CN113271652A - 基于反向传播算法的中继网络性能优化方法 - Google Patents

基于反向传播算法的中继网络性能优化方法 Download PDF

Info

Publication number
CN113271652A
CN113271652A CN202110392676.XA CN202110392676A CN113271652A CN 113271652 A CN113271652 A CN 113271652A CN 202110392676 A CN202110392676 A CN 202110392676A CN 113271652 A CN113271652 A CN 113271652A
Authority
CN
China
Prior art keywords
relay
node
network
matrix
derivative
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
CN202110392676.XA
Other languages
English (en)
Inventor
蒋轶
王锐
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.)
Fudan University
Original Assignee
Fudan 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 Fudan University filed Critical Fudan University
Priority to CN202110392676.XA priority Critical patent/CN113271652A/zh
Publication of CN113271652A publication Critical patent/CN113271652A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/38—TPC being performed in particular situations
    • H04W52/46—TPC being performed in particular situations in multi hop networks, e.g. wireless relay networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/24—Cell structures
    • H04W16/28—Cell structures using beam steering
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Radio Relay Systems (AREA)

Abstract

本发明属于无线通信技术领域，具体为一种基于反向传播算法的中继网络性能优化方法。本发明根据中继网络的结构，建立中继通信网络和神经网络之间的类比关系，然后借鉴BP算法，利用导数的链式法则求解目标函数关于各个节点的系数矩阵的一阶导数，这里系数矩阵包括源节点和中继节点的波束赋形矩阵，以及终端节点的接收均衡矩阵；通过前向的信号传播和后向的导数传播迭代的优化系数矩阵；本发明只需要终端和中继节点的反向广播，就可以完成中继网络的分布式优化，并天然具有抗干扰能力。仿真表明，本发明可以在功率放大器的非线性约束下，有效提高中继网络终端节点的输出信噪比；对反馈信道噪声具有鲁棒性；误码率性能显著优于最先进的线性方案。

Description

基于反向传播算法的中继网络性能优化方法
技术领域
本发明属于无线通信技术领域，具体涉及分布式中继网络性能优化方法，以提高中继网络通信质量。
背景技术
超密集网络是B5G网络的主要形式，中继通信是其中一种重要手段。中继网络作为广播信道和多址接入信道的级联，既能扩大通信范围，又能增加系统容量。根据中继节点对信号的处理方式的不同，分为三种中继方案：压缩转发(compress-and-forward,CF)方案[1]，解码转发(decode-and-forward,DF)方案[2]和放大转发(amplify-and-forward,AF)方案[3]，其中AF方案最为简单且性能良好，因此最受欢迎。
大部分关于AF方案的研究工作都忽略了功放的非线性约束，只考虑节点的平均发送功率约束，显然考虑功放的瞬时约束更加贴近物理实际，而少部分考虑功放非线性影响的工作往往局限于单天线等结构限制；现有的中继网络研究工作大多假设中继节点已知信道状态信息(channelstateinformation,CSI)，但是这样会引入信道估计的准确性对中继网络通信性能的影响；另外，随着频谱的日益拥挤，干扰变得无处不在，但关于抗干扰中继网络的文献却十分稀缺。因此，如何在考虑功放非线性幅值/功率约束的情况下，无需已知信道信息即可对中继网络的性能进行优化，同时能够达到抗干扰的目的是一个亟待解决的问题。
发明内容
本发明的目的在于提供一种在考虑功放非线性幅值/功率约束的情况下，无需信道信息即可提高中继网络的通信质量的中继网络性能优化方法，以便于进一步扩大中继网络的应用场景。
本发明提供的中继网络性能优化方法，是受神经网络中的反向传播算法(backpropagation,BP)[4]启发。其中，信号源节点产生多流信号序列，经波束赋形矩阵处理后，通过非线性功放发送给单/多个中继节点；各个中继节点也对接收信号进行波束赋形，然后经非线性功放转发给终端；终端节点利用均衡矩阵进行线性接收，最终输出估计信号；本发明根据中继网络的结构，建立中继通信网络和神经网络之间的类比关系，然后借鉴BP算法，利用导数的链式法则求解目标函数关于各个节点的系数矩阵(包括源节点和中继节点的波束赋形矩阵，终端节点的接收均衡矩阵)的一阶导数，通过前向的信号传播和后向的导数传播迭代的优化系数矩阵，以提高终端节点的输出信噪比/信干噪比(SNR/SINR)，整个优化过程均为空口传输，既不需要任何显式的信道状态信息，也不需要中继节点之间的数据交换；为了分布式优化的有效实现，本发明还设计了相应的帧结构；同时，本发明方法天然具有抗干扰能力。具体步骤如下：
第一步，考虑非线性功放的瞬时功率约束，设计中继通信网络结构，建立中继网络和神经网络之间的相似性；
第二步，借鉴BP算法，利用导数的链式法则求解目标函数关于各个节点的系数矩阵的一阶导；在没有任何信道信息的条件下，通过终端节点和中继节点的反向广播，使得所有节点获得各自的导数信息，从而更新自身的系数矩阵，完成网络的优化；
第三步，设计支持前向和后向传输过程的帧结构；
本发明方法天然具有抗干扰能力。
其中，设信号源节点通过N个中继节点向终端节点传递Ns个数据流，
Figure BDA0003017364040000021
(
Figure BDA0003017364040000022
表示Ns维的复矢量集合)，源节点有Ms个发送天线，中继节点的接收天线和发送天线数都是Mr，终端节点有Md个接收天线；假设信号源从天线端口发送信号x，则第n个中继接收到信号为：
Figure BDA0003017364040000023
其中，
Figure BDA0003017364040000024
是源节点和第n个中继节点之间的信道矩阵，
Figure BDA0003017364040000025
表示维度为Mr×Ms的复矩阵集合，
Figure BDA0003017364040000026
是均值为0、协方差矩阵为
Figure BDA0003017364040000027
的复高斯随机噪声。
中继处理后从天线端口发送信号a(n)，终端接收到：
Figure BDA0003017364040000028
其中，
Figure BDA0003017364040000029
是中继节点到终端节点的信道矩阵；
Figure BDA00030173640400000210
Figure BDA00030173640400000211
是所有中继的发送信号的堆叠；
Figure BDA00030173640400000212
是噪声。
第一步中，所述考虑非线性功放的瞬时功率约束，设计中继通信网络结构，建立中继网络和神经网络之间的相似性，具体过程如下：
(1)源节点利用波束赋形矩阵
Figure BDA00030173640400000213
对待传递的数据流信号s进行发送波束赋形，第n(n＝1，...，N)个中继节点利用波束赋形矩阵
Figure BDA00030173640400000214
对接收信号进行放大转发，终端节点利用波束矩阵
Figure BDA00030173640400000215
进行均衡接收，如图1所示。
(2)考虑非线性射频功放的瞬时功率约束，从源节点和中继节点的天线端口发送的信号分别是：
x＝σ(z)＝σ(Us) (3)
和
a(n)＝σ(b(n))＝σ(V(n)Hr(n))，n＝1，2，...，N， (4)
其中，信号z和b(n)分别是源节点和中继节点的波束赋形结果，σ代表对功放瞬时功率约束的模型，比如，软包络约束(soft envelop limiter,SEL)[5]：
Figure BDA0003017364040000031
其中，∠x代表取x的相位；此处可以利用任意形式的功放模型，比如，比SEL更复杂的模型[6]：
Figure BDA0003017364040000032
(3)终端节点输出的估计信号为：
Figure BDA0003017364040000033
(4)基于上述收发机结构，中继网络(图2)和神经网络(图3)之间的相似性如下：
(a)中继网络中的源节点、中继节点和终端节点可类比于神经网络中的不同层，发送天线可类比神经元；
(b)中继网络中的源节点的波束赋形矩阵U，中继的预编码矩阵V(n)，n＝1，...，N，和源-中继信道矩阵Hr的级联，以及终端的接收波束矩阵W和中继-终端信道矩阵Hd的级联，可类比于一个四层神经网络中不同层的神经元之间的连接系数；
(c)中继网络中的射频器件的非线性约束σ可类比于神经网络中的非线性激活函(如ReLU，sigmoid等)；。
第二步中，所述借鉴BP算法，利用导数的链式法则求解目标函数关于各个节点的系数矩阵的一阶导数；在没有任何信道信息的条件下，通过终端节点和中继节点的反向广播，使得所有节点获得各自的导数信息，从而更新自身的系数矩阵，完成网络的优化，具体过程如下：
考虑各个节点的瞬时功率约束，根据最小均方误差准则(MMSE)，网络的代价函数为:
Figure BDA0003017364040000034
其中，|·|≤1表示矢量的各元素均小于等于1；由于第一步中将非线性功放的瞬时功率约束建模为函数σ，因此问题(7)变成了一个无约束的优化问题：
Figure BDA0003017364040000041
将该式的一次实现作为目标函数，即：
Figure BDA0003017364040000042
根据第一步中建立的中继网络和神经网络之间的相似性，可以借鉴神经网络中的BP算法，即利用导数的链式法则对系数
Figure BDA0003017364040000043
W逐项求一阶导：
(1)对于终端节点：
Figure BDA0003017364040000044
其中，上角标(·)*表示共轭操作；y和
Figure BDA0003017364040000045
均为终端节点的本地信息，故终端节点无需任何信道信息即可获得接收矩阵的一阶导。
(2)对于第n个中继节点：
Figure BDA0003017364040000046
其中：
Figure BDA0003017364040000047
Figure BDA0003017364040000048
其中，
Figure BDA0003017364040000049
表示对角元素为
Figure BDA00030173640400000410
的对角阵；
而：
Figure BDA00030173640400000411
在
Figure BDA00030173640400000412
中，r(n)，
Figure BDA00030173640400000413
和
Figure BDA00030173640400000414
都是该中继节点的本地信息，只需要让终端节点向中继层广播信息
Figure BDA00030173640400000415
根据信道的互易性，中继节点接收
Figure BDA00030173640400000416
即获得
Figure BDA00030173640400000417
则可以获得完整的一阶导数信息。因此，无需任何显式的信道信息，也不需要中继节点之间的信息交换，中继节点即可获得目标函数关于其波束赋形矩阵的一阶导数值。另外，为了避免自干扰，中继节点工作于频分双工(frequency division duplex,FDD)模式，即在两个不同的频率上进行收发。
(3)对于信号源节点：
Figure BDA0003017364040000051
其中：
Figure BDA0003017364040000052
Figure BDA0003017364040000053
其中，
Figure BDA0003017364040000054
表示对角元素为
Figure BDA0003017364040000055
的对角阵；
而：
Figure BDA0003017364040000056
与中继节点获取导数信息的过程类似，信号源节点在获取导数信息时，除了本地信息sH、
Figure BDA0003017364040000057
和
Figure BDA0003017364040000058
以外，还需获取
Figure BDA0003017364040000059
只需要让各个中继节点反馈信息
Figure BDA00030173640400000510
源节点接收
Figure BDA00030173640400000511
即可。因此，源节点也无需任何显式的信道信息即可获得目标函数关于本地波束赋形矩阵的导数结果。
(4)中继网络中的各个节点可以根据获取到的导数信息直接进行系数矩阵的更新，但是上述结果均是基于单次采样的结果，如果有一个L长的导频序列，那么可以对L个导数结果进行平均，即：
Figure BDA00030173640400000512
(5)如果有多个导频序列，则利用momentum方法[4]更新导数结果：
Figure BDA00030173640400000513
Figure BDA0003017364040000061
其中，t∈{1，2，…，T}是导频序列的索引，λ∈(0，1)是momentum参数；
(6)中继网络各节点根据导数结果更新系数矩阵：
Figure BDA0003017364040000062
其中，α∈(0，1)是学习率。
第三步中，所述设计支持前向和后向传输过程的帧结构，具体过程如下：
(1)本发明中的中继节点采用FDD模式进行收发以避免自干扰，而相邻层节点之间的数据交换采用TDD模式，进而利用信道的互易性。
(2)本发明通过两个方向的信息传输来优化中继网络，如图4所示，一个是前向的信号传输，包括从源节点到中继节点①和从中继节点到终端节点②的信号传输；另一个是后向的导数传输，包括从终端节点向中继节点③和从中继节点向源节点④的导数传输。
(3)为了支持前向的信号传输和后向的导数传输，本发明设计了包含周期导频和时隙的帧结构，如图5所示；同一种颜色的模块构成系数矩阵的一次更新过程，①和②分别对应源节点到中继节点和中继节点到终端节点的导频信号传输，③和④分别对应终端到中继和中继到源的导数传输；图中的横轴代表不同的时隙，①、②、③和④位于不同的时隙，即网络传输为TDD模式；纵轴代表不同的频点，①和④(源和中继之间的通信)位于频率1，②和③(中继和终端之间的通信)均位于频率2，即中继通信为FDD模式；不同模块之间的时间间隔是为了适应空口传播延迟和处理时间；图中省略了导频后面的有效载荷。
本发明天然具有抗干扰能力，具体说明如下：
当中继节点受到干扰影响，如图10所示，第n个中继节点的接收信号由(1)式变为：
Figure BDA0003017364040000063
其中，
Figure BDA0003017364040000064
为K个干扰信号，
Figure BDA0003017364040000065
是干扰源和中继节点之间的信道，其余的收发结构与无干扰的情况一致。
显然，本发明中的导数结果不受干扰的影响，仍然保持不变。
本发明方法的优点：
(1)本发明研究了多流且所有节点多天线的中继网络的优化问题。
(2)本发明考虑了物理实际中的非线性功率放大器的瞬时功率约束的影响。
(3)本发明建立了非线性中继网络和神经网络之间有趣的类比关系，进而借鉴神经网络中的BP算法，求解目标函数关于各节点的系数矩阵的一阶导，从而完成网络的优化。
(4)本发明在实现时，无需任何显示的信道信息，也不需要中继节点之间的信息交换，只需要终端节点和中继节点的反向广播，即可完成中继网络的分布式优化。
(5)本发明无需任何调整天然具有抗干扰能力，且无需任何干扰的相关信息。
本发明在考虑非线性功率放大器的瞬时功率约束的条件下，无需任何显示的信道信息和中继节点之间的信息交换，即可完成多天线中继网络的分布式优化，同时具有抗干扰能力。仿真表明，本发明可以在非线性功率约束下，有效提高终端节点的输出信噪比/信干噪比，改善中继网络的通信质量；在单流、存在功放非线性的情况下，本发明显著地优于最先进的线性方案。
附图说明
图1是中继网络的结构框图。
图2是非线性中继网络的模型图解。
图3是四层神经网络的示意图。
图4是本发明实际实现的示意图(以单中继节点为例)。
图5是本发明设计的帧结构示意图。
图6是本发明方法的收敛性能结果图。
图7是本发明方法的性能随着中继-终端信道的信噪比变化的结果图。
图8是本发明方法与文献[7]中的方法的误码率性能对比图。
图9是本发明方法关于反馈信道噪声的鲁棒性能的结果图。
图10是受干扰影响的中继网络的结构图。
图11是本发明方法抗干扰性能图示。
具体实施方式
下面通过具体实施例子进一步介绍本发明。
作为实施例，本发明用计算机仿真了信号的前向传播和导数的后向传播过程，注意在导数的后向传播中，由于考虑了非线性功放的影响，所以终端节点的广播信号是
Figure BDA0003017364040000071
而不是
Figure BDA0003017364040000072
各个中继节点的反馈信号是
Figure BDA0003017364040000073
而不是
Figure BDA0003017364040000074
但这不会对本发明的性能有削减，因为反馈信号较小，尤其是当算法趋于收敛时，
Figure BDA0003017364040000075
趋近于零，因此几乎不会使功放饱和。根据SNR与MSE之间的关系：
Figure BDA0003017364040000076
利用中继网络的输出信噪比和误码率(bit error ratio,BER)来评估系统性能。信号源节点共发送Ns流信号，每一个训练序列长L＝100。源-中继信道和中继-终端信道都是瑞利平坦衰落信道，信噪比分别为
Figure BDA0003017364040000081
和
Figure BDA0003017364040000082
momentum算法的参数为α＝0.3，λ＝1.9。每个仿真结果都进行了500次蒙特卡洛。
实施例1，考虑信号源节点发送两流QPSK信号，中继节点不受干扰的影响，源节点和终端节点的天线数均为2，源-中继信道和中继-终端信道的信噪比为ρrelay＝ρdest＝20dB。图6为不同中继个数(2个或4个)和中继天线数(2根或4根)的情况下，终端输出的两流信号的信噪比随着迭代次数变化的收敛曲线，其中一次迭代代表了一轮的前向和后向传播。仿真表明网络的输出信噪比随着中继个数和天线个数的增加而升高；另外，经过前200次迭代就几乎收敛，因此实际应用(以及后续实施例)中均是基于200组训练序列的结果。
实施例2，考虑网络中有两个不受干扰影响的中继节点，且所有节点都是4根天线的情况，探究当源-中继信道的信噪比固定(ρrelay＝10dB)时，终端输出的各流数据的信噪比随着中继-终端的信噪比的变化情况。图7画出了训练序列分别为QPSK和16QAM时，终端输出的四流数据的性能结果。仿真表明本发明优化的网络输出信噪比随着中继-终端信道信噪比的提高而提高，然后由于源-中继信道信噪比的限制而趋于平缓；另外，本发明处理QPSK信号的性能优于处理16QAM信号的性能，因为在中继节点处的截断操作有助于降低QPSK信号的噪声。
实施例3，将本发明与文献[7]中的方法进行对比。文献[7]中考虑的是无干扰的情景，其方法针对的是具有单个中继节点且传输单流数据的线性AF中继网络，而且该工作仅考虑平均功率约束，未考虑功放的影响。因此，当存在非线性功放时，需要对文献[7]中的算法进行调整，具体操作为：当传输非恒模信号时，应利用参数γ∈(0，1)进行信号功率回退(power back-off，PBO)，选择使得BER最小的PBO值。图8展示了本发明算法、文献[7]中的原始算法以及经过PBO优化的文献[7]中的算法的BER性能对比结果，仿真表明本发明方法的BER性能优于文献[7]中的方法。
实施例4，考虑网络中有两个不受干扰影响的中继节点，所有节点都是两个天线，信噪比为ρrelay＝ρdest＝10dB的情况，探究了当终端节点和中继节点的反馈受到噪声影响时的收敛性能。图9给出了反馈信道的信噪比(ρback)为不同值时，本发明的收敛性能。仿真表明不管是发送QPSK还是16QAM信号，对于不同反馈噪声的大小，终端的输出信噪比之间的差值均小于1dB，即本发明对反向传播信道中的噪声具有鲁棒性。
实施例5，考虑网络中有四个单天线的中继节点，源节点和终端节点都有两个天线，信噪比为ρrelay＝ρdest＝20dB的情况，探究了当中继节点受到信干比大小为SIR＝-5dB的干扰的影响时的收敛性能。图11给出了源节点发送QPSK信号时，中继节点受到1、2、3或4个干扰的影响时的收敛性能。仿真表明本发明使得具有4个单天线中继的网络可以抑制多达3个干扰，即终端节点可以协调中继节点形成一个虚拟阵列，无需信息交换即可抑制干扰。
参考文献
[1]G.Kramer,M.Gastpar,and P.Gupta,“Cooperative strategies andcapacity theorems for relay networks,”IEEE Transactions on InformationTheory,vol.51,no.9,pp.3037–3063,2005.
[2]J.N.Laneman and G.W.Wornell,“Cooperative diversity in wirelessnetworks:algorithms and architectures,”2002.
[3]J.Li,A.P.Petropulu,and H.V.Poor,“Cooperative transmission forrelaynetworks based on second-order statistics of channel state information,”IEEE Transactions on Signal Processing,vol.59,no.3,pp.1280–1291,2011.
[4]I.Goodfellow,Y.Bengio,and A.Courville,Deep Learning.MIT Press,2016.http://www.deeplearningbook.org.
[5]H.E.Rowe,“Memoryless nonlinearities with Gaussian inputs:Elementary results,”Bell System Technical Journal,vol.61,no.7,pp.1519–1526,1982.
[6]E.Perahia and R.Stacey,Next Generation Wireless LANs:802.11n and802.11ac,2nd edition.Cambridge University Press,2013.
[7]B.Khoshnevis,W.Yu,and R.Adve,“Grassmannian beamforming for MIMOamplify-and-forward relaying,”IEEE Journal on Selected Areas inCommunications,vol.26,no.8,pp.1397–1407,2008。

Claims (5)

1.一种基于反向传播算法的中继网络性能优化方法，其中，信号源节点产生多流信号序列，经波束赋形矩阵处理后，通过非线性功放发送给单/多个中继节点；各个中继节点也对接收信号进行波束赋形，然后经非线性功放转发给终端；终端节点利用均衡矩阵进行线性接收，最终输出估计信号；其中，根据中继网络的结构，建立中继通信网络和神经网络之间的类比关系，然后借鉴BP算法，利用导数的链式法则求解目标函数关于各个节点的系数矩阵的一阶导数，这里系数矩阵包括源节点和中继节点的波束赋形矩阵，以及终端节点的接收均衡矩阵；通过前向的信号传播和后向的导数传播迭代的优化系数矩阵；具体步骤如下：
第一步，考虑非线性功放的瞬时功率约束，设计中继通信网络结构，建立中继网络和神经网络之间的相似性；
第二步，借鉴BP算法，利用导数的链式法则求解目标函数关于各个节点的系数矩阵的一阶导；在没有任何信道信息的条件下，通过终端节点和中继节点的反向广播，使得所有节点获得各自的导数信息，从而更新自身的系数矩阵，完成网络的优化；
第三步，设计支持前向和后向传输过程的帧结构；
其中，设信号源节点通过N个中继节点向终端节点传递Ns个数据流，
Figure FDA0003017364030000011
Figure FDA0003017364030000012
表示Ns维的复矢量集合，源节点有Ms个发送天线，中继节点的接收天线和发送天线数都是Mr，终端节点有Md个接收天线；假设信号源从天线端口发送信号x，则第n个中继接收到信号为：
Figure FDA0003017364030000013
其中，
Figure FDA0003017364030000014
是源节点和第n个中继节点之间的信道矩阵，
Figure FDA0003017364030000015
表示维度为Mr×Ms的复矩阵集合，
Figure FDA0003017364030000016
是均值为0、协方差矩阵为
Figure FDA0003017364030000017
的复高斯随机噪声；中继处理后从天线端口发送信号a(n)，终端接收到：
Figure FDA0003017364030000018
其中，
Figure FDA0003017364030000019
是中继节点到终端节点的信道矩阵；
Figure FDA00030173640300000110
Figure FDA00030173640300000111
是所有中继的发送信号的堆叠；
Figure FDA00030173640300000112
是噪声。
2.根据权利要求1所述的基于反向传播算法的中继网络性能优化方法，其特征在于，第一步中，所述考虑非线性功放的瞬时功率约束，设计中继通信网络结构，建立中继网络和神经网络之间的相似性，具体过程如下：
(1)源节点利用波束赋形矩阵
Figure FDA00030173640300000113
对待传递的数据流信号s进行发送波束赋形，第n(n＝1，...，N)个中继节点利用波束赋形矩阵
Figure FDA00030173640300000114
对接收信号进行放大转发，终端节点利用波束矩阵
Figure FDA0003017364030000021
进行均衡接收；
(2)考虑非线性射频功放的瞬时功率约束，从源节点和中继节点的天线端口发送的信号分别是：
x＝σ(z)＝σ(Us) (3)
和
a(n)＝σ(b(n)＝σ(V(n)Hr(n))，n＝1，2，...，N， (4)
其中，σ代表对功放瞬时功率约束模型，信号z和b(n)分别是源节点和中继节点的波束赋形结果；
(3)终端节点输出的估计信号为：
Figure FDA0003017364030000022
其中，上角标(·)H表示共轭转置操作。
(4)基于上述收发机结构，中继网络和神经网络之间的相似性如下：
(a)中继网络中的源节点、中继节点和终端节点类比于神经网络中的不同层，发送天线类比神经元；
(b)中继网络中的源节点的波束赋形矩阵U，中继的预编码矩阵V(n)，n＝1，...，N，和源-中继信道矩阵Hr的级联，以及终端的接收波束矩阵W和中继-终端信道矩阵Hd的级联，类比于一个四层神经网络中不同层的神经元之间的连接系数；
(c)中继网络中的射频器件的非线性约束σ类比于神经网络中的非线性激活函数。
3.根据权利要求2所述的基于反向传播算法的中继网络性能优化方法，其特征在于，第二步中，所述借鉴BP算法，利用导数的链式法则求解目标函数关于各个节点的系数矩阵的一阶导数；在没有任何信道信息的条件下，通过终端节点和中继节点的反向广播，使得所有节点获得各自的导数信息，从而更新自身的系数矩阵，完成网络的优化，具体过程如下：
考虑各个节点的瞬时功率约束，根据最小均方误差准则(MMSE)，网络的代价函数为:
Figure FDA0003017364030000023
其中，|·|≤1表示矢量的各元素均小于等于1；由于第一步中将非线性功放的瞬时功率约束建模为函数σ，问题(7)变成一个无约束的优化问题：
Figure FDA0003017364030000031
将该式的一次实现作为目标函数，即：
Figure FDA0003017364030000032
根据第一步中建立的中继网络和神经网络之间的相似性，借鉴神经网络中的BP算法，即利用导数的链式法则对系数
Figure FDA0003017364030000033
逐项求一阶导：
(1)对于终端节点：
Figure FDA0003017364030000034
其中，上角标(·)*表示共轭操作；y和
Figure FDA0003017364030000035
均为终端节点的本地信息，故终端节点无需任何信道信息即可获得接收矩阵的一阶导；
(2)对于第n个中继节点：
Figure FDA0003017364030000036
其中：
Figure FDA0003017364030000037
Figure FDA0003017364030000038
其中，
Figure FDA0003017364030000039
表示对角元素为
Figure FDA00030173640300000310
的对角阵；
而：
Figure FDA00030173640300000311
在
Figure FDA00030173640300000312
中，r(n)，
Figure FDA00030173640300000313
和
Figure FDA00030173640300000314
都是该中继节点的本地信息，只需要让终端节点向中继层广播信息
Figure FDA00030173640300000315
根据信道的互易性，中继节点接收
Figure FDA00030173640300000316
即获得
Figure FDA00030173640300000317
则可以获得完整的一阶导数信息；即中继节点即可获得目标函数关于其波束赋形矩阵的一阶导数值；另外，为了避免自干扰，中继节点工作于频分双工模式，即在两个不同的频率上进行收发；
(3)对于信号源节点：
Figure FDA0003017364030000041
其中：
Figure FDA0003017364030000042
Figure FDA0003017364030000043
其中，
Figure FDA0003017364030000044
表示对角元素为
Figure FDA0003017364030000045
的对角阵；而：
Figure FDA0003017364030000046
与中继节点获取导数信息的过程类似，信号源节点在获取导数信息时，除了本地信息sH、
Figure FDA0003017364030000047
和
Figure FDA0003017364030000048
以外，还需获取
Figure FDA0003017364030000049
只需要让各个中继节点反馈信息
Figure FDA00030173640300000410
源节点接收
Figure FDA00030173640300000411
即可；即源节点也无需任何显式的信道信息即可获得目标函数关于本地波束赋形矩阵的导数结果；
(4)中继网络中的各个节点根据获取到的导数信息直接进行系数矩阵的更新；上述结果均是基于单次采样的结果；对于一个L长的导频序列，那么对L个导数结果进行平均，即：
Figure FDA00030173640300000412
(5)对于多个导频序列，则利用momentum方法更新导数结果：
Figure FDA00030173640300000413
其中，t∈{1，2，…，T}是导频序列的索引，λ∈(0，1)是momentum参数；
(6)中继网络各节点根据导数结果更新系数矩阵：
Figure FDA0003017364030000051
其中，α∈(0，1)是学习率。
4.根据权利要求3所述的基于反向传播算法的中继网络性能优化方法，其特征在于，第三步中，所述设计支持前向和后向传输过程的帧结构，具体过程如下：
(1)中继节点采用FDD模式进行收发以避免自干扰，而相邻层节点之间的数据交换采用TDD模式，进而利用信道的互易性；
(2)通过两个方向的信息传输来优化中继网络；一个是前向的信号传输，包括从源节点到中继节点和从中继节点到终端节点的信号传输；另一个是后向的导数传输，包括从终端节点向中继节点和从中继节点向源节点的导数传输；
(3)为了支持前向的信号传输和后向的导数传输，设计一种包含周期导频和时隙的帧结构，具体为：以横轴代表不同的时隙，中继节点①、终端节点②、中继节点③和源节点④位于不同的时隙，即网络传输为TDD模式；以纵轴代表不同的频点，中继节点①和源节点④之间的通信均位于频率1，终端节点②和中继节点③之间的通信均位于频率2，即中继通信为FDD模式。
5.根据权利要求3所述的基于反向传播算法的中继网络性能优化方法，其特征在于，所述对功放瞬时功率约束的模型σ采用软包络约束：
Figure FDA0003017364030000052
其中，∠x代表取x的相位；
或者采用功放模型：
Figure FDA0003017364030000053
CN202110392676.XA 2021-04-13 2021-04-13 基于反向传播算法的中继网络性能优化方法 Pending CN113271652A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110392676.XA CN113271652A (zh) 2021-04-13 2021-04-13 基于反向传播算法的中继网络性能优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110392676.XA CN113271652A (zh) 2021-04-13 2021-04-13 基于反向传播算法的中继网络性能优化方法

Publications (1)

Publication Number Publication Date
CN113271652A true CN113271652A (zh) 2021-08-17

Family

ID=77228749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110392676.XA Pending CN113271652A (zh) 2021-04-13 2021-04-13 基于反向传播算法的中继网络性能优化方法

Country Status (1)

Country Link
CN (1) CN113271652A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010145243A1 (zh) * 2009-06-19 2010-12-23 中兴通讯股份有限公司 下行报文转发方法及服务网关
CN103559541A (zh) * 2013-10-30 2014-02-05 南京邮电大学 一种大数据中面向乱序数据流的反向传播方法
CN104333521A (zh) * 2014-07-25 2015-02-04 广东顺德中山大学卡内基梅隆大学国际联合研究院 Mimo中继通信节点间干扰的迭代式消除方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010145243A1 (zh) * 2009-06-19 2010-12-23 中兴通讯股份有限公司 下行报文转发方法及服务网关
CN103559541A (zh) * 2013-10-30 2014-02-05 南京邮电大学 一种大数据中面向乱序数据流的反向传播方法
CN104333521A (zh) * 2014-07-25 2015-02-04 广东顺德中山大学卡内基梅隆大学国际联合研究院 Mimo中继通信节点间干扰的迭代式消除方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MINGYUE TAN等: "A Novel Intuitionistic Fuzzy Inhibitor Arc Petri Net With Error Back Propagation Algorithm and Application in Fault Diagnosis", 《IEEE ACCESS ( VOLUME: 7)》 *
RUI WANG，YI JIANG: "An Interference-Resilient Relay BeamformingScheme Inspired by Back-Propagation Algorithm", 《 2020 INFORMATION THEORY AND APPLICATIONS WORKSHOP (ITA)》 *

Similar Documents

Publication Publication Date Title
Xia et al. Hardware impairments aware transceiver for full-duplex massive MIMO relaying
US7548592B2 (en) Multiple input, multiple output communications systems
Chang et al. Joint transmitter receiver diversity for efficient space division multiaccess
Rashid-Farrokhi et al. Transmit beamforming and power control for cellular wireless systems
Suraweera et al. Low-complexity end-to-end performance optimization in MIMO full-duplex relay systems
Foschini et al. Coordinating multiple antenna cellular networks to achieve enormous spectral efficiency
Behbahani et al. Optimizations of a MIMO relay network
US6377812B1 (en) Combined power control and space-time diversity in mobile cellular communications
Shi et al. Relaying schemes using matrix triangularization for MIMO wireless networks
US20040192395A1 (en) Co-channel wireless communication methods and systems using nonsymmetrical alphabets
US11005540B2 (en) Method and system for multiple input, multiple output communications in millimeter wave networks
Feng et al. Two-way massive MIMO relaying systems with non-ideal transceivers: Joint power and hardware scaling
Bogale et al. Robust transceiver optimization for downlink coordinated base station systems: distributed algorithm
Javed et al. Improper Gaussian signaling for hardware impaired multihop full-duplex relaying systems
Abbas et al. Full duplex relay in millimeter wave backhaul links
CN109361434B (zh) 基站协作传输的毫米波mimo混合预编码方法
Wang et al. Distributed learning for MIMO relay networks
US7738595B2 (en) Multiple input, multiple output communications systems
Li et al. Multi-pair two-way massive MIMO relaying with hardware impairments over Rician fading channels
Zhou Energy efficiency beamforming design for UAV communications with broadband hybrid polarization antenna arrays
Wang et al. A distributed MIMO relay scheme inspired by backpropagation algorithm
CN113271652A (zh) 基于反向传播算法的中继网络性能优化方法
Zhang et al. Power scaling of full-duplex two-way millimeter-wave relay with massive MIMO
Abbas et al. Hybrid beamformers design for MIMO relay networks in millimeter wave
Luo et al. Robust Hybrid Beamforming Designs for Multi-user MmWave Relay 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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210817

WD01 Invention patent application deemed withdrawn after publication