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 PDFInfo
- 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
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
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个相同的导频序列,其中用表示码书,Ntr表示码书中码本个数。该导频序列以的形式发送,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全向接收信号以及不同波束成形向量的可达速率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全向接收信号与不同RF波束成形向量的速率之间的隐式关系;
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进一步的,步骤1中具体包括如下过程:
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
将在子载波k处的频域信道矢量hk,n表示为
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;
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3.4,不同波束成形向量的速率可表示为:
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个相同的导频序列,其中用表示码书,Ntr表示码书中码本个数。该导频序列以的形式发送,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1.3,将用户和第n个基站之间的延迟为d的信道表示为
将在子载波k处的频域信道矢量hk,n表示为
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全向接收信号以及不同波束成形向量的速率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全向接收信号与不同RF波束成形向量的速率之间的隐式关系,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3.4,不同波束成形向量的速率可表示为:
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(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基站终端估计有效信道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个相同的导频序列,其中用表示码书,Ntr表示码书中码本个数;该导频序列以的形式发送,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全向接收信号以及不同波束成形向量的可达速率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全向接收信号与不同RF波束成形向量的可达速率之间的隐式关系;
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1.3,将用户和第n个基站之间的延迟为d的信道表示为
将在子载波k处的频域信道矢量hk,n表示为
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;
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3.4,将不同波束成形向量的速率表示为:
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)
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)
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 |
-
2021
- 2021-04-30 CN CN202110480652.XA patent/CN113242071A/zh active Pending
Patent Citations (2)
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)
Title |
---|
AHMED ALKHATEEB: "Deep Learning Coordinated Beamforming for Highly-Mobile Millimeter Wave Systems", 《IEEE ACCESS》 * |
Cited By (6)
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 |