CN113162667B - 混合预编码方法、系统、介质及通信设备 - Google Patents

混合预编码方法、系统、介质及通信设备 Download PDF

Info

Publication number
CN113162667B
CN113162667B CN202110469952.8A CN202110469952A CN113162667B CN 113162667 B CN113162667 B CN 113162667B CN 202110469952 A CN202110469952 A CN 202110469952A CN 113162667 B CN113162667 B CN 113162667B
Authority
CN
China
Prior art keywords
state information
channel state
matrix
coding
information matrix
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
CN202110469952.8A
Other languages
English (en)
Other versions
CN113162667A (zh
Inventor
林浩瀚
伍沛然
夏明华
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen 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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202110469952.8A priority Critical patent/CN113162667B/zh
Publication of CN113162667A publication Critical patent/CN113162667A/zh
Application granted granted Critical
Publication of CN113162667B publication Critical patent/CN113162667B/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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (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)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明针对现有技术的局限性，提出了一种混合预编码方法、系统、介质及通信设备，通过采用深度可分离卷积实现网络参数和计算量的大幅减少，降低预编码实现所需的复杂度；引入倒置残差块加速网络的训练和提高网络的精度，还引入注意力结构实现特征提取时通道权重的自适应调整；本发明能够对预编码矩阵以及组合矩阵进行进行同时求解，可以获得最大化系统速率问题的最优解，在低复杂度的同时可以实现较高的速率，在损失极少数据速率的情况下可以实现低复杂度预编码，减少反馈的开销。

Description

混合预编码方法、系统、介质及通信设备
技术领域
本发明涉及无线通信技术领域，具体涉及大规模多输入多输出通信技术，更具体地，涉及一种混合预编码方法、系统、介质及通信设备。
背景技术
Massive MIMO(Massive Multiple-input Multiple-output，大规模多输入多输出)技术是5G移动通信的关键技术之一。Massive MIMO的天线数量将拓展到64，128甚至更大的规模，能进一步挖掘空间信息，获得更大的分集和复用增益。不过，这在提高数据传输速率的同时，也让预编码技术面临着巨大的挑战。预编码技术在于通过让信号发射端根据信道状态信息(Channel State Information，CSI)矩阵，设计预编码矩阵来对发送信号进行预编码，从而降低接收机消除信道间影响实现的复杂度，同时减少系统开销，最大提升MIMO的系统容量。传统的波束赋形技术，为每根天线配备了对应的射频链路，从而可以对信号进行数字域的数据处理。然而，随着大规模多输入多输出技术的应用，为每根天线都配备相应的射频链路的开销大到令人无法负担。因此，为了降低硬件的开销，现有技术通常采用模拟预编码与数字预编码相结合、基于码本的混合预编码方式。
公开日为2020.05.01，公布号为CN111092641A的中国申请专利：基于毫米波MIMO系统深度学习的混合预编码设计方法，其试图利用深度学习方法，来突破传统预编码复杂的联合优化与非凸限制，以期得到较优的频谱效率，并降低其复杂度。但是，上述专利将模拟预编码和组合矩阵进行解耦，将最大化系统速率问题解耦为收发两端预编码和组合矩阵的互信息最大化问题来进行，而这种求解方式只能获得最大系统速率问题的次优解；另外，其使用的参数量较大，训练较难且其训练成果难以复现。因此，现有技术仍然具有一定的局限性。
发明内容
针对现有技术的局限，本发明提出一种混合预编码方法、系统、介质及通信设备，本发明采用的技术方案是：
一种混合预编码方法，包括以下步骤：
S1，获取待处理信道状态信息矩阵以及待发送数据；
S2，将所述待处理信道状态信息矩阵输入经过训练的深度预编码分类模型，获得分类预测结果；
其中，所述深度预编码分类模型包括卷积神经网络以及连接所述卷积神经网络的多任务分类器；所述卷积神经网络包括依序连接的一个常规卷积以及三个倒置残差块；所述倒置残差块由深度可分离卷积、注意力结构以及残差边组成；
S3，根据所述分类预测结果从预设的码本中选择所述待处理信道状态信息矩阵的最优混合预编码矩阵；
S4，根据所述待处理信道状态信息矩阵的最优混合预编码矩阵对所述待发送数据进行混合预编码。
相较于现有技术，本发明在通过采用深度可分离卷积实现网络参数和计算量的大幅减少，降低预编码实现所需的复杂度；引入倒置残差块加速网络的训练和提高网络的精度，还引入注意力结构实现特征提取时通道权重的自适应调整；本发明能够对预编码矩阵以及组合矩阵进行进行同时求解，可以获得最大化系统速率问题的最优解，在低复杂度的同时可以实现较高的速率，在损失极少数据速率的情况下可以实现低复杂度预编码，减少反馈的开销。
作为一种优选方案，所述深度预编码分类模型通过以下步骤进行训练：
T1，获取样本信道的原始信道状态信息矩阵，在所述原始信道状态信息矩阵的基础上叠加预设的复高斯白噪声，获得各信噪比条件下的样本信道状态信息矩阵；
T2，获取码本，利用穷搜算法在所述码本中获取所述样本信道状态信息矩阵的最优混合预编码矩阵作为训练标签；
T3，根据所述样本信道状态信息矩阵以及训练标签对所述深度预编码分类模型进行训练。
进一步的，在所述步骤T1中，包括以下步骤：
T11，根据所述原始信道状态信息矩阵，计算获得所述原始信道状态信息矩阵的功率；
T12，根据所述原始信道状态信息矩阵的功率以及预设的信噪比条件，计算获得复高斯白噪声功率；
T13，根据所述复高斯白噪声功率生成与所述原始信道状态信息矩阵同等维度的复高斯白噪声；
T14，在所述原始信道状态信息矩阵的基础上叠加所述复高斯白噪声，获得各信噪比条件下的样本信道状态信息矩阵。
进一步的，所述码本根据发送端以及接收端的天线阵列决定；所述码本包括发送端码本以及接收端码本，所述发送端码本包括用于进行预编码的预编码矩阵，所述接收端码本包括用于对经过预编码的数据进行还原的组合矩阵。
更进一步的，所述多任务分类器包括结构一致、权重不同的两个分支，所述分支各包括依次连接的一层全局池化层以及两层全连接层；所述分支分别输出用于在所述发送端码本选择最优预编码矩阵的稀疏向量以及用于在所述接收端码本选择最优组合矩阵的稀疏向量。
进一步的，在所述步骤T3中，采用前向传播算法以及后向传播算法对所述深度预编码分类模型进行训练。
进一步的，在进行训练之前，所述深度预编码分类模型的参数采用随机方式进行初始化。
本发明还提供以下内容：
一种混合预编码系统，包括数据获取模块、分类预测模块、最优解获取模块以及预编码模块；
其中，所述数据获取模块连接所述分类预测模块以及预编码模块，所述分类预测模块连接所述最优解获取模块，所述最优解获取模块连接所述预编码模块；
所述数据获取模块用于获取待处理信道状态信息矩阵以及待发送数据；
所述分类预测模块用于将所述待处理信道状态信息矩阵输入经过训练的深度预编码分类模型，获得分类预测结果；
其中，所述深度预编码分类模型包括卷积神经网络以及连接所述卷积神经网络的多任务分类器；所述卷积神经网络包括依序连接的一个常规卷积以及三个倒置残差块；
所述最优解获取模块用于根据所述分类预测结果从预设的码本中选择所述待处理信道状态信息矩阵的最优混合预编码矩阵；
所述预编码模块用于根据所述待处理信道状态信息矩阵的最优混合预编码矩阵对所述待发送数据进行混合预编码。
一种储存介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现前述的混合预编码方法的步骤。
一种通信设备，包括储存介质、处理器以及储存在所述储存介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现前述混合预编码方法的步骤。
附图说明
图1为本发明实施例1提供的混合预编码方法的流程示意图；
图2为本发明实施例1提供的深度预编码分类模型的结构示意图；
图3为本发明实施例1中的倒置残差块的结构示意图；
图4为本发明实施例1中的深度可分离卷积与常规卷积的运算对比示意图；
图5为本发明实施例1中的注意力结构的运行示意图；
图6为本发明实施例1提供的深度预编码分类模型的训练流程示意图；
图7为本发明实施例1提供的步骤T1的流程示意图；
图8为本发明实施例1仿真实验结果中所述深度预编码分类模型与穷搜算法以及全数字预编码在频谱效率上的比较示意图；
图9为本发明实施例1仿真实验结果中所述深度预编码分类模型与CNN-MIMO模型以及Auto-Precoder模型在频谱效率上的比较示意图；
图10本发明实施例提供的混合预编码系统示意图；
附图标记说明：1、数据获取模块；2、分类预测模块；3、最优解获取模块；4、预编码模块。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，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所有其它实施例，都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。以下结合附图和实施例对本发明做进一步的阐述。
为了解决现有技术的局限性，本实施例提供了一种技术方案，下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
一种混合预编码方法，请参考图1，包括以下步骤：
S1，获取待处理信道状态信息矩阵以及待发送数据；
S2，将所述待处理信道状态信息矩阵输入经过训练的深度预编码分类模型，获得分类预测结果；
其中，所述深度预编码分类模型包括卷积神经网络以及连接所述卷积神经网络的多任务分类器；所述卷积神经网络包括依序连接的一个常规卷积以及三个倒置残差块；所述倒置残差块由深度可分离卷积、注意力结构以及残差边组成；
S3，根据所述分类预测结果从预设的码本中选择所述待处理信道状态信息矩阵的最优混合预编码矩阵；
S4，根据所述待处理信道状态信息矩阵的最优混合预编码矩阵对所述待发送数据进行混合预编码。
相较于现有技术，本发明在通过采用深度可分离卷积实现网络参数和计算量的大幅减少，降低预编码实现所需的复杂度；引入倒置残差块加速网络的训练和提高网络的精度，还引入注意力结构实现特征提取时通道权重的自适应调整；本发明能够对预编码矩阵以及组合矩阵进行进行同时求解，可以获得最大化系统速率问题的最优解，在低复杂度的同时可以实现较高的速率，在损失极少数据速率的情况下可以实现低复杂度预编码，减少反馈的开销。
具体的，请参阅图2，在所述深度预编码分类模型中，卷积神经网络用于对输入的信道状态信息矩阵进行特征提取，所述多任务分类器用于根据所述卷积神经网络提取到的特征输出分类预测结果，能够对预编码矩阵以及组合矩阵进行进行同时求解；请参阅图3，所述倒置残差块由深度可分离卷积、注意力结构以及残差边组成，图中方块下方数字表示通道数，方块右侧数字表示该结构输出量的尺寸。
请参阅图4，所述深度可分离卷积用于对普通卷积进行分解，在保证精度的情况下实现参数和计算量的减少，与公布号为CN111092641A的专利相比，本专利采用的深度可分离卷积可以大大减少参数量的使用，减少的幅度与卷积核的大小和输出通道成正比；按照常规的3*3卷积来讲，深度可分离卷积参数的为常规卷积参数量的九分之一；与此同时，本发明对应每层卷积的通道数相较于对比文件一仅为其四分之一。因此，本发明模型使用的参数量相较于对比文件一将会大大减少。
请参阅图5，注意力结构可以让模型学习到输入的不同通道间对最终输出的影响大小的关系，从而自适应地调整不同通道间的占输出的权重比例，实现增强特征的一个可分辩性；残差边的加入可以极大的加速超深的神经网络的训练，同时也可以提升模型的准确率。
作为一种优选实施例，请参考图6，所述深度预编码分类模型通过以下步骤进行训练：
T1，获取样本信道的原始信道状态信息矩阵，在所述原始信道状态信息矩阵的基础上叠加预设的复高斯白噪声，获得各信噪比条件下的样本信道状态信息矩阵；
T2，获取码本，利用穷搜算法在所述码本中获取所述样本信道状态信息矩阵的最优混合预编码矩阵作为训练标签；
T3，根据所述样本信道状态信息矩阵以及训练标签对所述深度预编码分类模型进行训练。
具体的，在一种可选的实施例中，所述样本信道来自现有的信道数据集；样本信道的原始信道状态信息矩阵基于射线追踪模型来生成，使得所述原始信道状态信息矩阵能够有效的代表一段时间内的环境信息，保证网络学习到的是对应的环境信息而非抽头延迟线模型。
所述码本为DFT(Discrete Fourier Transform，离散傅立叶变换)码本。
进一步的，所述码本根据发送端以及接收端的天线阵列决定；所述码本包括发送端码本以及接收端码本，所述发送端码本包括用于进行预编码的预编码矩阵，所述接收端码本包括用于对经过预编码的数据进行还原的组合矩阵。
DFT码本的选取根据收发两端的天线阵列决定，在训练阶段，通过穷搜算法，计算码本集合中可实现速率最大对应的预编码矩阵以及组合矩阵；穷搜算法也称为穷举搜索法，通常是在找不到解决问题的规律时对可能是解的众多候选解按某种顺序进行逐一枚举和检验，并从中找出那些符合要求的候选解作为问题的解。
更进一步的，请参考图2，所述多任务分类器包括结构一致、权重不同的两个分支，所述分支各包括依次连接的一层全局池化层以及两层全连接层；所述分支分别输出用于在所述发送端码本选择最优预编码矩阵的稀疏向量以及用于在所述接收端码本选择最优组合矩阵的稀疏向量。
进一步的，在所述步骤T1中，请参考图7，包括以下步骤：
T11，根据所述原始信道状态信息矩阵，计算获得所述原始信道状态信息矩阵的功率；
T12，根据所述原始信道状态信息矩阵的功率以及预设的信噪比条件，计算获得复高斯白噪声功率；
T13，根据所述复高斯白噪声功率生成与所述原始信道状态信息矩阵同等维度的复高斯白噪声；
T14，在所述原始信道状态信息矩阵的基础上叠加所述复高斯白噪声，获得各信噪比条件下的样本信道状态信息矩阵。
进一步的，在所述步骤T3中，采用前向传播算法以及后向传播算法对所述深度预编码分类模型进行训练。
因为DFT码本是由NRF个天线阵列的驱动向量组合而成，因此可以将标签定义为长为天线数量的稀疏向量，置一元素表示选取的驱动向量。上述表述中，NRF表示射频链路的数量。
经过所述步骤T1、T2的操作，训练样本和训练标签即生成完毕。将所述样本信道状态信息矩阵作为模型的输入，以x代表输入的信道状态信息矩阵，以CNN代表卷积神经网络的函数，则信道状态信息矩阵x通过卷积神经网络后获取的图像特征表示如下：
fx＝CNN(x)；
同时，以y为训练标签，令Ψ[·]为所述多任务分类器的函数，则输入的信道状态信息矩阵通过深度模型后利用前向传播算法计算获得的输出可表示为：
fy＝Ψ[CNN(x)]；
获得模型输出后，使用二元交叉熵损失函数，并采用后向传播算法中的Adam(Adaptive moment estimation，自适应矩估计)算法对深度模型参数进行训练。以W代表模型的参数，则所述二元交叉熵损失函数的表示如下；
W(x,y)＝-(ylog2x+(1-y)log2(1-x))；
在本实施例中，所述深度预编码分类模型的优化目标是最大系统速率R：
Figure GDA0003661656680000081
其中，|·|表示行列式计算，W＝WRFWBB表示组合矩阵，F＝FRFFBB表示混合预编码矩阵，
Figure GDA0003661656680000082
是在接收端进行组合操作之后噪声的协方差矩阵，σ2是噪声的功率；
那么，本实施例中，最大化系统速率的混合预编码矩阵以及组合矩阵优化问题可以表示为：
Figure GDA0003661656680000083
其中，
Figure GDA0003661656680000091
和
Figure GDA0003661656680000092
分别代表发送端码本和接收端码本；最优的混合预编码矩阵和组合矩阵可以表示为：
Figure GDA0003661656680000093
Figure GDA0003661656680000094
其中，
Figure GDA0003661656680000095
表示取矩阵的第1列到第Ns列，Fopt表示等效信道
Figure GDA0003661656680000096
的右奇异矩阵；Wopt按以下公式计算：
Figure GDA0003661656680000097
进一步的，在进行训练之前，所述深度预编码分类模型的参数采用随机方式进行初始化。
接下来以仿真实验的方式对本实施的技术效果做进一步说明：
在一个单用户的毫米波Massive MIMO系统，收发两端天线数量均为64，收发两端的射频链路数量为3，在训练阶段，生成35000个信道状态信息矩阵，其中80％为训练集，20％为测试集，设置信噪比为-10dB～20dB，训练次数60次，256个样本批量训练，Adam优化器的学习率为0.002，学习率每20次训练次数下降0.2。请参阅图8，从仿真结果可以看出，本实施例的可实现速率非常接近穷搜算法的可实现速率，同时也非常接近全数字预编码的可实现速率；请参阅图9，其展现了本实施例的所述深度预编码分类模型与CNN-MIMO模型以及Auto-Precoder模型在频谱效率的比较，从仿真结果可以看出，本实施例的在频谱效率具有一定的优越性。下表展示了本实施例的所述深度预编码分类模型与CNN-MIMO模型以及Auto-Precoder模型在识别准确率和参数量方面的比较：
表1不同模型识别率和参数模型的比较
Figure GDA0003661656680000098
Figure GDA0003661656680000101
可以看到，无论是准确率还是参数量上的结果，本实施例提供的所述深度预编码分类模型都优于上述的CNN-MIMO模型以及Auto-Precoder模型。
实施例2
一种混合预编码系统，请参阅图10，包括数据获取模块1、分类预测模块2、最优解获取模块3以及预编码模块4；
其中，所述数据获取模块1连接所述分类预测模块2以及预编码模块4，所述分类预测模块2连接所述最优解获取模块3，所述最优解获取模块3连接所述预编码模块4；
所述数据获取模块1用于获取待处理信道状态信息矩阵以及待发送数据；
所述分类预测模块2用于将所述待处理信道状态信息矩阵输入经过训练的深度预编码分类模型，获得分类预测结果；
其中，所述深度预编码分类模型包括卷积神经网络以及连接所述卷积神经网络的多任务分类器；所述卷积神经网络包括依序连接的一个常规卷积以及三个倒置残差块；
所述最优解获取模块3用于根据所述分类预测结果从预设的码本中选择所述待处理信道状态信息矩阵的最优混合预编码矩阵；
所述预编码模块4用于根据所述待处理信道状态信息矩阵的最优混合预编码矩阵对所述待发送数据进行混合预编码。
实施例3
一种储存介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现实施例1中的混合预编码方法的步骤。
实施例4
一种通信设备，包括储存介质、处理器以及储存在所述储存介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现实施例1中的混合预编码方法的步骤。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种混合预编码方法，其特征在于，包括以下步骤：
S1，获取待处理信道状态信息矩阵以及待发送数据；
S2，将所述待处理信道状态信息矩阵输入经过训练的深度预编码分类模型，获得分类预测结果；
其中，所述深度预编码分类模型包括卷积神经网络以及连接所述卷积神经网络的多任务分类器；所述卷积神经网络包括依序连接的一个常规卷积以及三个倒置残差块；所述倒置残差块由深度可分离卷积、注意力结构以及残差边组成；
S3，根据所述分类预测结果从预设的码本中选择所述待处理信道状态信息矩阵的最优混合预编码矩阵；
S4，根据所述待处理信道状态信息矩阵的最优混合预编码矩阵对所述待发送数据进行混合预编码。
2.根据权利要求1所述的混合预编码方法，其特征在于，所述深度预编码分类模型通过以下步骤进行训练：
T1，获取样本信道的原始信道状态信息矩阵，在所述原始信道状态信息矩阵的基础上叠加预设的复高斯白噪声，获得各信噪比条件下的样本信道状态信息矩阵；
T2，获取码本，利用穷搜算法在所述码本中获取所述样本信道状态信息矩阵的最优混合预编码矩阵作为训练标签；
T3，根据所述样本信道状态信息矩阵以及训练标签对所述深度预编码分类模型进行训练。
3.根据权利要求2所述的混合预编码方法，其特征在于，在所述步骤T1中，包括以下步骤：
T11，根据所述原始信道状态信息矩阵，计算获得所述原始信道状态信息矩阵的功率；
T12，根据所述原始信道状态信息矩阵的功率以及预设的信噪比条件，计算获得复高斯白噪声功率；
T13，根据所述复高斯白噪声功率生成与所述原始信道状态信息矩阵同等维度的复高斯白噪声；
T14，在所述原始信道状态信息矩阵的基础上叠加所述复高斯白噪声，获得各信噪比条件下的样本信道状态信息矩阵。
4.根据权利要求2所述的混合预编码方法，其特征在于，所述码本根据发送端以及接收端的天线阵列决定；所述码本包括发送端码本以及接收端码本，所述发送端码本包括用于进行预编码的预编码矩阵，所述接收端码本包括用于对经过预编码的数据进行还原的组合矩阵。
5.根据权利要求4所述的混合预编码方法，其特征在于，所述多任务分类器包括结构一致、权重不同的两个分支，所述分支各包括依次连接的一层全局池化层以及两层全连接层；所述分支分别输出用于在所述发送端码本选择最优预编码矩阵的稀疏向量以及用于在所述接收端码本选择最优组合矩阵的稀疏向量。
6.根据权利要求2所述的混合预编码方法，其特征在于，在所述步骤T3中，采用前向传播算法以及后向传播算法对所述深度预编码分类模型进行训练。
7.根据权利要求2所述的混合预编码方法，其特征在于，在进行训练之前，所述深度预编码分类模型的参数采用随机方式进行初始化。
8.一种混合预编码系统，其特征在于，包括数据获取模块(1)、分类预测模块(2)、最优解获取模块(3)以及预编码模块(4)；
其中，所述数据获取模块(1)连接所述分类预测模块(2)以及预编码模块(4)，所述分类预测模块(2)连接所述最优解获取模块(3)，所述最优解获取模块(3)连接所述预编码模块(4)；
所述数据获取模块(1)用于获取待处理信道状态信息矩阵以及待发送数据；
所述分类预测模块(2)用于将所述待处理信道状态信息矩阵输入经过训练的深度预编码分类模型，获得分类预测结果；
其中，所述深度预编码分类模型包括卷积神经网络以及连接所述卷积神经网络的多任务分类器；所述卷积神经网络包括依序连接的一个常规卷积以及三个倒置残差块；
所述最优解获取模块(3)用于根据所述分类预测结果从预设的码本中选择所述待处理信道状态信息矩阵的最优混合预编码矩阵；
所述预编码模块(4)用于根据所述待处理信道状态信息矩阵的最优混合预编码矩阵对所述待发送数据进行混合预编码。
9.一种储存介质，其上储存有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的混合预编码方法的步骤。
10.一种通信设备，其特征在于：包括储存介质、处理器以及储存在所述储存介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的混合预编码方法的步骤。
CN202110469952.8A 2021-04-28 2021-04-28 混合预编码方法、系统、介质及通信设备 Active CN113162667B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110469952.8A CN113162667B (zh) 2021-04-28 2021-04-28 混合预编码方法、系统、介质及通信设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110469952.8A CN113162667B (zh) 2021-04-28 2021-04-28 混合预编码方法、系统、介质及通信设备

Publications (2)

Publication Number Publication Date
CN113162667A CN113162667A (zh) 2021-07-23
CN113162667B true CN113162667B (zh) 2022-08-23

Family

ID=76872124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110469952.8A Active CN113162667B (zh) 2021-04-28 2021-04-28 混合预编码方法、系统、介质及通信设备

Country Status (1)

Country Link
CN (1) CN113162667B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4398527A1 (en) * 2021-09-02 2024-07-10 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Model processing method, electronic device, network device, and terminal device

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110943768A (zh) * 2019-12-09 2020-03-31 中南大学 一种毫米波大规模mimo系统的混合预编码码本联合设计方法
CN111092641A (zh) * 2019-12-18 2020-05-01 重庆邮电大学 基于毫米波mimo系统深度学习的混合预编码设计方法
CN112448742A (zh) * 2020-09-28 2021-03-05 上海电机学院 一种非均匀量化下基于卷积神经网络的混合预编码方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9900064B2 (en) * 2012-10-03 2018-02-20 Sckipio Technologies S.I Ltd Hybrid precoder

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110943768A (zh) * 2019-12-09 2020-03-31 中南大学 一种毫米波大规模mimo系统的混合预编码码本联合设计方法
CN111092641A (zh) * 2019-12-18 2020-05-01 重庆邮电大学 基于毫米波mimo系统深度学习的混合预编码设计方法
CN112448742A (zh) * 2020-09-28 2021-03-05 上海电机学院 一种非均匀量化下基于卷积神经网络的混合预编码方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于改进粒子群算法的毫米波大规模MIMO混合预编码方案;李人敏;《计算机应用》;20180810;第2366-2369页 *

Also Published As

Publication number Publication date
CN113162667A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
Guo et al. Overview of deep learning-based CSI feedback in massive MIMO systems
CN106209195B (zh) 信道状态信息获取方法、信道状态信息反馈方法及装置
EP1794919B1 (en) A method of processing received signals in a multi-input multi-output (mimo) system
EP2412117B1 (en) Adaptive precoding codebooks for wireless communications
US20240163880A1 (en) Deep-learning for distributed channel feedback and precoding
CN102725967A (zh) 用于信息反馈以及预编码的方法和装置
KR102334011B1 (ko) 무선 통신 시스템에서 머신 러닝 기반 제한된 피드백 방법 및 장치
US20240313839A1 (en) Classification of csi compression quality
EP4304237A1 (en) Information reporting method and apparatus, first device, and second device
Fan et al. Fully convolutional neural network-based CSI limited feedback for FDD massive MIMO systems
WO2023246618A1 (zh) 信道矩阵处理方法、装置、终端及网络侧设备
Liu et al. HyperRNN: Deep learning-aided downlink CSI acquisition via partial channel reciprocity for FDD massive MIMO
Balevi et al. Unfolded hybrid beamforming with GAN compressed ultra-low feedback overhead
CN113162667B (zh) 混合预编码方法、系统、介质及通信设备
Turan et al. A versatile low-complexity feedback scheme for FDD systems via generative modeling
WO2009075456A1 (en) Method for transmission interference cancellation for mu-mimo
EP4402866A1 (en) Improved pilot assisted radio propagation channel estimation based on machine learning
Doshi et al. Compressed representation of high dimensional channels using deep generative networks
US20230186079A1 (en) Learning an optimal precoding policy for multi-antenna communications
Khorsandmanesh et al. Optimized precoding for MU-MIMO with fronthaul quantization
CN102013958A (zh) 快速时变mimo系统中基于非码本预编码的传输方法
CN103765805B (zh) 一种多用户预编码方法和装置
Vaishampayan Precoder design for communication-efficient distributed MIMO receivers with controlled peak-average power ratio
CN104717003B (zh) 一种移动通信信道误差建模方法
Wang et al. Deep learning based CSI reconstruction with limited feedback for massive MIMO systems

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