CN113242071A - 基于集成深度学习的协作波束成形方法 - Google Patents

基于集成深度学习的协作波束成形方法 Download PDF

Info

Publication number
CN113242071A
CN113242071A CN202110480652.XA CN202110480652A CN113242071A CN 113242071 A CN113242071 A CN 113242071A CN 202110480652 A CN202110480652 A CN 202110480652A CN 113242071 A CN113242071 A CN 113242071A
Authority
CN
China
Prior art keywords
base station
deep learning
neural network
beamforming
omni
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.)
Pending
Application number
CN202110480652.XA
Other languages
English (en)
Inventor
杨绿溪
徐佩钦
张天怡
周京鹏
李春国
黄永明
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 CN202110480652.XA priority Critical patent/CN113242071A/zh
Publication of CN113242071A publication Critical patent/CN113242071A/zh
Pending legal-status Critical Current

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
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0686—Hybrid systems, i.e. switching and simultaneous transmission
    • H04B7/0695—Hybrid systems, i.e. switching and simultaneous transmission using beam selection
    • 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
    • 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
    • H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
    • 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
    • H04B7/06—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
    • H04B7/0619—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 using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/063—Parameters other than those covered in groups H04B7/0623 - H04B7/0634, e.g. channel matrix rank or transmit mode selection

Landscapes

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

Abstract

本发明公开了一种基于集成深度学习的协作波束成形方法，步骤包括采用波束成形的基站连接到应用基带处理的云/中央处理器，同时为移动用户提供服务。对于该系统，制定了中央基带和基站RF波束成形矢量的训练和设计问题，以最大程度地提高系统有效可达到的速率。基站从全向接收的上行链路导频和波束训练结果中学习映射，来预测基站的最优RF波束成形矢量。基站首先从预定义的码本中选择其波束成形矢量。然后，中央处理器设计其基带波束成形以确保用户的相干组合。本发明中的密集神经网络与深度学习集成的方法，分析了不同模型的特点以及对模型拟合度和预测数据效果上的强弱。

Description

基于集成深度学习的协作波束成形方法
技术领域
本发明涉及波束成形领域，尤其涉及毫米波大规模MIMO通信中基于集成深度学习的协作波束成形方法。
背景技术
毫米波和大规模MIMO成为当前和未来无线系统的关键启用技术，主要归功于这些技术所具有的极高数据速率和多路复用增益。但是，为了支持高度移动的用户确保可靠性并实现低复杂度的协作，因此需要使用大量天线，这给毫米波系统带来重大挑战。这些挑战的主要原因之一是与大型信道矩阵相关的大量训练、反馈和协调开销。但是，这些信道直观上是环境几何形状、建筑材料、发射器/接收器位置等的某些功能，通过利用集成深度学习的协作波束成形方法来激发可以利用环境的低开销特性和用户设置并学习如何使用它们预测毫米波大规模MIMO信道/波束，增强系统可靠性和主动切换功能，并实现低复杂度的基站协调。
发明内容
本发明的目的是克服现有技术所要消耗的大量开销问题，以最小开销达到基站的最优可达速率。基于此本发明设计一种基于深度学习的协作波束成形算法模型从全向接收的上行链路导频和波束训练结果中学习映射，来预测基站的最优RF波束成形矢量。开发出的解决方案能够以宽覆盖范围和低延迟的协调波束成形增益，使其成为高移动性毫米波应用的解决方案。
技术方案：为了实现上述发明目的，本发明提出了基于集成深度学习的协作波束成形方法，包括以下步骤：
步骤1，用户给每一个基站发送
Figure BDA0003049098350000011
个相同的导频序列，其中用
Figure BDA0003049098350000012
表示码书，Ntr表示码书中码本个数。该导频序列以
Figure BDA0003049098350000013
的形式发送，其中K为子载波限度，每一个基站在Ntr个波束成形矢量码本中不断切换以用不同的波束成形矢量结合每一个导频序列信号，除此之外每一个基站都会使用全向或准全向波束g0，来接收一个额外的上行链路导频序列。
步骤2，对密集神经网络与深度学习集成的算法建模，形成密集神经网络与深度学习集成的算法模型
步骤3，在线学习阶段。计算所有基站处共同捕获的OFDM全向接收信号
Figure BDA0003049098350000014
以及不同波束成形向量的可达速率
Figure BDA0003049098350000015
对密集神经网络与深度学习集成的算法模型进行在线培训，以学习在所有基站处共同捕获的OFDM全向接收信号
Figure BDA0003049098350000021
与不同RF波束成形向量的速率
Figure BDA0003049098350000022
之间的隐式关系；
步骤4，预测阶段。系统依赖于训练好的密集神经网络与深度学习集成的算法模型来仅基于在基站端捕获的全向接收信号
Figure BDA0003049098350000023
来预测最佳基站可达速率
Figure BDA0003049098350000024
云/中央处理器根据最佳可达速率
Figure BDA0003049098350000025
计算对应的波束成形矢量
Figure BDA0003049098350000026
进一步的，步骤1中具体包括如下过程:
步骤1.1，在每个子载波k＝1,2,…K处发送的信号
Figure BDA0003049098350000027
首先在中央/云处理单元进行预编码。
步骤1.2，将来自第n个基站在第k个子载波处的离散时间传输的复基带信号写为
Figure BDA0003049098350000028
其中
Figure BDA0003049098350000029
为基站采用的时域模拟波束成形向量，
Figure BDA00030490983500000210
是云/中央处理单元的数字预编码器。
步骤1.3，将用户和第n个基站之间的延迟为d的信道表示为
Figure BDA00030490983500000211
其中，L表示几何宽带毫米波信道模型具有L个簇，
Figure BDA00030490983500000212
表示第n个基站到达角的方位角及俯仰角的响应向量数组，τl表示信号时延，p(τl)表示τl秒处用于TS间隔的信号估计的脉冲整形函数。
将在子载波k处的频域信道矢量hk,n表示为
Figure BDA00030490983500000213
基站通过步骤1.2，1.3等的数据生成该环境模型下的数据集，以用于本发明中学习模型的输入和输出；
步骤1.4，基站使用全向波束g0来接收的结合信号表示为
Figure BDA00030490983500000214
Figure BDA00030490983500000215
进一步的，密集神经网络与深度学习集成的算法模型中包括如下步骤：
步骤2.1，用归一化和随机失活对数据进行预处理；
步骤2.2，设计6层密集神经网络流程结构，第一层为Block层，包含线性、批归一化、线性整流单元以及随机失活的序列化部分，作为简单的数据预处理部分；
步骤2.3，集成密集块层，的密集块结构进行前后层的不断组合，之后继续进行序列化过程。重复三次Block层与密集块层的连接以构成模型的一部分；
步骤2.4，最后连接三个全连接层，全连接层使用线性整流器激活单元，每个层后面都有一个随机失活层。
进一步的，步骤3中具体包括如下步骤，
步骤3.1，每个基站收到Ntr+1个波束，Ntr个是用户发送的导频序列；
步骤3.2，每一个基站在码书所具有的Ntr个波束成形矢量中不断切换，以用不同的波束成形矢量结合每一个导频序列；
步骤3.3，基站使用全向波束g0来接收的额外的结合信号表示为
Figure BDA0003049098350000031
步骤3.4，不同波束成形向量的速率可表示为：
Figure BDA0003049098350000032
其中训练时间2Tp代表用于上行链路训练全向接收方向图g0和预测波束
Figure BDA0003049098350000033
花费的时间，分别都需要一个波束训练导频序列时间Tp；
步骤3.5，结合的信号
Figure BDA0003049098350000034
将从所有基站终端反馈到云/中央处理器，云/中央处理器根据不同波束成形向量的速率为每个基站选择最佳下行链路波束成形矢量和基带波束形成器；
步骤3.6，对密集神经网络与深度学习集成的算法模型进行在线培训，以学习在所有基站处共同捕获的OFDM全向接收信号
Figure BDA0003049098350000035
与不同波束成形向量的速率之间的隐式映射，即以所有基站的全向接收序列
Figure BDA0003049098350000036
作为密集神经网络与深度学习集成的算法模型的输入，每个RF波束成形矢量的可达速率为模型的输出。
有益效果：本发明与现有技术相比，其有益效果是：
(1)克服现有技术所要消耗的大量开销问题，以最小开销达到基站的最优可达速率。
(2)从全向接收的上行链路导频和波束训练结果中学习映射，来预测基站的最优波束成形矢量。发明出的解决方案能够以宽覆盖范围和低延迟的协调波束成形增益，使其成为高移动性毫米波应用的解决方案。
附图说明
图1为本发明所述机器学习在线学习及预测阶段图；
图2为DenseBlock结构中密集连接的过程图；
图3为本发明中密集神经网络与深度学习集成的算法模型框图；
图4为本发明中的算法模型与现有几种模型基于样本大小的可达速率对比图。
图5为本发明中的算法模型与现有几种模型基于上行链路导频信号发射功率的可达速率对比图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明可以用许多不同的形式实现，而不应当认为限于这里所述的实施例。相反，提供这些实施例以便使本公开透彻且完整，并且将向本领域技术人员充分表达本发明的范围。
如图1所示，为本发明提出的基于集成深度学习的协作波束成形方法，采用密集神经网络与深度学习集成相结合的算法，具体包括以下步骤：
步骤1，用户给每一个基站发送
Figure BDA0003049098350000041
个相同的导频序列，其中用
Figure BDA0003049098350000042
表示码书，Ntr表示码书中码本个数。该导频序列以
Figure BDA0003049098350000043
的形式发送，其中K为子载波限度，如果设置K＝64，则表示导频序列在k＝1,…,64上发送。每一个基站在Ntr个波束成形矢量码本中不断切换以用不同的波束成形矢量结合每一个导频序列信号，除此之外每一个基站都会使用全向或准全向波束g0，来接收一个额外的上行链路导频序列。具体过程为；
步骤1.1，在每个子载波k＝1,2，…K处发送的信号
Figure BDA0003049098350000044
首先在中央/云处理单元进行预编码。
步骤1.2，将来自第n个基站在第k个子载波处的离散时间传输的复基带信号写为
Figure BDA0003049098350000045
其中
Figure BDA0003049098350000046
为基站采用的时域模拟波束成形向量，
Figure BDA0003049098350000047
是云/中央处理单元的数字预编码器。
步骤1.3，将用户和第n个基站之间的延迟为d的信道表示为
Figure BDA0003049098350000048
其中，L表示几何宽带毫米波信道模型具有L个簇，
Figure BDA0003049098350000049
表示第n个基站到达角的方位角及俯仰角的响应向量数组，τl表示信号时延，p(τl)表示τl秒处用于TS间隔的信号估计的脉冲整形函数。
将在子载波k处的频域信道矢量hk,n表示为
Figure BDA00030490983500000410
基站通过步骤1.2，1.3等的数据生成该环境模型下的数据集，以用于本发明中学习模型的输入和输出；
步骤1.4，基站使用全向波束g0来接收的结合信号表示为
Figure BDA00030490983500000411
Figure BDA0003049098350000051
步骤2，对密集神经网络与深度学习集成的算法建模，本发明的密集神经网络与深度学习集成的算法模型包括6层的密集神经网络结构与全连接层。如图2和图3所示，具体的本发明的密集神经网络与深度学习集成的算法模型包括如下步骤：
步骤2.1，用归一化和随机失活对数据进行预处理；
步骤2.2，设计6层密集神经网络流程结构，第一层为Block层，包含线性、批归一化、线性整流单元以及随机失活的序列化部分，作为简单的数据预处理部分；
步骤2.3，集成密集块层(DenseBlock)，定义k＝5的密集块结构进行前后层的不断组合，之后继续进行序列化过程。重复三次Block层与密集块层的连接以构成模型的一部分；
步骤2.4，最后连接三个全连接层，每层有512个节点。全连接层使用线性整流器激活单元，每个层后面都有一个随机失活层。随机失活率为0.5％。为了训练模型，我们使用最大大小为NDL＝24万个样本且批大小为100的数据集。
步骤3，在线学习阶段。计算所有基站处共同捕获的OFDM全向接收信号
Figure BDA0003049098350000052
以及不同波束成形向量的速率
Figure BDA0003049098350000053
对密集神经网络与深度学习集成的算法模型进行在线培训，以学习在所有基站处共同捕获的OFDM全向接收信号
Figure BDA0003049098350000054
与不同RF波束成形向量的速率
Figure BDA0003049098350000055
之间的隐式关系，所述所有基站处共同捕获的OFDM全向接收信号
Figure BDA0003049098350000056
代表了用户位置和环境的特征，
具体的，步骤3包括，
步骤3.1，每个基站收到Ntr+1个波束，Ntr个是用户发送的导频序列；
步骤3.2，每一个基站在码书所具有的Ntr个波束成形矢量中不断切换，以用不同的波束成形矢量结合每一个导频序列；
步骤3.3，基站使用全向波束g0来接收的额外的结合信号表示为
Figure BDA0003049098350000057
Figure BDA0003049098350000058
步骤3.4，不同波束成形向量的速率可表示为：
Figure BDA0003049098350000059
其中训练时间2Tp代表用于上行链路训练全向接收方向图g0和预测波束
Figure BDA0003049098350000061
花费的时间，分别都需要一个波束训练导频序列时间Tp；
步骤3.5，结合的信号
Figure BDA0003049098350000062
将从所有基站终端反馈到云/中央处理器，云/中央处理器根据不同波束成形向量的速率为每个基站选择最佳下行链路波束成形矢量和基带波束形成器；
步骤3.6，对密集神经网络与深度学习集成的算法模型进行在线培训，以学习在所有基站处共同捕获的OFDM全向接收信号
Figure BDA0003049098350000063
(代表用户位置/环境的定义特征)与不同波束成形向量的速率之间的隐式映射，即以所有基站的全向接收序列
Figure BDA0003049098350000064
作为密集神经网络与深度学习集成的算法模型的输入，每个RF波束成形矢量的可达速率为模型的输出。
步骤4，预测阶段。系统依赖于训练好的密集神经网络与深度学习集成的算法模型来仅基于在基站端捕获的全向接收信号
Figure BDA0003049098350000065
来预测最佳基站可达速率，云/中央处理器根据最佳可达速率计算对应的波束成形矢量
Figure BDA0003049098350000066
基站终端估计有效信道
Figure BDA0003049098350000067
在估计出的有效信道上发射下行链路信号给用户端；
参照图4和图5的示意，为本发明中的算法模型与现有几种模型基于样本大小及上行链路信号发射功率的可达速率对比图。
应说明的是，以上所述实施例仅表达了本发明的部分实施方式，其描述并不能理解为对本发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干改进，这些均应落入本发明的保护范围。

Claims (4)

1.基于集成深度学习的协作波束成形方法，其特征在于，具体包括以下步骤：
步骤1，用户给每一个基站发送
Figure FDA0003049098340000011
个相同的导频序列，其中用
Figure FDA0003049098340000012
表示码书，Ntr表示码书中码本个数；该导频序列以
Figure FDA0003049098340000013
的形式发送，其中K为子载波限度，每一个基站在Ntr个波束成形矢量码本中不断切换以用不同的波束成形矢量结合每一个导频序列信号，除此之外每一个基站都会使用全向或准全向波束g0，来接收一个额外的上行链路导频序列；
步骤2，对密集神经网络与深度学习集成的算法建模，形成密集神经网络与深度学习集成的算法模型；
步骤3，在线学习阶段；计算所有基站处共同捕获的OFDM全向接收信号
Figure FDA0003049098340000014
以及不同波束成形向量的可达速率
Figure FDA0003049098340000015
对密集神经网络与深度学习集成的算法模型进行在线培训，以学习在所有基站处共同捕获的OFDM全向接收信号
Figure FDA0003049098340000016
与不同RF波束成形向量的可达速率
Figure FDA0003049098340000017
之间的隐式关系；
步骤4，预测阶段；系统依赖于训练好的密集神经网络与深度学习集成的算法模型来仅基于在基站端捕获的全向接收信号
Figure FDA0003049098340000018
来预测最佳基站可达速率
Figure FDA0003049098340000019
云/中央处理器根据最佳可达速率
Figure FDA00030490983400000110
计算对应的波束成形矢量
Figure FDA00030490983400000111
2.根据权利要求1所述基于集成深度学习的协作波束成形方法，其特征在于，步骤1中具体包括如下过程:
步骤1.1，在每个子载波k＝1，2，…K处发送的信号
Figure FDA00030490983400000112
首先在中央/云处理单元进行预编码；
步骤1.2，将来自第n个基站在第k个子载波处的离散时间传输的复基带信号写为
Figure FDA00030490983400000113
其中
Figure FDA00030490983400000114
为基站采用的时域模拟波束成形向量，
Figure FDA00030490983400000115
是云/中央处理单元的数字预编码器；
步骤1.3，将用户和第n个基站之间的延迟为d的信道表示为
Figure FDA00030490983400000116
其中，L表示几何宽带毫米波信道模型具有L个簇，
Figure FDA00030490983400000117
表示第n个基站到达角的方位角及俯仰角的响应向量数组，τl表示信号时延，p(τl)表示τl秒处用于TS间隔的信号估计的脉冲整形函数；
将在子载波k处的频域信道矢量hk,n表示为
Figure FDA0003049098340000021
基站通过步骤1.2，1.3等的数据生成该环境模型下的数据集，以用于本发明中学习模型的输入和输出；
步骤1.4，基站使用全向波束g0来接收的结合信号表示为
Figure FDA0003049098340000022
Figure FDA0003049098340000023
3.根据权利要求1所述基于集成深度学习的协作波束成形方法，其特征在于，密集神经网络与深度学习集成的算法模型中包括如下步骤：
步骤2.1，用归一化和随机失活对数据进行预处理；
步骤2.2，设计6层密集神经网络流程结构，第一层为Block层，包含线性、批归一化、线性整流单元以及随机失活的序列化部分，作为简单的数据预处理部分；
步骤2.3，集成密集块层，的密集块结构进行前后层的不断组合，之后继续进行序列化过程；重复三次Block层与密集块层的连接以构成模型的一部分；
步骤2.4，最后连接三个全连接层，全连接层使用线性整流器激活单元，每个层后面都有一个随机失活层。
4.根据权利要求1所述基于集成深度学习的协作波束成形方法，其特征在于，步骤3中具体包括如下步骤，
步骤3.1，每个基站收到Ntr+1个波束，Ntr个是用户发送的导频序列；
步骤3.2，每一个基站在码书所具有的Ntr个波束成形矢量中不断切换，以用不同的波束成形矢量结合每一个导频序列；
步骤3.3，基站使用全向波束g0来接收的额外的结合信号表示为
Figure FDA0003049098340000024
Figure FDA0003049098340000025
步骤3.4，将不同波束成形向量的速率表示为：
Figure FDA0003049098340000026
其中训练时间2Tp代表用于上行链路训练全向接收方向图g0和预测波束
Figure FDA0003049098340000027
花费的时间，分别都需要一个波束训练导频序列时间Tp；
步骤3.5，结合的信号
Figure FDA0003049098340000028
将从所有基站终端反馈到云/中央处理器，云/中央处理器根据不同波束成形向量的速率为每个基站选择最佳下行链路波束成形矢量和基带波束形成器；
步骤3.6，对密集神经网络与深度学习集成的算法模型进行在线培训，以学习在所有基站处共同捕获的OFDM全向接收信号
Figure FDA0003049098340000031
与不同波束成形向量的可达速率
Figure FDA0003049098340000032
之间的隐式映射，即以所有基站的全向接收序列
Figure FDA0003049098340000033
作为密集神经网络与深度学习集成的算法模型的输入，每个RF波束成形矢量的可达速率为模型的输出。
CN202110480652.XA 2021-04-30 2021-04-30 基于集成深度学习的协作波束成形方法 Pending CN113242071A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110480652.XA CN113242071A (zh) 2021-04-30 2021-04-30 基于集成深度学习的协作波束成形方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110480652.XA CN113242071A (zh) 2021-04-30 2021-04-30 基于集成深度学习的协作波束成形方法

Publications (1)

Publication Number Publication Date
CN113242071A true CN113242071A (zh) 2021-08-10

Family

ID=77131711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110480652.XA Pending CN113242071A (zh) 2021-04-30 2021-04-30 基于集成深度学习的协作波束成形方法

Country Status (1)

Country Link
CN (1) CN113242071A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113644946A (zh) * 2021-08-11 2021-11-12 北京邮电大学 一种面向用户为中心网络的深度学习动态波束赋形方法
CN113890580A (zh) * 2021-09-17 2022-01-04 浙江大学 面向非对称毫米波大规模mimo的多用户上下行波束对准方法
WO2024020993A1 (en) * 2022-07-29 2024-02-01 Qualcomm Incorporated Machine learning based mmw beam measurement

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110971279A (zh) * 2019-12-30 2020-04-07 东南大学 一种毫米波通信系统中智能波束训练方法及预编码系统
CN112073106A (zh) * 2020-08-14 2020-12-11 清华大学 毫米波波束预测方法及装置、电子设备、可读存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110971279A (zh) * 2019-12-30 2020-04-07 东南大学 一种毫米波通信系统中智能波束训练方法及预编码系统
CN112073106A (zh) * 2020-08-14 2020-12-11 清华大学 毫米波波束预测方法及装置、电子设备、可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
AHMED ALKHATEEB: "Deep Learning Coordinated Beamforming for Highly-Mobile Millimeter Wave Systems", 《IEEE ACCESS》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113644946A (zh) * 2021-08-11 2021-11-12 北京邮电大学 一种面向用户为中心网络的深度学习动态波束赋形方法
CN113644946B (zh) * 2021-08-11 2023-12-01 北京邮电大学 一种面向用户为中心网络的深度学习动态波束赋形方法
CN113890580A (zh) * 2021-09-17 2022-01-04 浙江大学 面向非对称毫米波大规模mimo的多用户上下行波束对准方法
CN113890580B (zh) * 2021-09-17 2022-08-12 浙江大学 面向非对称毫米波大规模mimo的多用户上下行波束对准方法
US11742910B2 (en) 2021-09-17 2023-08-29 Zhejiang University Multi-user uplink and downlink beam alignment method for asymmetric millimeter wave large-scale MIMO
WO2024020993A1 (en) * 2022-07-29 2024-02-01 Qualcomm Incorporated Machine learning based mmw beam measurement

Similar Documents

Publication Publication Date Title
Xia et al. A deep learning framework for optimization of MISO downlink beamforming
Wu et al. Intelligent reflecting surface-aided wireless energy and information transmission: An overview
Alkhateeb et al. Deep learning coordinated beamforming for highly-mobile millimeter wave systems
González-Prelcic et al. Radar aided beam alignment in mmWave V2I communications supporting antenna diversity
CN108476056B (zh) 无线通信方法和无线通信设备
CN113242071A (zh) 基于集成深度学习的协作波束成形方法
CN108604916B (zh) 多天线传输方法、基站和用户终端
US11742910B2 (en) Multi-user uplink and downlink beam alignment method for asymmetric millimeter wave large-scale MIMO
KR102154481B1 (ko) 딥러닝을 이용한 대규모 mimo 시스템의 빔포밍 장치 및 방법
KR20180109944A (ko) 무선 통신 방법 및 무선 통신 디바이스
Wang et al. Coordinated beamforming for UAV-aided millimeter-wave communications using GPML-based channel estimation
JP2009153139A (ja) Ｍｉｍｏ下りリンクにおけるプリコーディング処理方法、装置及び基地局
Dong et al. Improved joint antenna selection and user scheduling for massive MIMO systems
Cheng et al. Sum-rate maximization for movable antenna enabled multiuser communications
Palhares et al. Iterative AP selection, MMSE precoding and power allocation in cell‐free massive MIMO systems
Li et al. Integrated sensing and over-the-air computation: Dual-functional MIMO beamforming design
CN113922854B (zh) 一种具有边缘计算辅助的集成雷达感知和无线通信方法
Zhang et al. Location‐aided channel tracking and downlink transmission for HST massive MIMO systems
CN107659348B (zh) 一种基于slnr和thp混合自适应预编码设计方法
Moon et al. Coordinated Millimeter Wave Beam Selection Using Fingerprint for Cellular-Connected Unmanned Aerial Vehicle.
CN102223168B (zh) 基于阵列天线和mimo联合传输波束成形方法
EP4191893A1 (en) Data transmission method and device, wireless communication system, and storage medium
CN101783699A (zh) 多用户mimo系统中下行链路的信号发射方法和装置
CN108449798A (zh) 用户终端、基站及其用户终端的调度方法和装置
CN110445519B (zh) 基于信干噪比约束的抗组间干扰方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210810

RJ01 Rejection of invention patent application after publication