CN113242069B - 一种基于神经网络的码本设计方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的码本设计方法，包括如下步骤：步骤1，基于Saleh‑Valenzuela统计信道模型，生成数据集；步骤2，设计神经网络结构,神经网络包括输入层、全连接层、功率计算层、最大池化层；步骤3，随机初始化神经网络的全连接层神经元参数，进行前向传播计算；步骤4，反向传播，采用梯度下降算法更新神经元参数；步骤5，验证神经网络模型的正确率；步骤6，基于训练完成的神经网络模型设计码本。本发明能够使用少量码字覆盖更多角度，为服务用户提供高波束增益，提升接收信号的信噪比。同时，本发明考虑了模拟预编码架构的硬件约束，设计的码字均为恒模值，易于和基于相移器的模拟波束成形技术结合。

Description

一种基于神经网络的码本设计方法

技术领域

本发明涉及一种码本设计方案，属于大规模MIMO通信技术领域。

背景技术

近年来，移动通信技术不断发展，为工业升级、数字文娱产品的繁荣以及政务系统数字化、信息化提供了技术基础。5G移动通信系统的开发和应用，不断满足了人们在高质量移动带宽、海量设备互联、高可靠低时延等方面的通信需求。毫米波通信是5G移动通信技术的重要组成部分，但毫米波传播路径损耗大、衰减严重等特点也给通信系统的部署和应用带来了挑战。

为了保证足够的接收信号功率，毫米波系统部署了大规模天线阵列，并使用窄波束通信。然而，由于射频链路的高硬件成本和高功耗，大规模MIMO通信系统不能为每个天线单元分配射频链路，无法实现纯数字预编码结构，通常采用纯模拟或数模混合预编码结构。此外，大规模MIMO系统为了降低实现复杂度，通常使用预定义码本实现预编码。但是，传统码本设计方案通常未考虑通信系统所处环境和通信需求，而是为每个方向都预定义了相应的码字，这也限制了大规模MIMO通信系统的综合性能：一方面，系统扫描所有方向对应的码字加大了波束训练的开销；另一方面，预定义码本中的码字通常是单波瓣波束，无法达到最优通信性能，尤其在非视距通信中。此外，基于数学模型的波束成形码本设计往往假定理想的天线方向图，忽略了天线物理特性的影响，损失了部分性能。

发明内容

为解决上述难题，本发明提供了一种基于深度学习的模拟码本设计方法。本发明通过神经网络学习通信系统的环境和信道特征，进而设计相关码本，提高了波束增益。基于深度学习的码本设计方法不仅提高了码本中波束的增益，而且能够满足覆盖要求。此外，该方法考虑了相移器的硬件约束，每个预编码矢量均为恒模值，具有实用价值。

为达到上述的目的，本发明提供如下的技术方案：

一种基于神经网络的码本设计方法，包括如下步骤：

步骤1，基于Saleh-Valenzuela统计信道模型，生成数据集；

步骤2，设计神经网络结构,神经网络包括输入层、全连接层、功率计算层、最大池化层；

步骤3，随机初始化神经网络的全连接层神经元参数，进行前向传播计算；

步骤4，反向传播，采用梯度下降算法更新神经元参数；

步骤5，验证神经网络模型的正确率；

步骤6，基于训练完成的神经网络模型设计码本。

所述步骤1包括：

步骤1.1，根据Saleh-Valenzuela统计信道模型，仿真生成信道空间，其中，信道模型为：

式中，N_cl和N_ray分别表示簇数和射线数，φ_i，j＝sinθ_i，j，其中，θ_i，j为第i簇和对应簇中第j条射线的到达角，a(·)为天线阵列响应；

步骤1.2，计算h对应的标签值p^(opt)，计算公式如下：

式中，|·|表示复数的取模运算，||·||₁表示矩阵的L₁范数，w_*表示最优码字空间中的最优码字，p^(opt)为对应信道可达到的最大接收功率；

步骤1.3，对于基站服务的U个用户，根据步骤1.1和步骤1.2的结果生成数据集

其中，h_u为第u个用户的信道矢量，

为第u个用户的标签值。

所述步骤2包括：

步骤2.1，当基站天线为N，码本大小为M时，神经网络的全连接层由M个神经元组成，神经元能够对输入矢量中的元素进行乘积运算和求和运算，全连接层神经元的输出矢量为：

z＝W^Hh

式中，

为码本矩阵，z为全连接层神经元的输出矢量；

步骤2.2，神经网络的功率计算层也包含M个神经元，每个神经元的输入是对应全连接层的输出，每个神经元对输入值进行取模和平方运算，其计算过程为：

p＝[p₁，p₂，...，p_M]^T

＝[|z₁|²，|z₂|²，...，|z_M|²]^T

式中，p_i表示使用第i个码字接收信号时的接收功率，z_i为第i个码字对于的神经元的输出；

步骤2.3，神经网络的最大池化层包含1个神经元，其输入为功率计算出输出的功率矢量，神经元对输入矢量进行取最大值计算，最大功率p^*为：

p^*＝max{p₁，p₂，…，p_M}

式中，p^*即为神经网络预测的最大功率。

所述步骤3包括：

步骤3.1，随机初始化全连接层神经元参数，并将数据

作为神经网络输入层的输入；

步骤3.2，将输入层的输出作为全连接层的输入，计算全连接层的输出，即接收信号组合增益的实部和虚部；

步骤3.3，将全连接层的输出作为功率计算层的输入，计算得到各模拟预编码矢量对应的功率值；

步骤3.4，将功率计算层的输出作为最大池化层的输入，计算得到当前码本中能够达到的最大功率。

所述步骤4包括：

步骤4.1，依据数据

的标签值和神经网络的输出值计算当前损失函数的值：

式中，θ为神经元参数，N_b表示每批数据样本的数量，p^*和p^(opt)分别表示神经网络预测的最大功率和理论最大功率；

步骤4.2，计算损失函数当前的梯度：

式中，z、p和p^*分别为神经网路模型的全连接层、功率计算层和最大池化层的输出，θ_n为全连接层的神经元参数；

步骤4.3，反向传播全连接层的误差，并更新神经网络参数：

式中，θ_n和θ′_n分别为更新前后的神经网络参数，b_n和b′_n分别为更新前后的神经元权值的偏置，η为梯度下降的学习率。

所述步骤5包括：

步骤5.1，将测试集数据输入神经网络模型，并记录神经网络的输出值；

步骤5.2，将神经网络输出值与标签值对比，统计预测正确的数量，计算神经网路预测准确率。

所述步骤6包括：

步骤6.1，神经网络的权值矩阵对应于天线阵列的相移矩阵，由神经网络参数生成码本矩阵：

式中，N为基站天线数量，Θ＝[θ₁，θ₂，...，θ_M]^T，而θ_m＝[θ_1m，θ_2m，...，θ_nm]^T对应每个码字的相移矢量；

步骤6.2，计算得出神经网络设计的码本的波束图，统计码本中波束增益的累计概率；步骤6.3，将设计的码本应用于基于相移网络的模拟波束成形的大规模MIMO通信系统。

与现有技术相比，本发明具有如下优点和有益效果：

(1)本发明能够充分利用通信系统的环境和信道特征，使用少量码字覆盖更多角度，为服务用户提供高波束增益，提升接收信号的信噪比。

(2)本方明考虑了模拟预编码架构的硬件约束，设计的码字均为恒模值，易于和基于相移器的模拟波束成形技术结合，具有实用价值。

附图说明

图1为基于深度学习的模拟码本设计方法的流程图

图2为神经网络结构图

图3为本发明设计的码本波束与DFT码本波束对比图

图4为本发明设计的波束增益的累计概率曲线图

具体实施方式

以下将结合附图和具体实施案例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

本发明提供一种基于神经网络的码本设计方法，利用神经网络模型学习并适应用户的空间分布和通信系统的信道环境，自适应地设计适合通信环境的码本。

下面结合附图，对本发明作进一步详细说明。其中图1为基于深度学习的模拟码本设计方法的流程图；图2为神经网络结构图；图3为本发明设计的码本波束与DFT码本波束对比图；图4为本发明设计的波束增益的累计概率曲线图。

本发明的一种基于神经网络的码本设计方法，包括如下步骤：

步骤1，基于Saleh-Valenzuela统计信道模型，生成数据集；具体为：

步骤1.1，根据Saleh-Valenzuela统计信道模型，仿真生成信道空间，其中，信道模型为：

式中，N_cl和N_ray分别表示簇数和射线数，φ_i，j＝sinθ_i，j，其中，θ_i，j为第i簇和对应簇中第j条射线的到达角，a(·)为天线阵列响应；

步骤1.2，计算h对应的标签值p^(opt)，计算公式如下：

式中，|·|表示复数的取模运算，||·||₁表示矩阵的L₁范数，w_*表示最优码字空间中的最优码字，p^(opt)为对应信道可达到的最大接收功率；

步骤1.3，对于基站服务的U个用户，根据步骤1.1和步骤1.2的结果生成数据集

其中，h_u为第u个用户的信道矢量，

为第u个用户的标签值。

步骤2，设计神经网络结构，神经网络包括输入层、全连接层、功率计算层、最大池化层；具体为：

步骤2.1，当基站天线为N，码本大小为M时，神经网络的全连接层由M个神经元组成，神经元能够对输入矢量中的元素进行乘积运算和求和运算，全连接层神经元的输出矢量为：

z＝W^Hh

式中，

为码本矩阵，z为全连接层神经元的输出矢量；

步骤2.2，神经网络的功率计算层也包含M个神经元，每个神经元的输入是对应全连接层的输出，每个神经元对输入值进行取模和平方运算，其计算过程为：

p＝[p₁，p₂，...，p_M]^T

＝[|z₁|²，|z₂|²，...，|z_M|²]^T

式中，p_i表示使用第i个码字接收信号时的接收功率，z_i为第i个码字对于的神经元的输出；

步骤2.3，神经网络的最大池化层包含1个神经元，其输入为功率计算出输出的功率矢量，神经元对输入矢量进行取最大值计算，最大功率p^*为：

p^*＝max{p₁，p₂，...，p_M}

式中，p^*即为神经网络预测的最大功率。

步骤3，随机初始化神经网络的全连接层神经元参数，进行前向传播计算；具体为：

步骤3.1，随机初始化全连接层神经元参数，并将数据

作为神经网络输入层的输入；

步骤3.2，将输入层的输出作为全连接层的输入，计算全连接层的输出，即接收信号组合增益的实部和虚部；

步骤3.3，将全连接层的输出作为功率计算层的输入，计算得到各模拟预编码矢量对应的功率值；

步骤3.4，将功率计算层的输出作为最大池化层的输入，计算得到当前码本中能够达到的最大功率。

步骤4，反向传播，采用梯度下降算法更新神经元参数；具体为：

步骤4.1，依据数据

的标签值和神经网络的输出值计算当前损失函数的值：

式中，θ为神经元参数，N_b表示每批数据样本的数量，p^*和p^(opt)分别表示神经网络预测的最大功率和理论最大功率；

步骤4.2，计算损失函数当前的梯度：

式中，z、p和p^*分别为神经网路模型的全连接层、功率计算层和最大池化层的输出，θ_n为全连接层的神经元参数；

步骤4.3，反向传播全连接层的误差，并更新神经网络参数：

式中，θ_n和θ′_n分别为更新前后的神经网络参数，b_n和b′_n分别为更新前后的神经元权值的偏置，η为梯度下降的学习率。

步骤5，验证神经网络模型的正确率；具体为：

步骤5.1，将测试集数据输入神经网络模型，并记录神经网络的输出值；

步骤5.2，将神经网络输出值与标签值对比，统计预测正确的数量，计算神经网路预测准确率。

步骤6，基于训练完成的神经网络模型设计码本；具体为：

步骤6.1，神经网络的权值矩阵对应于天线阵列的相移矩阵，由神经网络参数生成码本矩阵：

式中，N为基站天线数量，Θ＝[θ₁，θ₂，...，θ_M]^T，而θ_m＝[θ_1m，θ_2m，...，θ_nm]^T对应每个码字的相移矢量；

步骤6.2，计算得出神经网络设计的码本的波束图，统计码本中波束增益的累计概率；步骤6.3，将设计的码本应用于基于相移网络的模拟波束成形的大规模MIMO通信系统。

综上，本发明利用神经网络模型学习并适应用户的空间分布和通信系统的信道环境，自适应地设计适合通信环境的码本。为了充分利用通信系统所处的环境特征和信道特征，基于深度学习的码本设计方法通过神经网络学习通信系统的环境和信道特征，进而设计相关码本，提高了波束增益，增大了接收功率。基于深度学习的码本设计方案能够使用少量码字覆盖更多角度，为服务用户提供高波束增益，提升接收信号的信噪比。神经网络设计的码本与当前的通信环境和数据传送需求密切相关，优先为流量密集的方向设计高增益波束，进一步提升了基站的服务质量。同时，该码本设计方案考虑了模拟预编码架构的硬件约束，设计的码字均为恒模值，易于和基于相移器的模拟波束成形技术结合，具有实用价值。

以上所述，仅是本发明的一个较佳实施案例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (1)

1.一种基于神经网络的码本设计方法，其特征在于：包括如下步骤：

步骤1，基于Saleh-Valenzuela统计信道模型，生成数据集；

所述步骤1包括：

步骤1.1，根据Saleh-Valenzuela统计信道模型，仿真生成信道空间，其中，信道模型为：

式中，N_cl和N_ray分别表示簇数和射线数，φ_i，j＝sinθ_i，j，其中，θ_i，j为第i簇和对应簇中第j条射线的到达角，a(·)为天线阵列响应；

步骤1.2，计算h对应的标签值p^(opt)，计算公式如下：

式中，|·|表示复数的取模运算，||·||₁表示矩阵的L₁范数，w_*表示最优码字空间中的最优码字，p^(opt)为对应信道可达到的最大接收功率；

步骤1.3，对于基站服务的U个用户，根据步骤1.1和步骤1.2的结果生成数据集

其中，h_u为第u个用户的信道矢量，

为第u个用户的标签值；

步骤2，设计神经网络结构，神经网络包括输入层、全连接层、功率计算层、最大池化层；

所述步骤2包括：

步骤2.1，当基站天线为N，码本大小为M时，神经网络的全连接层由M个神经元组成，神经元能够对输入矢量中的元素进行乘积运算和求和运算，全连接层神经元的输出矢量为：

z＝W^Hh

式中，

为码本矩阵，z为全连接层神经元的输出矢量；

步骤2.2，神经网络的功率计算层也包含M个神经元，每个神经元的输入是对应全连接层的输出，每个神经元对输入值进行取模和平方运算，其计算过程为：

p＝[p₁，p₂，...，p_M]^T

＝[|z₁|²，|z₂|²，...，|z_M|²]^T

式中，p_i表示使用第i个码字接收信号时的接收功率，z_i为第i个码字对于的神经元的输出；

步骤2.3，神经网络的最大池化层包含1个神经元，其输入为功率计算出输出的功率矢量，神经元对输入矢量进行取最大值计算，最大功率p^*为：

p^*＝max{p₁，p₂，...，p_M}

式中，p^*即为神经网络预测的最大功率；

步骤3，随机初始化神经网络的全连接层神经元参数，进行前向传播计算；

所述步骤3包括：

步骤3.1，随机初始化全连接层神经元参数，并将数据

作为神经网络输入层的输入；

步骤3.2，将输入层的输出作为全连接层的输入，计算全连接层的输出，即接收信号组合增益的实部和虚部；

步骤3.3，将全连接层的输出作为功率计算层的输入，计算得到各模拟预编码矢量对应的功率值；

步骤3.4，将功率计算层的输出作为最大池化层的输入，计算得到当前码本中能够达到的最大功率；

步骤4，反向传播，采用梯度下降算法更新神经元参数；

所述步骤4包括：

步骤4.1，依据数据

的标签值和神经网络的输出值计算当前损失函数的值：

式中，θ为神经元参数，N_b表示每批数据样本的数量，p^*和p^(opt)分别表示神经网络预测的最大功率和理论最大功率；

步骤4.2，计算损失函数当前的梯度：

式中，z、p和p^*分别为神经网路模型的全连接层、功率计算层和最大池化层的输出，θ_n为全连接层的神经元参数；

步骤4.3，反向传播全连接层的误差，并更新神经网络参数：

式中，θ_n和θ′_n分别为更新前后的神经网络参数，b_n和b′_n分别为更新前后的神经元权值的偏置，η为梯度下降的学习率；

步骤5，验证神经网络模型的正确率；

所述步骤5包括：

步骤5.1，将测试集数据输入神经网络模型，并记录神经网络的输出值；

步骤5.2，将神经网络输出值与标签值对比，统计预测正确的数量，计算神经网路预测准确率；

步骤6，基于训练完成的神经网络模型设计码本；

所述步骤6包括：

步骤6.1，神经网络的权值矩阵对应于天线阵列的相移矩阵，由神经网络参数生成码本矩阵：

式中，N为基站天线数量，Θ＝[θ₁，θ₂，...，θ_M]^T，而θ_m＝[θ_1m，θ_2m，...，θ_nm]^T对应每个码字的相移矢量；

步骤6.2，计算得出神经网络设计的码本的波束图，统计码本中波束增益的累计概率；

步骤6.3，将设计的码本应用于基于相移网络的模拟波束成形的大规模MIMO通信系统。

Images