CN113242072B - 一种基于卷积神经网络的混合波束形成方法 - Google Patents

一种基于卷积神经网络的混合波束形成方法 Download PDF

Info

Publication number
CN113242072B
CN113242072B CN202110503100.6A CN202110503100A CN113242072B CN 113242072 B CN113242072 B CN 113242072B CN 202110503100 A CN202110503100 A CN 202110503100A CN 113242072 B CN113242072 B CN 113242072B
Authority
CN
China
Prior art keywords
matrix
beam forming
analog
forming matrix
training
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
CN202110503100.6A
Other languages
English (en)
Other versions
CN113242072A (zh
Inventor
杨绿溪
张天怡
徐佩钦
周鑫
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 CN202110503100.6A priority Critical patent/CN113242072B/zh
Publication of CN113242072A publication Critical patent/CN113242072A/zh
Application granted granted Critical
Publication of CN113242072B publication Critical patent/CN113242072B/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
    • H04B7/06—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
    • 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
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (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)
  • Spectroscopy & Molecular Physics (AREA)
  • Electromagnetism (AREA)
  • Variable-Direction Aerials And Aerial Arrays (AREA)

Abstract

本发明公开了一种基于卷积神经网络的混合波束形成方法，包括以下步骤，仿真产生信道状态信息，求解每条信道状态信息下对应的最佳的模拟波束合成矩阵，数字波束合成矩阵、模拟波束形成矩阵和数字波束形成矩阵，以此生成数据集；搭建模拟波束合成矩阵估计网络模型，初始化模拟波束合成矩阵估计网络的参数；针对模拟波束合成矩阵估计任务对网络进行训练，并保存训练后的模拟波束合成矩阵估计网络模型；将信道矩阵输入模拟波束合成矩阵估计网络中，输出模拟波束合成矩阵，得到数字波束合成矩阵、模拟波束形成矩阵和数字波束形成矩阵。本发明直接利用信道状态信息通过卷积神经网络输出最佳的模拟波束合成矩阵，降低了波束形成的复杂度。

Description

一种基于卷积神经网络的混合波束形成方法
技术领域
本发明属于混合波束形成技术领域，尤其涉及一种基于卷积神经网络的混合波束形成方法。
背景技术
为了弥补毫米波信号传播的路径损耗，在毫米波通信中可以利用大规模天线阵列波束形成技术来获得阵列增益和波束赋形增益，以此改善信号的传输质量，增大小区覆盖范围。传统的Sub-6G系统中采用的全数字波束形成技术需要为每根天线配备单独的射频链，这在毫米波大规模天线阵列系统中耗费的成本太高，硬件实现的难度很大。因此混合波束形成技术应运而生，混合波束形成将波束形成分为数字域和模拟域。在模拟波束形成部分，单个射频链通过移相器连接多根天线，从而大大减少了射频链的数量。并且通过精心的设计，混合波束形成可以逼近全数字波束形成的性能，因此混合波束形成技术可以实现波束形成成本和性能之间的平衡，从而得到了广泛的研究。
传统的混合波束形成设计问题通常以最大化系统频谱效率为目标，建立求解优化问题。例如在现有的算法中，一种方法是利用毫米波信道的稀疏性，将混合波束形成优化问题建立为稀疏重构问题，基于正交匹配追踪进行混合波束形成设计。然而传统的混合波束形成算法往往需要大量的迭代运算，计算复杂度很高。
发明内容
本发明目的在于提供一种基于卷积神经网络的混合波束形成方法,以解决传统的混合波束形成算法往往需要大量的迭代运算，计算复杂度很高的技术问题。
为解决上述技术问题，本发明的具体技术方案如下：
一种基于卷积神经网络的混合波束形成方法，包括以下步骤：
步骤1、设置仿真参数，仿真产生信道状态信息；以最大化系统频谱效率为目标，将发射端和接收端解耦，求解每条信道状态信息下对应的模拟波束合成矩阵WRF，数字波束合成矩阵WBB、模拟波束形成矩阵FRF和数字波束形成矩阵FBB，以此生成数据集；
步骤2、搭建模拟波束合成矩阵估计网络模型，初始化模拟波束合成矩阵估计网络的参数；
步骤3、针对模拟波束合成矩阵估计任务对网络进行训练，以二元交叉熵损失函数作为监督，采用随机梯度下降法进行训练，当损失函数下降收敛后结束训练并保存训练后的模拟波束合成矩阵估计网络模型；
步骤4、利用训练好的模拟波束合成矩阵估计网络，基于信道状态信息预测模拟波束合成矩阵WRF，接着根据步骤1得到数字波束合成矩阵WBB、模拟波束形成矩阵FRF和数字波束形成矩阵FBB。
进一步的，所述步骤1还包括以下步骤：
步骤1.1、设置具体的仿真参数，发射天线数为Nt，接收天线数为Nr，散射径成簇的个数为Ncl，每个簇内路径的数目为Nray，仿真产生信道状态信息；
步骤1.2、对信道矩阵H进行奇异值分解得到最佳的全数字波束形成矩阵Fopt；
步骤1.3、发射端采用波束形成矩阵Fopt，得到系统频谱效率为：
Figure BDA0003057183520000031
其中，INs代表维度为Ns×Ns的单位矩阵，Ns为数据流数，P为平均接收功率，Rn为接收噪声的协方差矩阵，
Figure BDA0003057183520000032
为Rn的逆矩阵，
Figure BDA0003057183520000033
和HH分别为WBB、WRF、Fopt和H的共轭转置矩阵；
步骤1.4、所有模拟波束合成矩阵的每一列都是从Ar中选取得来，Ar为包含所有接收天线阵列响应向量的矩阵，从而计算模拟波束合成矩阵WRF候选集合
Figure BDA0003057183520000034
的大小
Figure BDA0003057183520000035
Ncl为散射径成簇的个数，Nray为每个簇内路径的数目，NRF为射频链个数，Qw表示从NclNray个元素中取出NRF个元素的组合总数，最后得到候选集合
Figure BDA0003057183520000036
步骤1.5、对候选集合
Figure BDA0003057183520000037
中每一个模拟波束合成矩阵
Figure BDA0003057183520000038
通过最小化发送数据流和接收信号的均方误差求解对应的数字波束合成矩阵：
Figure BDA0003057183520000039
其中，Pr为接收信号功率，
Figure BDA00030571835200000310
Figure BDA00030571835200000311
代表维度为Nr×Nr的单位矩阵，Nr为接收天线个数，
Figure BDA00030571835200000312
为噪声功率；最小均方误差
Figure BDA00030571835200000313
Pt为发送数据流功率，
Figure BDA00030571835200000314
Figure BDA00030571835200000315
代表维度为Ns×Ns的单位矩阵，Ns为数据流数；
根据步骤1.3计算此时的系统频谱效率为：
Figure BDA00030571835200000316
步骤1.6、找到使得系统频谱效率最大的模拟波束合成矩阵和数字波束合成矩阵的
Figure BDA0003057183520000041
和
Figure BDA0003057183520000042
则有
Figure BDA0003057183520000043
步骤1.7、计算等效的接收信道矩阵
Figure BDA0003057183520000044
Figure BDA0003057183520000045
为WRF的共轭转置矩阵，接着得到模拟波束形成矩阵
Figure BDA0003057183520000046
angle()表示对括号内矩阵的每一个元素计算相位。最后计算等效信道矩阵
Figure BDA0003057183520000047
对Hequ进行奇异值分解得到数字波束形成矩阵FBB。
进一步的，所述步骤2还包括以下步骤：
步骤2.1、构建模拟波束合成矩阵估计网络，包括一个输入层、两个卷积层、一个池化层、两个全连接层和一个输出层；
所述卷积层含有32个卷积核，每个卷积核的大小为3×3；
所述两个卷积层各包含一个整流线性单元激活层；
所述池化层采用最大池化；
所述两个全连接层各包含一个整流线性单元激活层；
所述输出层的激活函数为Sigmoid函数；
步骤2.2、对模拟波束合成矩阵估计网络参数进行初始化。
进一步的，所述步骤3还包括以下步骤：
步骤3.1、为了提升算法对于非完全信道状态信息的处理能力，在生成训练数据集时，每利用一条完整的信道状态信息得到一个信道矩阵H，就随之生成4个叠加噪声的信道矩阵Hnoise＝H+n，n为加性高斯白噪声，
Figure BDA0003057183520000048
Figure BDA0003057183520000049
代表均值为0，方差为
Figure BDA00030571835200000410
的高斯分布。而这5条训练数据的标签均由H通过步骤1给出；
步骤3.2、由于模拟波束合成矩阵WRF的每一列都是从Ar中选取得来，即求解WRF等价于如何从Ar中选取NRF列，因此将模拟波束合成矩阵估计问题构造为一个多标签分类问题，其中每一个样本的标签数为NRF，类别的个数为Ar的列数：|Ar|；每一条训练样本的特征为信道矩阵，根据步骤1求解该信道矩阵下的模拟波束合成矩阵WRF，并构造为|Ar|×1维的标签，对照模拟波束合成矩阵的列在Ar的位置，标签在这些位置上的值为1，其他位置为0；
步骤3.3、利用二元交叉熵函数作为该多标签分类问题的损失函数：
Figure BDA0003057183520000051
其中，yk为标签中的每一项，σ(lk)为输出层对应的神经元通过Sigmoid激活函数后的输出；
步骤3.4、采用随机梯度下降法对模拟波束合成矩阵估计网络进行训练，训练损失为L，当损失函数下降收敛后，保存模拟波束合成矩阵估计网络模型，结束训练。
本发明的一种基于卷积神经网络的混合波束形成方法具有以下优点：
本发明将混合波束形成设计中的迭代求解部分用卷积神经网络替代，利用卷积神经网络强大的数据拟合和特征提取能力，从已有的波束形成求解结果中提取和学习有用的信息，可以直接利用信道状态信息通过卷积神经网络输出最佳的模拟波束合成矩阵，从而降低了波束形成的复杂度。
附图说明
图1为本发明的基于卷积神经网络的混合波束形成方法的整体流程示意图；
图2为本发明的混合波束合成矩阵估计网络的结构示意图；
具体实施方式
为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种基于卷积神经网络的混合波束形成方法做进一步详细的描述。
如图1所示，为本发明提出的一种基于卷积神经网络的混合波束形成方法的整体流程示意图，该方法具体包括以下步骤:
步骤1、设置仿真参数，仿真产生信道状态信息。以最大化系统频谱效率为目标，将发射端和接收端解耦，求解每条信道状态信息下对应的最佳的模拟波束合成矩阵WRF，数字波束合成矩阵WBB、模拟波束形成矩阵FRF和数字波束形成矩阵FBB，以此生成数据集；
具体的，步骤1还包括，
步骤1.1、设置具体的仿真参数，发射天线数为Nt，接收天线数为Nr，散射径成簇的个数为Ncl，每个簇内路径的数目为Nray，仿真产生信道状态信息；
步骤1.2、对信道矩阵H进行奇异值分解得到最佳的全数字波束形成矩阵Fopt；
步骤1.3、发射端采用波束形成矩阵Fopt，得到系统频谱效率为：
Figure BDA0003057183520000061
其中，
Figure BDA0003057183520000062
代表维度为Ns×Ns的单位矩阵，Ns为数据流数，P为平均接收功率，Rn为接收噪声的协方差矩阵，
Figure BDA0003057183520000063
为Rn的逆矩阵，
Figure BDA0003057183520000064
和HH分别为WBB、WRF、Fopt和H的共轭转置矩阵；
步骤1.4、所有模拟波束合成矩阵的每一列都是从Ar中选取得来，Ar为包含所有接收天线阵列响应向量的矩阵，从而计算模拟波束合成矩阵WRF候选集合
Figure BDA0003057183520000065
的大小
Figure BDA0003057183520000066
Ncl为散射径成簇的个数，Nray为每个簇内路径的数目，NRF为射频链个数，Qw表示从NclNray个元素中取出NRF个元素的组合总数，最后得到候选集合
Figure BDA0003057183520000071
步骤1.5、对候选集合
Figure BDA0003057183520000072
中每一个模拟波束合成矩阵
Figure BDA0003057183520000073
通过最小化发送数据流和接收信号的均方误差求解对应的数字波束合成矩阵：
Figure BDA0003057183520000074
其中，Pr为接收信号功率，
Figure BDA0003057183520000075
Figure BDA0003057183520000076
代表维度为Nr×Nr的单位矩阵，Nr为接收天线个数，
Figure BDA0003057183520000077
为噪声功率；最小均方误差
Figure BDA0003057183520000078
Pt为发送数据流功率，
Figure BDA0003057183520000079
Figure BDA00030571835200000710
代表维度为Ns×Ns的单位矩阵，Ns为数据流数；
根据步骤1.3计算此时的系统频谱效率为：
Figure BDA00030571835200000711
步骤1.6、找到使得系统频谱效率最大的模拟波束合成矩阵和数字波束合成矩阵的
Figure BDA00030571835200000712
和
Figure BDA00030571835200000713
则有
Figure BDA00030571835200000714
步骤1.7、计算等效的接收信道矩阵
Figure BDA00030571835200000715
Figure BDA00030571835200000716
为WRF的共轭转置矩阵，接着得到模拟波束形成矩阵
Figure BDA00030571835200000717
angle()表示对括号内矩阵的每一个元素计算相位。最后计算等效信道矩阵
Figure BDA00030571835200000718
对Hequ进行奇异值分解得到数字波束形成矩阵FBB。
步骤2、搭建模拟波束合成矩阵估计网络模型，初始化模拟波束合成矩阵估计网络的参数；
具体的，步骤2还包括：
步骤2.1、构建模拟波束合成矩阵估计网络，其包括一个输入层、两个卷积层、一个池化层、两个全连接层和一个输出层。卷积层含有32个卷积核，每个卷积核的大小为3×3，且这两个卷积层各包含一个整流线性单元激活层，池化层采用最大池化，两个全连接层也各包含一个整流线性单元激活层，输出层的激活函数为Sigmoid函数；
步骤2.2、对模拟波束合成矩阵估计网络参数进行初始化。
进一步的，参照图2的示意，为本实施例中模拟波束合成矩阵估计网络的结构示意图，信道矩阵输入模拟波束合成矩阵估计网络后，依次通过两个卷积层、整流线性单元激活层、池化层、两个全连接层、整流线性单元激活层、输出层和Sigmoid激活层，最终得到模拟波束合成矩阵估计结果。
步骤3、针对模拟波束合成矩阵估计任务对网络进行训练，以二元交叉熵损失函数作为监督，采用随机梯度下降法进行训练，当损失函数下降收敛后结束训练并保存训练后的模拟波束合成矩阵估计网络模型；
具体的，步骤3还包括：
步骤3.1、为了提升算法对于非完全信道状态信息的处理能力，在生成训练数据集时，每利用一条完整的信道状态信息得到一个信道矩阵H，就随之生成4个叠加噪声的信道矩阵Hnoise＝H+n，n为加性高斯白噪声，
Figure BDA0003057183520000081
Figure BDA0003057183520000082
代表均值为0，方差为
Figure BDA0003057183520000083
的高斯分布。而这5条训练数据的标签均由H通过步骤1给出；
步骤3.2、由于模拟波束合成矩阵WRF的每一列都是从Ar中选取得来，即求解WRF等价于如何从Ar中选取NRF列，因此将模拟波束合成矩阵估计问题构造为一个多标签分类问题，其中每一个样本的标签数为NRF，类别的个数为Ar的列数：|Ar|；每一条训练样本的特征为信道矩阵，根据步骤1求解该信道矩阵下的模拟波束合成矩阵WRF，并构造为|Ar|×1维的标签，对照模拟波束合成矩阵的列在Ar的位置，标签在这些位置上的值为1，其他位置为0；
步骤3.3、利用二元交叉熵函数作为该多标签分类问题的损失函数：
Figure BDA0003057183520000091
其中，yk为标签中的每一项，σ(lk)为输出层对应的神经元通过Sigmoid激活函数后的输出；
步骤3.4、采用随机梯度下降法对模拟波束合成矩阵估计网络进行训练，训练损失为L，当损失函数下降收敛后，保存模拟波束合成矩阵估计网络模型，结束训练。
步骤4、利用训练好的模拟波束合成矩阵估计网络，基于信道状态信息预测模拟波束合成矩阵WRF，接着根据步骤1得到数字波束合成矩阵WBB、模拟波束形成矩阵FRF和数字波束形成矩阵FBB。
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。

Claims (3)

1.一种基于卷积神经网络的混合波束形成方法，其特征在于，包括以下步骤：
步骤1、设置仿真参数，仿真产生信道状态信息；以最大化系统频谱效率为目标，将发射端和接收端解耦，求解每条信道状态信息下对应的模拟波束合成矩阵WRF，数字波束合成矩阵WBB、模拟波束形成矩阵FRF和数字波束形成矩阵FBB，以此生成数据集；
步骤2、搭建模拟波束合成矩阵估计网络模型，初始化模拟波束合成矩阵估计网络的参数；
步骤3、针对模拟波束合成矩阵估计任务对网络进行训练，以二元交叉熵损失函数作为监督，采用随机梯度下降法进行训练，当损失函数下降收敛后结束训练并保存训练后的模拟波束合成矩阵估计网络模型；
步骤4、利用训练好的模拟波束合成矩阵估计网络，基于信道状态信息预测模拟波束合成矩阵WRF，接着根据步骤1得到数字波束合成矩阵WBB、模拟波束形成矩阵FRF和数字波束形成矩阵FBB；
所述步骤1还包括以下步骤：
步骤1.1、设置具体的仿真参数，发射天线数为Nt，接收天线数为Nr，散射径成簇的个数为Ncl，每个簇内路径的数目为Nray，仿真产生信道状态信息；
步骤1.2、对信道矩阵H进行奇异值分解得到最佳的全数字波束形成矩阵Fopt；
步骤1.3、发射端采用波束形成矩阵Fopt，得到系统频谱效率为：
Figure FDA0003648854480000021
其中，
Figure FDA0003648854480000022
代表维度为Ns×Ns的单位矩阵，Ns为数据流数，P为平均接收功率，Rn为接收噪声的协方差矩阵，
Figure FDA0003648854480000023
为Rn的逆矩阵，
Figure FDA0003648854480000024
和HH分别为WBB、WRF、Fopt和H的共轭转置矩阵；
步骤1.4、所有模拟波束合成矩阵的每一列都是从Ar中选取得来，Ar为包含所有接收天线阵列响应向量的矩阵，从而计算模拟波束合成矩阵WRF候选集合
Figure FDA0003648854480000025
的大小
Figure FDA0003648854480000026
Ncl为散射径成簇的个数，Nray为每个簇内路径的数目，NRF为射频链个数，Qw表示从NclNray个元素中取出NRF个元素的组合总数，最后得到候选集合
Figure FDA0003648854480000027
步骤1.5、对候选集合
Figure FDA0003648854480000028
中每一个模拟波束合成矩阵
Figure FDA0003648854480000029
通过最小化发送数据流和接收信号的均方误差求解对应的数字波束合成矩阵：
Figure FDA00036488544800000210
其中，Pr为接收信号功率，
Figure FDA00036488544800000211
Figure FDA00036488544800000212
代表维度为Nr×Nr的单位矩阵，Nr为接收天线个数，
Figure FDA00036488544800000213
为噪声功率；最小均方误差
Figure FDA00036488544800000214
Pt为发送数据流功率，
Figure FDA00036488544800000215
Figure FDA00036488544800000216
代表维度为Ns×Ns的单位矩阵，Ns为数据流数；
根据步骤1.3计算此时的系统频谱效率为：
Figure FDA00036488544800000217
步骤1.6、找到使得系统频谱效率最大的模拟波束合成矩阵和数字波束合成矩阵的
Figure FDA0003648854480000031
和
Figure FDA0003648854480000032
则有
Figure FDA0003648854480000033
步骤1.7、计算等效的接收信道矩阵
Figure FDA0003648854480000034
Figure FDA0003648854480000039
为WRF的共轭转置矩阵，接着得到模拟波束形成矩阵
Figure FDA0003648854480000035
angle()表示对括号内矩阵的每一个元素计算相位；最后计算等效信道矩阵
Figure FDA0003648854480000036
对Hequ进行奇异值分解得到数字波束形成矩阵FBB。
2.根据权利要求1所述的基于卷积神经网络的混合波束形成方法，其特征在于，所述步骤2还包括以下步骤：
步骤2.1、构建模拟波束合成矩阵估计网络，包括一个输入层、两个卷积层、一个池化层、两个全连接层和一个输出层；
所述卷积层含有32个卷积核，每个卷积核的大小为3×3；
所述两个卷积层各包含一个整流线性单元激活层；
所述池化层采用最大池化；
所述两个全连接层各包含一个整流线性单元激活层；
所述输出层的激活函数为Sigmoid函数；
步骤2.2、对模拟波束合成矩阵估计网络参数进行初始化。
3.根据权利要求1-2任一项所述的基于卷积神经网络的混合波束形成方法，其特征在于，所述步骤3还包括以下步骤：
步骤3.1、为了提升算法对于非完全信道状态信息的处理能力，在生成训练数据集时，每利用一条完整的信道状态信息得到一个信道矩阵H，就随之生成4个叠加噪声的信道矩阵Hnoise＝H+n，n为加性高斯白噪声，
Figure FDA0003648854480000037
Figure FDA00036488544800000310
代表均值为0，方差为
Figure FDA0003648854480000038
的高斯分布；而这5条训练数据的标签均由H通过步骤1给出；
步骤3.2、由于模拟波束合成矩阵WRF的每一列都是从Ar中选取得来，即求解WRF等价于如何从Ar中选取NRF列，因此将模拟波束合成矩阵估计问题构造为一个多标签分类问题，其中每一个样本的标签数为NRF，类别的个数为Ar的列数：|Ar|；每一条训练样本的特征为信道矩阵，根据步骤1求解该信道矩阵下的模拟波束合成矩阵WRF，并构造为|Ar|×1维的标签，对照模拟波束合成矩阵的列在Ar的位置，标签在这些位置上的值为1，其他位置为0；
步骤3.3、利用二元交叉熵函数作为该多标签分类问题的损失函数：
Figure FDA0003648854480000041
其中，yk为标签中的每一项，σ(lk)为输出层对应的神经元通过Sigmoid激活函数后的输出；
步骤3.4、采用随机梯度下降法对模拟波束合成矩阵估计网络进行训练，训练损失为L，当损失函数下降收敛后，保存模拟波束合成矩阵估计网络模型，结束训练。
CN202110503100.6A 2021-05-10 2021-05-10 一种基于卷积神经网络的混合波束形成方法 Active CN113242072B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110503100.6A CN113242072B (zh) 2021-05-10 2021-05-10 一种基于卷积神经网络的混合波束形成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110503100.6A CN113242072B (zh) 2021-05-10 2021-05-10 一种基于卷积神经网络的混合波束形成方法

Publications (2)

Publication Number Publication Date
CN113242072A CN113242072A (zh) 2021-08-10
CN113242072B true CN113242072B (zh) 2022-07-19

Family

ID=77132988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110503100.6A Active CN113242072B (zh) 2021-05-10 2021-05-10 一种基于卷积神经网络的混合波束形成方法

Country Status (1)

Country Link
CN (1) CN113242072B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107135024B (zh) * 2017-05-12 2020-08-28 西安交通大学 一种低复杂度的混合波束赋形迭代设计方法
CN108736943B (zh) * 2018-05-22 2021-04-06 湘潭大学 一种适用于大规模mimo系统的混合预编码方法
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
CN111181619B (zh) * 2020-01-03 2022-05-13 东南大学 基于深度强化学习的毫米波混合波束成形设计方法

Also Published As

Publication number Publication date
CN113242072A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN110365612B (zh) 一种基于近似消息传递算法的深度学习波束域信道估计方法
CN113300746B (zh) 毫米波mimo天线与混合波束成形优化方法及系统
Ji et al. CLNet: Complex input lightweight neural network designed for massive MIMO CSI feedback
CN108199753B (zh) 一种毫米波通信中基于迭代最小的预编码方法
CN110557177A (zh) 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法
Wei et al. An AMP-based network with deep residual learning for mmWave beamspace channel estimation
CN113411110B (zh) 一种基于深度强化学习的毫米波通信波束训练方法
CN111277312B (zh) 基于深度复数网络的固定子阵空基毫米波波束成形方法
CN110113088B (zh) 一种分离型数模混合天线系统波达角智能化估计方法
CN109714091B (zh) 一种在毫米波mimo系统中基于分层设计的迭代混合预编码方法
CN111555781B (zh) 一种基于深度学习注意力机制的大规模mimo信道状态信息压缩及重建方法
CN114172547B (zh) 基于智能反射面的无线携能通信混合预编码设计方法
CN112468202B (zh) 低复杂度毫米波大规模mimo混合预编码方法
Guo et al. Deep learning for joint channel estimation and feedback in massive MIMO systems
CN112448742A (zh) 一种非均匀量化下基于卷积神经网络的混合预编码方法
CN113965233A (zh) 一种基于深度学习的多用户宽带毫米波通信资源分配方法及系统
CN115102592B (zh) 一种基于联邦学习的多用户mimo波束成形方法
CN111654456B (zh) 基于降维分解的毫米波大规模mimo角域信道估计方法及装置
CN115085774A (zh) 一种基于克拉美罗界的通感融合混合波束赋形方法
Elbir et al. Robust hybrid beamforming with quantized deep neural networks
Murshed et al. A cnn-lstm-based fusion separation deep neural network for 6g ultra-massive mimo hybrid beamforming
CN111010222A (zh) 一种基于深度学习的大规模mimo下行用户调度方法
Thuc et al. A metaheuristics-based hyperparameter optimization approach to beamforming design
CN113242072B (zh) 一种基于卷积神经网络的混合波束形成方法
Pang et al. MGGAN-based hybrid beamforming design for massive MIMO systems against rank-deficient channels

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