CN112910521A - 一种基于深度学习的mimo混合波束赋形方法 - Google Patents

一种基于深度学习的mimo混合波束赋形方法 Download PDF

Info

Publication number
CN112910521A
CN112910521A CN202110220116.6A CN202110220116A CN112910521A CN 112910521 A CN112910521 A CN 112910521A CN 202110220116 A CN202110220116 A CN 202110220116A CN 112910521 A CN112910521 A CN 112910521A
Authority
CN
China
Prior art keywords
module
matrix
channel
training
beam forming
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
CN202110220116.6A
Other languages
English (en)
Other versions
CN112910521B (zh
Inventor
秦瑾
焦勇
张峻崎
席明
秦涛
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.)
China Telecom Wanwei Information Technology Co Ltd
Original Assignee
China Telecom Wanwei Information Technology Co Ltd
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 China Telecom Wanwei Information Technology Co Ltd filed Critical China Telecom Wanwei Information Technology Co Ltd
Priority to CN202110220116.6A priority Critical patent/CN112910521B/zh
Publication of CN112910521A publication Critical patent/CN112910521A/zh
Application granted granted Critical
Publication of CN112910521B publication Critical patent/CN112910521B/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
    • 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
    • H04B7/0426—Power distribution
    • H04B7/043—Power distribution using best eigenmode, e.g. beam forming or beam steering
    • 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
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
    • 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
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/086—Weighted combining using weights depending on external parameters, e.g. direction of arrival [DOA], predetermined weights or beamforming

Landscapes

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

Abstract

本发明涉及通信技术领域，具体为一种基于深度学习的MIMO混合波束赋形方法，包括有信道特征信息采集模块、全数字波束赋形仿真模块、发送端矩阵模块、接收端矩阵模块、信道特征实部和虚部模块、ResNet神经网络模型、特征融合模块和训练结果判别模块，本发明在对联合信道矩阵进行分步优化和训练的基础上，采用软件仿真实现的全数字波束赋形系统性能作为最佳性能判决依据，通过对联合矩阵的特征融合让其训练结果无限逼近于全数字波束赋形系统性能，训练过程中可采用监督学习的技术实现训练结果的快速收敛，本发明可以有效降低矩阵运算复杂度，系统硬件实现简单，系统性能效果最优化。

Description

一种基于深度学习的MIMO混合波束赋形方法
技术领域
本发明涉及通信技术领域，具体为一种基于深度学习的MIMO混合波束赋形方法。
背景技术
多输入多输出(Multiple input multiple output, MIMO)技术是通信领域的关键技术，因毫米波频段频谱资源丰富而得到广泛应用，但是毫米波频段存在严重路径损耗，所以在毫米波频段实现MIMO技术需要采用波束赋形方法来补偿路径损耗。由于全数字波束赋形方法对于大规模MIMO系统硬件实现困难且成本高昂，而模拟波束赋形方法对于MIMO系统只支持单流数据传输且系统性能低下，因此采用数字波束赋形和模拟波束赋形相结合的方式成为大规模MIMO通信系统的研究热点和应用方向。目前基于传统算法实现的MIMO通信系统已趋于成熟，并且在工程实践中取得了较好的效果，但大多数都是以复杂的矩阵运算为前提且系统硬件实现复杂度高。
发明内容
本发明的目的在于提供一种基于深度学习的MIMO混合波束赋形方法，采用基于深度学习的MIMO混合波束赋形方法，对信道特征矩阵首先采用软件仿真实现全数字波束赋形的最佳性能指标。其次对发送端和接收端的矩阵分别分解后进行训练和特征提取，同时通过特征融合器对提取的特征进行融合操作。最后将训练结果和软件实现的全数字波束赋形性能进行判决对比。该方法对于大规模MIMO混合波束赋形具有运算速度快、复杂度低、频谱效率高的优点。
为解决上述技术问题，本发明一种基于深度学习的MIMO混合波束赋形方法包括有信道特征信息采集模块、全数字波束赋形仿真模块、发送端矩阵模块、接收端矩阵模块、信道特征实部和虚部模块、ResNet神经网络模型；特征融合模块和训练结果判别模块，还包括有如下步骤：
S1.首先通过信道特征信息采集模块对毫米波环境信道进行采集，环境信道分别包括信道特征矩阵、发送端矩阵模块和接收端矩阵模块的信息，信道特征信息组合为信道矩阵H，对信道矩阵H采用全数字波束赋形仿真模块实现全数字波束赋形的最佳性能指标；
S2.在网络输入端将联合矩阵分解为发送端矩阵模块和接收端矩阵模块分别进行优化和训练，在发送端对
Figure 748717DEST_PATH_IMAGE002
和
Figure 391051DEST_PATH_IMAGE004
矩阵分别分解为实部和虚部模块通过ResNet神经网络模块进行训练；在接收端对
Figure 604995DEST_PATH_IMAGE006
和
Figure 41793DEST_PATH_IMAGE008
矩阵分别分解为实部和虚部模块通过ResNet神经网络模块进行训练；
S3. 特征融合模块对步骤完成S2的联合训练矩阵进行特征融合，并对训练结果与步骤S1中的最佳性能指标在训练结果判别模块对进行对比，直到训练结果无限逼近最佳性能指标，此时系统性能达到最佳。否则采用反馈方式进行多轮训练直到满足上述条件。
进一步的，所述的ResNet神经网络模块采用相同结构和深度层次的模型。
本发明的有益效果是：在网络输入端对信道联合矩阵分别分解为发送端和接收端进行训练，在发送端和接收端分别对联合矩阵分解为实部和虚部分别通过ResNet神经网络进行训练，可有效降低矩阵运算复杂度和神经网络架构设计复杂度，对上述训练后的特征再通过特征融合器实现实部和虚部特征的无缝融合，可以有效避免计算复杂度的同时还可以最大程度保留信道特征信息。在发送端和接收端同时采用一套改进的ResNet神经网络可以减少神经网络的重复设计，最大限度降低系统冗余度和神经网络架构设计复杂度。实现系统资源的高效利用和系统性能的提升。本发明在对联合信道矩阵进行分步优化和训练的基础上，采用软件仿真实现的全数字波束赋形系统性能作为最佳性能判决依据，通过对联合矩阵的特征融合让其训练结果无限逼近于全数字波束赋形系统性能，采用该设计思想主要是考虑纯数字波束赋形方法在硬件实现上具有成本高、难度大并且随着天线数量的增加成本成倍增加导致系统难以实现，采用软件的方式可有效解决上述缺点问题，并且在训练过程中可采用监督学习的技术实现训练结果的快速收敛。本发明可以有效降低矩阵运算复杂度，系统硬件实现简单，系统性能效果最优化。
附图说明
图1为本发明流程图。
图中：1.信道特征信息采集模块；2.全数字波束赋形仿真模块；3.发送端矩阵模块；4.接收端矩阵模块；5.信道特征实部和虚部模块；6.改进ResNet神经网络模型；7.特征融合模块；8.训练结果判别模块。
具体实施方式
如图1所示，本发明一种基于深度学习的MIMO混合波束赋形方法包括有信道特征信息采集模块1、全数字波束赋形仿真模块2、发送端矩阵模块3、接收端矩阵模块4、信道特征实部和虚部模块5、ResNet神经网络模型6、特征融合模块7和训练结果判别模块8，还包括有如下步骤：
S1.首先通过信道特征信息采集模块1对毫米波环境信道进行采集，环境信道分别包括信道特征矩阵、发送端矩阵模块3和接收端矩阵模块4的信息，信道特征信息组合为信道矩阵H，对信道矩阵H采用全数字波束赋形仿真模块2实现全数字波束赋形的最佳性能指标；
S2.在网络输入端将联合矩阵分解为发送端矩阵模块4和接收端矩阵模块4分别进行优化和训练，在发送端对
Figure 341187DEST_PATH_IMAGE002
和
Figure 256053DEST_PATH_IMAGE004
矩阵分别分解为实部和虚部模块5通过ResNet神经网络模块6进行训练；在接收端对
Figure 855662DEST_PATH_IMAGE006
和
Figure 961896DEST_PATH_IMAGE008
矩阵分别分解为实部和虚部模块5通过ResNet神经网络模块6进行训练；
S3. 特征融合模块7对步骤完成S2的联合训练矩阵进行特征融合，并对训练结果与步骤S1中的最佳性能指标在训练结果判别模块8对进行对比，直到训练结果无限逼近最佳性能指标，此时系统性能达到最佳。
进一步的，所述的ResNet神经网络模块6采用相同结构和深度层次的模型。
本发明结合深度学习技术对MIMO混合波束赋形发送端和接收端的联合矩阵进行优化，能够有效降低传统算法计算复杂度的同时可以使频谱效率最大化。根据扩展的Saleh-Valenzuela簇信道模型，毫米波环境中的信道模型可表示为：
Figure 748586DEST_PATH_IMAGE010
，式中：
Figure 201564DEST_PATH_IMAGE012
为第
Figure 655679DEST_PATH_IMAGE014
个散射族中第
Figure 434280DEST_PATH_IMAGE016
条传播路径的增益，
Figure 708266DEST_PATH_IMAGE018
和
Figure 729049DEST_PATH_IMAGE020
分别表示发送端和接收端的阵列响应矢量，其中：
Figure 37671DEST_PATH_IMAGE018
和
Figure 721593DEST_PATH_IMAGE020
分别表示第
Figure 482876DEST_PATH_IMAGE016
条传播路径的离开角和到达角，接收端的信号经过波束赋形处理后可表示为：
Figure 808815DEST_PATH_IMAGE022
，式中：
Figure 706364DEST_PATH_IMAGE024
为接收端模拟波束赋形矩阵，满足恒模约束条件；
Figure 826767DEST_PATH_IMAGE026
为接收端数字波束赋形矩阵；
Figure 839460DEST_PATH_IMAGE028
为发送端数字波束赋形矩阵；
Figure 437931DEST_PATH_IMAGE030
为发送端模拟波束赋形矩阵；
Figure 455566DEST_PATH_IMAGE032
为平均接收功率；
Figure 746870DEST_PATH_IMAGE034
为发送符号向量；
Figure DEST_PATH_IMAGE036
为服从高斯分布的噪声向量。本发明采用深度学习技术对上述联合矩阵进行优化。
该方法首先通过信道采集模块对毫米波环境信道进行采集，并将采集到的信道信息组合成信道矩阵
Figure DEST_PATH_IMAGE038
，对信道矩阵
Figure 154849DEST_PATH_IMAGE038
采用软件仿真方法计算出全数字波束赋形的最佳性能指标，该性能指标作为基准让神经网络训练的结果无限逼近于该性能指标。其次，为了减少网络架构设计的复杂度，在网络输入端将联合矩阵分解为发送端和接收端分别进行优化和训练，在发送端对
Figure 55546DEST_PATH_IMAGE030
和
Figure 662108DEST_PATH_IMAGE028
矩阵分别分解为实部和虚部通过改进的ResNet神经网络进行训练；在接收端对
Figure 389893DEST_PATH_IMAGE026
和
Figure 81905DEST_PATH_IMAGE024
矩阵分别分解为实部和虚部通过改进的ResNet神经网络进行训练。最后通过特征融合器对上述训练后的联合矩阵进行特征融合，并对训练结果与软件实现的全数字波束赋形矩阵性能指标进行对比，直到无限逼近全数字波束赋形系统性能并且训练的特征值趋于稳定，可认为系统性能达到最佳。如果没有达到最佳性能需要通过反馈方式对信道矩阵进行多轮训练，直到系统性能接近于全数字波束赋形系统性能且趋于稳定为止。利用深度学习技术对MIMO混合波束赋形系统的联合矩阵进行分步优化和特征融合操作，让训练结果无限逼近全数字波束赋形系统性能，具有运算速度快、运算复杂度低、信道特征信息全面、频谱效率高的特点。
本发明可用于5G移动通信技术中，由于5G所用毫米波为电磁波，具有频率高、波长短、传输速度快、传输能力差的特点，针对上述所存在的缺点，采用该发明技术用深度学习技术对MIMO混合波束进行赋形，在基站端采用该技术能使天线阵列的方向性更好、能量更加聚焦，这样可以使天线波束指向特定的方向，将天线的能量集中指向某个特定的用户，从而使用户端接收到的信号更加集中、通信质量更加稳定可靠。同样可以在用户端集成该波束赋形技术，同样在基站端能够接收到更加稳定可靠和集中的信号能量。特别是对于5G场景中高可靠、低时延的应用具有优越的性能，采用基于深度学习的MIMO混合波束赋形方法，由于结合了深度学习神经网络的记忆特点，无论是在基站端部署还是在移动端部署，都能够快速的采集数据并根据历史经验建立自适应的信道模型，并能够快速的从信道模型当中提取有用的信道特征信息，对所形成的信道矩阵进行分解计算，再通过特征融合获取信道特征信息，不但降低了复杂的矩阵运算、最大程度保留了信道特征信息的同时还能够减少信道干扰、提升通信质量。

Claims (2)

1.一种基于深度学习的MIMO混合波束赋形方法，其特征在于：包括有信道特征信息采集模块（1）、全数字波束赋形仿真模块（2）、发送端矩阵模块（3）、接收端矩阵模块（4）、信道特征实部和虚部模块（5）、ResNet神经网络模型（6）、特征融合模块（7）和训练结果判别模块（8），还包括有如下步骤：
S1.首先通过信道特征信息采集模块（1）对毫米波环境信道进行采集，环境信道分别包括信道特征矩阵、发送端矩阵模块（3）和接收端矩阵模块（4）的信息，信道特征信息组合为信道矩阵H，对信道矩阵H采用全数字波束赋形仿真模块（2）实现全数字波束赋形的最佳性能指标；
S2.在网络输入端将联合矩阵分解为发送端矩阵模块（4）和接收端矩阵模块（4）分别进行优化和训练，在发送端对
Figure DEST_PATH_IMAGE002
和
Figure DEST_PATH_IMAGE004
矩阵分别分解为实部和虚部模块（5）通过ResNet神经网络模块（6）进行训练；在接收端对
Figure DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE008
矩阵分别分解为实部和虚部模块（5）通过ResNet神经网络模块（6）进行训练；
S3. 特征融合模块（7）对步骤完成S2的联合训练矩阵进行特征融合，并对训练结果与步骤S1中的最佳性能指标在训练结果判别模块（8）对进行对比，直到训练结果无限逼近最佳性能指标，此时系统性能达到最佳。
2.根据权利要求1所述的一种基于深度学习的MIMO混合波束赋形方法，其特征在于：所述的ResNet神经网络模块（6）采用相同结构和深度层次的模型。
CN202110220116.6A 2021-02-27 2021-02-27 一种基于深度学习的mimo混合波束赋形方法 Active CN112910521B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110220116.6A CN112910521B (zh) 2021-02-27 2021-02-27 一种基于深度学习的mimo混合波束赋形方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110220116.6A CN112910521B (zh) 2021-02-27 2021-02-27 一种基于深度学习的mimo混合波束赋形方法

Publications (2)

Publication Number Publication Date
CN112910521A true CN112910521A (zh) 2021-06-04
CN112910521B CN112910521B (zh) 2022-04-05

Family

ID=76107396

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110220116.6A Active CN112910521B (zh) 2021-02-27 2021-02-27 一种基于深度学习的mimo混合波束赋形方法

Country Status (1)

Country Link
CN (1) CN112910521B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050095996A1 (en) * 2003-11-05 2005-05-05 Sony Corporation Wireless communications system, wireless communications method, and wireless communications apparatus
CN101446998A (zh) * 2008-11-28 2009-06-03 中国电力科学研究院 一种电力系统全数字实时仿真系统物理接口装置
EP3092508A1 (en) * 2014-01-09 2016-11-16 Fincantieri S.p.A. Bistatic radar
CN107332596A (zh) * 2017-05-26 2017-11-07 南京邮电大学 一种基于迫零的毫米波通信系统混合预编码方法
US20180062722A1 (en) * 2015-03-12 2018-03-01 China Academy Of Telecommunications Technology Hybrid beamforming transmission method and network device
CN109302224A (zh) * 2018-10-18 2019-02-01 复旦大学 用于大规模mimo的混合波束赋形算法
EP3473031A1 (en) * 2016-08-10 2019-04-24 Huawei Technologies Co., Ltd. Communication link acquisition and tracking in millimeter wave bands
CN109889244A (zh) * 2019-03-28 2019-06-14 湘潭大学 一种基于等效信道的大规模mimo系统混合预编码方法
CN110138427A (zh) * 2019-05-15 2019-08-16 西安科技大学 基于部分连接的大规模多输入多输出混合波束赋形算法
CN110557177A (zh) * 2019-09-05 2019-12-10 重庆邮电大学 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法
CN110661555A (zh) * 2019-10-14 2020-01-07 复旦大学 用于大规模mimo的部分连接的移相器网络的混合预编码算法
CN111277312A (zh) * 2020-02-26 2020-06-12 电子科技大学 基于深度复数网络的固定子阵空基毫米波波束成形方法
CN112054827A (zh) * 2020-09-14 2020-12-08 长沙理工大学 一种基于信道等效的联合混合预编码方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050095996A1 (en) * 2003-11-05 2005-05-05 Sony Corporation Wireless communications system, wireless communications method, and wireless communications apparatus
CN101446998A (zh) * 2008-11-28 2009-06-03 中国电力科学研究院 一种电力系统全数字实时仿真系统物理接口装置
EP3092508A1 (en) * 2014-01-09 2016-11-16 Fincantieri S.p.A. Bistatic radar
US20180062722A1 (en) * 2015-03-12 2018-03-01 China Academy Of Telecommunications Technology Hybrid beamforming transmission method and network device
EP3473031A1 (en) * 2016-08-10 2019-04-24 Huawei Technologies Co., Ltd. Communication link acquisition and tracking in millimeter wave bands
CN107332596A (zh) * 2017-05-26 2017-11-07 南京邮电大学 一种基于迫零的毫米波通信系统混合预编码方法
CN109302224A (zh) * 2018-10-18 2019-02-01 复旦大学 用于大规模mimo的混合波束赋形算法
CN109889244A (zh) * 2019-03-28 2019-06-14 湘潭大学 一种基于等效信道的大规模mimo系统混合预编码方法
CN110138427A (zh) * 2019-05-15 2019-08-16 西安科技大学 基于部分连接的大规模多输入多输出混合波束赋形算法
CN110557177A (zh) * 2019-09-05 2019-12-10 重庆邮电大学 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法
CN110661555A (zh) * 2019-10-14 2020-01-07 复旦大学 用于大规模mimo的部分连接的移相器网络的混合预编码算法
CN111277312A (zh) * 2020-02-26 2020-06-12 电子科技大学 基于深度复数网络的固定子阵空基毫米波波束成形方法
CN112054827A (zh) * 2020-09-14 2020-12-08 长沙理工大学 一种基于信道等效的联合混合预编码方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WENCE ZHANG: "Hybrid and full-digital beamforming in mmWave massive MIMO systems:A comparison considering low-resolution ADCs", 《CHINA COMMUNICATIONS》 *
YAZHOU ZHU: "Low Complexity Hybrid Beamforming for Uplink Multiuser mmWave MIMO Systems", 《2017 IEEE WIRELESS COMMUNICATIONS AND NETWORKING CONFERENCE (WCNC)》 *
徐浩: "毫米波MIMO系统中混合波束赋形技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Also Published As

Publication number Publication date
CN112910521B (zh) 2022-04-05

Similar Documents

Publication Publication Date Title
CN113225108B (zh) 一种智能反射面辅助多小区协同多点传输的鲁棒波束赋形方法
CN111447631A (zh) 基于非正交多址技术的星地联合波束形成和功率分配方法
CN112290995B (zh) 星地集成网络中基于安全能效的波束设计方法
CN107172705B (zh) 无线携能异构网络的波束优化方法及系统
CN113163497B (zh) 一种基于可重构智能面的毫米波移动边缘计算系统中计算效率优化方法
CN113556164B (zh) Irs辅助的swipt系统中基于能效优先的波束成型优化方法
CN107592144B (zh) Eh-mimo能量收集及多天线通信系统的节点天线选择方法及装置
CN110380762B (zh) 一种计算与通信融合的大规模接入方法
CN103716082A (zh) 用于多节点数据与能量同时无线传输的下行波束赋形方法
CN111277308A (zh) 基于机器学习的波宽控制方法
CN112910521B (zh) 一种基于深度学习的mimo混合波束赋形方法
CN112398513A (zh) 一种massive MIMO系统的波束赋形方法
CN117240331A (zh) 一种基于图神经网络的无蜂窝网络下行预编码设计方法
CN109039410B (zh) 一种异构云无线接入网络的波束成形方法及通信网络
CN116760448A (zh) 一种基于mimo-noma的星地融合网络资源高效分配方法
CN114448479B (zh) 一种基于天线选择的Massive MIMO安全传输优化方法
CN111464956A (zh) 基于前向链路组播传输的c-ran联合波束和功率分裂设计方法
CN114915989B (zh) 基于能量收集的全双工中继和智能反射面联合传输方法
CN113595609B (zh) 一种基于强化学习的蜂窝移动通信系统协作式信号发送方法
CN110048753A (zh) 基于mimo系统加权能效最大化的分布式波束赋形优化方法
CN114745754A (zh) 非理想信道信息下irs辅助云接入网上行传输优化方法
CN109768817B (zh) 无线能量传输的大规模MIMO系统基于max-min公平的资源分配方法
CN108924846B (zh) 一种无线携能和多目标无线通信网络能量效率优化方法
CN115696437A (zh) 基于irs的无线能量传输网络的用户总速率最大化方法
CN113747452A (zh) 一种云无线接入网通信协作波束赋形设计方法及系统

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