骤4、使用线性ZF预编码算法，得到预编码矩阵集合，即码本集{W₁,W₂,W₃,…}；

步骤5、使用上述得到的所述预编码矩阵集合及信道模型集合，进行机器学习模型的训练以得到机器学习模型；

步骤6、将训练得到的所述机器学习模型应用到发送端，通过信道矩阵作为输入，得到码本集中选择的码字，进行数据预编码处理；

所述信道估计通过在每个时隙的数据符号间插入参考信号符号,并利用所述参考信号符号在接收端对每个时隙的信道值进行估计；

在所述步骤3中包括：

步骤1)在发送的有用数据中插入已知的导频符号；

步骤2)在接收端，计算得到导频位置的信道估计信息；

步骤3)利用导频位置的所述信道估计信息,依次进行内插、变换、滤波以得到有用数据的导频位置的信道估计结果,完成信道估计，得到信道模型集合{H1,H2,H3,…}。

2.根据权利要求1所述的预编码方法，其特征在于，所述天线参数包括方位角和俯仰角。

3.根据权利要求1所述的预编码方法，其特征在于，步骤5中，所述进行机器学习模型的训练以得到机器学习模型，具体包括：以所述信道模型集合{H₁,H₂,H₃,…}作为输入，从码本集{W₁,W₂,W₃,…}中选择的码字为输出。

4.根据权利要求1所述的预编码方法，其特征在于，所述线性ZF预编码算法采用如下公式计算：

W＝βH^H(HH^H)^-1

其中H为信道模型集合，以得到信道模型集合对应的预编码码字集合{W1,W2,W3,…}。

5.一种大规模MIMO预编码系统，该系统应用如所述权利要求1至4之一所述的预编码方法，其特征在于，该系统包括：

确定模块，用于确定接收端和发送端天线的数量；

量化模块，用于量化发送端的天线参数；

信道估计模块，用于在接收端通过信道估计获取信道模型集合{H₁,H₂,H₃,…}；

预编码模块，用于使用线性ZF预编码算法，得到预编码矩阵集合，即码本集{W₁,W₂,W₃,…}；

训练模块，用于使用上述得到的所述预编码矩阵集合及信道模型集合，进行机器学习模型的训练以得到机器学习模型；

加载模块，用于将训练得到的所述机器学习模型应用到发送端，通过信道矩阵作为输入，得到码本集中选择的码字，进行数据预编码处理；

所述信道估计模块通过在每个时隙的数据符号间插入参考信号符号,并利用所述参考信号符号在接收端对每个时隙的信道值进行估计；

在所述信道估计模块中包括：

1)在发送的有用数据中插入已知的导频符号；

2)在接收端，计算得到导频位置的信道估计信息；

3)利用导频位置的所述信道估计信息,依次进行内插、变换、滤波以得到有用数据的导频位置的信道估计结果,完成信道估计，得到信道模型集合{H1,H2,H3,…}。

6.一种电子设备，包括存储器单元和处理器单元，所述存储器单元上存储有计算机程序，其特征在于，所述处理器单元执行所述程序时实现如权利要求1至4之一所述的方法。

Images