CN113300746B - 毫米波mimo天线与混合波束成形优化方法及系统 - Google Patents

毫米波mimo天线与混合波束成形优化方法及系统 Download PDF

Info

Publication number
CN113300746B
CN113300746B CN202110566845.7A CN202110566845A CN113300746B CN 113300746 B CN113300746 B CN 113300746B CN 202110566845 A CN202110566845 A CN 202110566845A CN 113300746 B CN113300746 B CN 113300746B
Authority
CN
China
Prior art keywords
antenna
combiner
neural network
precoder
representing
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
CN202110566845.7A
Other languages
English (en)
Other versions
CN113300746A (zh
Inventor
刘洋
麻学慧
雷雪梅
杜岳
侯彦成
朱晓东
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.)
Inner Mongolia University
Original Assignee
Inner Mongolia 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 Inner Mongolia University filed Critical Inner Mongolia University
Priority to CN202110566845.7A priority Critical patent/CN113300746B/zh
Publication of CN113300746A publication Critical patent/CN113300746A/zh
Application granted granted Critical
Publication of CN113300746B publication Critical patent/CN113300746B/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
    • H04B7/0413—MIMO systems
    • 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
    • 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

Landscapes

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

Abstract

本申请提供一种毫米波MIMO天线与混合波束成形优化方法及系统，该方法包括：获取训练样本集；构建深度学习神经网络模型；初始化深度学习神经网络模型的相关参数；利用训练样本集，对深度学习神经网络模型进行训练，保存训练后深度学习神经网络模型；将设定的网络输入数据中输入到保存的深度学习神经网络模型中进行预测，获取所述频谱效率取最大值时的最优天线子阵列、发射端最优模拟预编码器矩阵和接收端最优模拟组合器矩阵。本申请利用深度学习神经网络将天线选择问题与混合波束成形问题联合优化，能够同时兼顾性能与算法复杂度，可以在保证性能的前提下降低时延，使得毫米波大规模MIMO系统能提供实时服务。

Description

毫米波MIMO天线与混合波束成形优化方法及系统
技术领域
本申请涉及移动通信技术领域，尤其涉及一种毫米波MIMO天线与混合波束成形优化方法及系统。
背景技术
近年来，毫米波大规模MIMO无线传输技术能够拓展利用新频谱资源，深度挖掘空间维度无线资源，大幅提升无线传输速率，是支撑未来宽带移动通信最具潜力的研究方向之一。
随着大规模MIMO天线数目的增加，多天线通信系统的编码与解码算法复杂度也会随之增加，不利于实际应用，通过天线选择技术减少射频链路可以降低编码与解码算法的复杂度，但是传统的天线选择技术难以解决在降低算法复杂度的同时获取最优天线子集的问题；同时在毫米波大规模MIMO系统的研究中，混合波束成形技术通过配置较少的射频链路数，结合了模拟和数字域进行码本设计的优势达到控制波束的目的，但是目前传统的面向模型的混合波束成形技术存在高实施成本和高计算复杂度的缺点，因此，如何在保证通信性能的前提下，降低通信时延和计算复杂度，使得毫米波大规模MIMO系统能提供实时服务是本领域技术人员仍需解决的技术问题。
发明内容
本申请的目的在于提供一种毫米波MIMO天线与混合波束成形优化方法及系统，利用深度学习神经网络将天线选择问题与混合波束成形问题联合优化，能够同时兼顾性能与算法复杂度，可以在保证性能的前提下降低时延，使得毫米波大规模MIMO系统能提供实时服务。
为达到上述目的，本申请提供一种毫米波MIMO天线与混合波束成形优化方法，该方法包括：
获取训练样本集；其中，训练样本集包括由不同的用户位置和信道增益生成的信道矩阵；
构建深度学习神经网络模型；
初始化深度学习神经网络模型的相关参数；
利用训练样本集，对深度学习神经网络模型进行训练，保存训练后的深度学习神经网络模型；
将设定的网络输入数据中输入到保存的深度学习神经网络模型中进行预测，获取所述频谱效率取最大值时的最优天线子阵列、以及无约束波束成形器和混合波束成形器之间的欧氏距离最小化时的发射端最优模拟预编码器矩阵和接收端最优模拟组合器矩阵；
其中，设定的网络输入数据为：NR×NT×3，NT为发射端的天线数量，NR为接收端的天线数量，3表示信道数量。
如上的，其中，将设定的网络输入数据中的信道矩阵输入天线选择卷积神经网络模型进行预测，输出最优天线子阵列；
将最优天线子阵列构建的信道矩阵输入混合波束成形卷积神经网络模型进行预测，输出发射端最优模拟预编码器矩阵和接收端最优模拟组合器矩阵。
如上的，其中，获取最佳天线子阵列的计算公式为：
Figure BDA0003081052810000021
其中，
Figure BDA0003081052810000022
表示天线位置
Figure BDA0003081052810000023
的子阵列，R(qA)表示第qA个子阵列的毫米波信道的频谱效率，argmax表示参数
Figure BDA0003081052810000024
满足
Figure BDA0003081052810000025
为最大值；
其中，
Figure BDA0003081052810000026
其中，Λn表示噪声项；
Figure BDA0003081052810000027
表示NS×NS的单位矩阵，NS表示传输到接收端的数据流个数，ρ为平均接收功率，WBB表示基带组合器，WRF表示模拟组合器，FRF表示模拟预编码器，FBB表示基带预编码器，
Figure BDA0003081052810000031
是选定天线的NRS×NT信道矩阵，上角标H表示共轭转置。
如上的，其中，将天线子阵列配置的集合S划分为B个非重叠区块，最佳天线子阵列表示为：
Figure BDA0003081052810000032
其中，
Figure BDA0003081052810000033
表示最优天线子阵列，otherwise表示其他，if表示如果，b为参数，b＝1,…,B。
如上的，其中，在混合波束成形卷积神经网络模型中构造预编码器和组合器的优化问题如下：
Figure BDA0003081052810000034
Figure BDA0003081052810000035
Figure BDA0003081052810000036
Figure BDA0003081052810000037
Figure BDA0003081052810000038
其中，
Figure BDA0003081052810000039
和
Figure BDA00030810528100000310
表示无约束波束成形器，ρ为平均接收功率，NS表示传输到接收端的数据流个数，
Figure BDA00030810528100000315
表示子阵列输出的协方差，上角标H表示共轭转置，
Figure BDA00030810528100000311
是选定天线的NRS×NT信道矩阵，WBB表示基带组合器，WRF表示模拟组合器，FRF表示模拟预编码器，FBB表示基带预编码器，
Figure BDA00030810528100000312
表示射频预编码器的可行集；
Figure BDA00030810528100000313
表示射频组合器的可行集。
如上的，其中，根据预编码器和组合器的优化问题，对无约束波束成形器和混合波束成形器之间的欧氏距离最小化，获得混合预编码器的优化问题：
Figure BDA00030810528100000314
Figure BDA0003081052810000041
Figure BDA0003081052810000042
以及组合器的优化问题：
Figure BDA0003081052810000043
Figure BDA0003081052810000044
Figure BDA0003081052810000045
其中，
Figure BDA0003081052810000046
表示子阵列输出的协方差，
Figure BDA0003081052810000047
表示NRSXNRS的单位矩阵，
Figure BDA0003081052810000048
表示范数的平方，min表示最小值；
求解混合预编码器的优化问题以及组合器的优化问题得到深度网络的标签为
Figure BDA0003081052810000049
Figure BDA00030810528100000410
和
Figure BDA00030810528100000411
分别表示模拟预编码器FRF和模拟组合器WRF中的最佳元素。
如上的，其中，构造射频预编码器FRF：
射频预编码器FRF的可行集定义为：
Figure BDA00030810528100000412
其中，FRF中的元素
Figure BDA00030810528100000413
QF表示射频预编码器的候选数量，Nc表示离散时间窄带信道矩阵散射簇的个数，Nray表示每个散射簇路径条数，
Figure BDA00030810528100000414
表示发射端阵列响应。
如上的，其中，构造射频组合器WRF：
射频组合器WRF的可行集定义为
Figure BDA00030810528100000415
其中，WRF中的元素
Figure BDA00030810528100000416
QW表示射频组合器的候选数量，
Figure BDA00030810528100000417
表示接收端阵列响应，Nc表示离散时间窄带信道矩阵散射簇的个数，Nray表示每个散射簇路径条数。
如上的，其中，训练样本集包括作为输入数据集的信道矩阵集合，以及作为天线选择卷积神经网络训练的数据集和作为混合波束成形卷积神经网络训练的数据集。
本申请还提供一种毫米波MIMO天线与混合波束成形优化系统，该系统包括：系统发射端，系统发射端具有多个发射天线、多条射频链路、基带预编码器、射频预编码器，所述基带预编码器用于发射信号矢量，所述射频预编码器用于将发射信号传输到发射天线；以及系统接收端，系统接收端用于接收数据流，具有多个接收天线、多条射频链路、射频组合器和基带组合器。
本申请实现的有益效果如下：
(1)本申请利用深度学习神经网络将天线选择问题与混合波束成形问题联合优化，能够同时兼顾性能与算法复杂度，可以在保证性能的前提下降低时延，使得毫米波大规模MIMO系统能提供实时服务。
(2)本申请针对毫米波大规模MIMO信道选用一种窄带聚类信道表示方法，可准确捕捉毫米波信道的特性。
(3)本申请将天线子阵列配置的集合S划分为B个非重叠区块，即
Figure BDA0003081052810000051
其中NA是块大小，b＝1,…,B。然后一次解决NA节点的天线选择问题，因此获取最优天线子阵列使用的内存较少。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种毫米波MIMO天线与混合波束成形优化方法流程图。
图2为本申请实施例的获取最优天线子阵列、发射端最优模拟预编码器矩阵和接收端最优模拟组合器矩阵的方法流程图。
图3为本申请实施例的毫米波大规模MIMO系统的结构示意图。
图4为本申请实施例的天线选择卷积神经网络网络结构示意图。
图5为本申请实施例的混合波束成形卷积神经网络网络结构示意图。
图6为本申请实施例的不同天线选择方案随信噪比SNR变化的频谱效率性能曲线图。
图7为本申请实施例的不同波束成形方案随信噪比SNR变化的频谱效率性能曲线图。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例一
如图1所示，本申请提供一种毫米波MIMO天线与混合波束成形优化方法，该方法包括如下步骤：
步骤S1，获取训练样本集。
训练样本集包括作为输入数据集的信道矩阵集合，以及作为天线选择卷积神经网络训练的数据集DAS和作为混合波束成形卷积神经网络训练的数据集DRF。
设网络的输入数据为NR×NT×3，NT为发射端的天线数量，NR为接收端的天线数量，3表示3个信道，即c＝3个信道。
为了丰富输入训练样本集，我们生成NL个实现的信道矩阵，其中N个不同的信道矩阵以不同的用户位置和信道增益生成，每个信道矩阵都是针对Lc个不同数量的簇生成的，此外，对于Ln个实现的信道矩阵会被合成噪声破坏，其中元素方面的噪声由SNRTRAIN定义。因此，训练输入数据的总大小为NR×NT×3×NL，其中L＝LcLn。为了训练CNN(卷积神经网络)结构，我们设置N＝100个不同的信道矩阵的实现，它具有三个噪声水平，即噪声SNRTRAIN∈{15，20，25}dB的L＝800(Lc＝4的Nc∈Ncluster＝{3,4,5,6}和Ln＝200)个噪声实现产生的；Ncluster为参数。
DAS由最大化系统频谱效率获得。具体的，使用最优无约束波束成形器
Figure BDA0003081052810000071
和最优无约束波束成形器
Figure BDA0003081052810000072
获得，最优无约束波束成形器从NRS×NT复值信道矩阵的奇异值分解(SVD)中得到，NT为发射端的天线数量，从NR个接收天线中选出NRS个接收天线。具体的，DAS获取方法包括：输入：L，N，NT，NR，
Figure BDA0003081052810000073
(发射端的射频链路数)，
Figure BDA0003081052810000074
(接收端的射频链路数)，通过求解公式(4)获取
Figure BDA0003081052810000075
初始化输入数据为：
[[X(l,n)]:,:,1]i,j＝|[H(l,n)]i,j|；
[[X(l,n)]:,:,2]i,j＝Re{[H(l,n)]i,j}；
[[X(l,n)]:,:,3]i,j＝Im{[H(l,n)]i,j}；
其中，[[X(l,n)]:,:,1]i,j表示第一信道；[[X(l,n)]:,:,2]i,j表示第二信道；[[X(l,n)]:,:,3]i,j表示第三信道，1≤n≤N和1≤l≤L，[H(l,n)]i,j表示信道矩阵，下脚标i,j表示第i,j项，Re表示实部，Im表示虚部。
结束n，l；则
Figure BDA0003081052810000076
DRF通过基于MATLAB的流形优化算法获得(使无约束波束成形器和混合波束成形器之间的欧氏距离最小化得到)。具体的，DRF的获取方法如下：
输入：L，N，NT，NRS，
Figure BDA0003081052810000077
通过求解公式(10)和(11)获取参数
Figure BDA0003081052810000078
和
Figure BDA0003081052810000079
构建模拟预编码器
Figure BDA00030810528100000710
和模拟组合器
Figure BDA00030810528100000711
初始化输入数据为：
[[X(l,n)]:,:,1]i,j＝|[H(l,n)]i,j|；
[[X(l,n)]:,:,2]i,j＝Re{[H(l,n)]i,j}；
[[X(l,n)]:,:,3]i,j＝Im{[H(l,n)]i,j}；
其中，[[X(l,n)]:,:,1]i,j表示第一信道；[[X(l,n)]:,:,2]i,j表示第二信道；[[X(l,n)]:,:,3]i,j表示第三信道，[H(l,n)]i,j表示信道矩阵，下脚标i,j表示第i,j项，Re表示实部，Im表示虚部。
构建标签为
Figure BDA0003081052810000081
1≤n≤N和1≤l≤L；T表示转置；
结束参数n，参数l；则DRF＝((X(1,1),z(1,1)),…,(X(L,N),z(L,N)))。
步骤S2，构建深度学习神经网络模型。
深度学习神经网络模型包括天线选择卷积神经网络模型和混合波束成形卷积神经网络模型。
作为本发明的一个具体实施例，构建天线选择卷积神经网络模型如下：
如图4所示，天线选择卷积神经网络包含7层，其中包括两个卷积层、两个池化层、两个全连接层和一个分类层。第一个卷积层使用64个大小为2×2的核对NT×NR×3的信道矩阵进行滤波，NT为发射端的天线数量，NR为接收端的天线数量。然后引入第一个池化层，将第一个卷积层的响应作为输入，最大池化核的大小为2×2，步长为2。第二个卷积层使用64个大小为2×2的核对输入响应进行过滤，第二个池化层的最大池化核的大小为2×2，步长为2。第五层、第六层是全连接层，全连接层是一个密集层，以达到加速收敛的目的，它有128个大小为1×1的全连接核。全连接层的响应被反馈到最后一层，最后一层是分类层，大小为
Figure BDA0003081052810000082
即产生最大频谱效率的子阵列。在分类层中，采用softmax函数来获得类的概率分布，Softmax层产生一个类标签，类标签与天线选择结果之间存在一一对应关系，根据输出的类标签来寻找天线选择的解决方案。在卷积层参数更新过程中，使用了批标准化(BatchNormalization)的方法来减轻网络性能对参数初始化的依赖以及一定程度上增加泛化能力，通过对训练数据进行批量化归一化处理，来减轻训练数据随着网络加深出现的分布偏移。所有卷积层和全连接层的非线性激活函数为ReLU。在全连接层后面增加一个Dropout层，将每个隐藏神经元的输出以0.5的概率随机重置为零；为了避免过拟合现象的出现，在每次迭代训练时，断开部分神经元，有助于减少神经元间的依赖关系。
作为本发明的一个具体实施例，构建混合波束成形卷积神经网络模型如下：
如图5所示，混合波束成形卷积神经网络包含7层，其中包括三个卷积层、一个池化层、两个全连接层和一个分类层。第一个卷积层使用32个大小为2×2的核对NT×NRS×3的信道矩阵进行滤波，NT为发射端的天线数量，NRS为从接收端的天线NR中选择的最优子阵列的天线个数。然后引入第一个池化层，将第一个卷积层的响应作为输入，最大池化核的大小为2×2，步长为2。第二个卷积层使用32个大小为2×2的核对输入响应进行过滤，第三个卷积层使用32个大小为2×2的核对输入响应进行过滤，在卷积层参数更新过程中，使用了批标准化(BatchNormalization)的方法来减轻网络性能对参数初始化的依赖以及一定程度上增加泛化能力，然后连接第一个全连接层，全连接层是一个密集层，以达到加速收敛的目的，它有1024个大小为1×1的全连接核，第二个全连接层有128个大小为1×1的全连接核，前两个全连接层后都有Dropout层，概率为0.5。所有卷积层和全连接层的非线性激活函数为ReLU。最后一层是分类层，大小为
Figure BDA0003081052810000091
QF为射频预编码器的候选数量，QW射频组合器的候选数量，输出深度网络的标签为
Figure BDA0003081052810000092
产生频谱效率最大化的射频波束成形器/组合器。在分类层中，采用softmax函数来获得类的概率分布，Softmax层产生一个类标签，所以我们可以利用输出的类标签来寻找混合波束成形的解决方案。
步骤S3，初始化深度学习神经网络模型的相关参数。
初始化深度学习神经网络模型的相关参数包括初始化天线选择卷积神经网络模型和混合波束成形卷积神经网络模型的相关参数。
模型参数包括权重参数、偏置参数、网络层数、每层神经元数目、学习率、训练周期及每次训练送入网络的样本数。
步骤S4，利用训练样本集，对深度学习神经网络模型进行训练，保存训练后的深度学习神经网络模型。
深度学习神经网络模型的训练方法为：
步骤S410，设置数据参数，启动数据生成器生成训练数据与测试数据。
步骤S420，设计深度学习网络结构，以及设置学习速率、损失函数、训练回合数epoch以及batch size(批尺寸)。
步骤S430，依次输入训练数据，根据带动量的随机梯度下降算法更新网络权值。
具体的，当i≤epoch(回合数)时，依次输入训练数据，根据带动量的随机梯度下降算法更新网络权值，更新训练次数i＝i+1。使用交叉熵损失作为损失函数。
步骤S440，深度学习神经网络模型。
深度学习神经网络模型的训练方法还包括：
所有发射和接收方位角和仰角设置为
Figure BDA0003081052810000101
分别从[-60°,60°]和[-20°,20°]区间均匀随机选取。在训练过程中，分别选取所有数据的70％和30％作为训练和验证数据集。验证有助于在训练阶段对超参数进行调整，以避免网络简单地记忆训练数据，而不是学习一般的特征，以实现对新数据的准确预测。
作为本发明的一个具体实施例，另有一些训练数据集参数的设置如下表所示：
Figure BDA0003081052810000102
Figure BDA0003081052810000111
步骤S5，将设定的网络输入数据中输入到保存的深度学习神经网络模型中进行预测，获取最优天线子阵列
Figure BDA0003081052810000112
发射端最优模拟预编码器矩阵
Figure BDA0003081052810000113
和接收端最优模拟组合器矩阵
Figure BDA0003081052810000114
其中，将设定的网络输入数据中输入到保存的深度学习神经网络模型中进行预测，获取所述频谱效率取最大值时的最优天线子阵列、以及无约束波束成形器和混合波束成形器之间的欧氏距离最小化时的发射端最优模拟预编码器矩阵和接收端最优模拟组合器矩阵。
作为本发明的一个具体实施例，设定的网络输入数据为NR×NT×3，NT为发射端的天线数量，NR为接收端的天线数量，c＝3个信道。网络输入数据的第一信道定义为不完全信道矩阵
Figure BDA0003081052810000115
的绝对值，即：
Figure BDA0003081052810000116
其中
Figure BDA0003081052810000117
Figure BDA0003081052810000118
表示
Figure BDA0003081052810000119
服从
Figure BDA00030810528100001110
即
Figure BDA00030810528100001111
服从正态分布，
Figure BDA00030810528100001112
为复数高斯向量，H为信道矩阵，协方差矩阵为Γ，Γ表示加性高斯白噪声(AWGN)的方差，Γ的第(i,j)项为
Figure BDA00030810528100001113
其中SNRTRAIN表示加性高斯白噪声(AWGN)在训练过程中的信噪比(SNR)。同理，第二和第三个信道被定义为
Figure BDA00030810528100001114
的实部和虚部，即
Figure BDA00030810528100001115
和
Figure BDA00030810528100001116
如图2所示，步骤S5包括如下子步骤：
步骤S510，将设定的网络输入数据中的信道矩阵输入天线选择卷积神经网络模型进行预测，输出最优天线子阵列
Figure BDA00030810528100001117
从NR个接收天线中选出NRS个接收天线，具有QA个可能的解。
Figure BDA0003081052810000121
表示QA等于从NR个元素中选取NRS个元素的所有组合。
所有可能的天线子阵列配置的集合定义为S，即
Figure BDA0003081052810000122
S1表示第1个天线子阵列，S2表示第2个天线子阵列，
Figure BDA0003081052810000123
表示第QA个天线子阵列，其中，
Figure BDA0003081052810000124
表示第qA个子阵列配置的天线位置，
Figure BDA0003081052810000125
表示第qA个子阵列第1个接收天线的位置，
Figure BDA0003081052810000126
表示第qA个子阵列第NRS个接收天线的位置，qA∈QA＝{1,…,QA}。
第qA个子阵列配置的位置
Figure BDA0003081052810000127
的所选天线的输出信号
Figure BDA0003081052810000128
表达式如下：
Figure BDA0003081052810000129
其中，
Figure BDA00030810528100001210
是选定天线的NRS×NT信道矩阵，ρ为平均接收功率，
Figure BDA00030810528100001211
为第qA个子阵列加性高斯白噪声，s为发射信号矢量，FRF表示模拟预编码器，FBB表示基带预编码器。
在接收端，模拟组合器
Figure BDA00030810528100001212
和基带组合器
Figure BDA00030810528100001213
分别应用于接收信号，产生离散时间信号为
Figure BDA00030810528100001214
Figure BDA00030810528100001215
其中，
Figure BDA00030810528100001216
表示基带组合器的共轭转置，
Figure BDA00030810528100001217
表示模拟组合器的共轭转置，ρ为平均接收功率，s为发射信号矢量，
Figure BDA00030810528100001218
为第qA个子阵列加性高斯白噪声，FRF表示模拟预编码器，FBB表示基带预编码器。
第qA个子阵列的毫米波信道的频谱效率R(qA)计算公式如下：
Figure BDA00030810528100001219
其中，
Figure BDA00030810528100001220
Λn表示公式(1)中子阵列输出的噪声项；σn表示接收天线上的噪声功率；
Figure BDA00030810528100001221
表示NS×NS的单位矩阵，NS表示传输到接收端的数据流个数。
对所有子阵列配置的频谱效率R(qA)最大化，得到最优天线子阵列为：
Figure BDA0003081052810000131
其中，
Figure BDA0003081052810000132
表示天线位置
Figure BDA0003081052810000133
的最优子阵列，它能提供最大的频谱效率，argmax表示参数
Figure BDA0003081052810000134
满足
Figure BDA0003081052810000135
为最大值，qA表示天线子阵列。
采用无约束预编码器
Figure BDA0003081052810000136
和无约束组合器
Figure BDA0003081052810000137
求解公式(4)，可以写出以下问题，即
Figure BDA0003081052810000138
其中，上角标H表示矩阵的共轭转置，max表示取最大值。
依据公式(5)，将天线选择和混合波束成形器的联合设计问题写为：
Figure BDA0003081052810000139
其中，s.t.表示满足，
Figure BDA00030810528100001310
表示第qA个子阵列的基带组合器，
Figure BDA00030810528100001311
表示第qA个子阵列的模拟组合器，上角标H表示共轭转置，即对每个元素求共轭，然后将矩阵转置，
Figure BDA00030810528100001312
和
Figure BDA00030810528100001313
表示第qA个子阵列的模拟预编码器，FRF和WRF表示模拟预编码器的可行集，
Figure BDA00030810528100001314
表示
Figure BDA00030810528100001315
的范数的平方，
Figure BDA00030810528100001316
表示第qA个子阵列的基带预编码器。
对于不同的信道矩阵，这些信道矩阵彼此相似，有些提供最大频谱效率的天线子阵
Figure BDA00030810528100001317
的值变成了相同的，同一天线子阵为这些信道矩阵提供了最大的频谱效率。因此，提供最大频谱效率的子阵列的数量远远小于所有子阵列配置的数量。子阵列配置子集包括子阵列的天线位置。
将天线子阵列配置的集合S划分为B个非重叠区块，即
Figure BDA0003081052810000141
其中NA是块大小，b＝1,…,B。然后一次解决NA节点的天线选择问题，因此使用的内存较少。具体来说，采用以下策略：
(1)对于b＝1，构造S(b)，解公式(6)为
Figure BDA0003081052810000142
(2)对于b＞1，从内存中清空S(b-1)，构造S(b)，解公式(6)为
Figure BDA0003081052810000143
并且得到新的最佳天线子阵列为
Figure BDA0003081052810000144
其中，
Figure BDA0003081052810000145
表示最优天线子阵列，otherwise表示其他，if表示如果，b为参数，b＝1,…,B。
其中，无约束波束成形器从NRS×NT复值信道矩阵的奇异值分解(SVD)中得到。
具体无约束波束成形器的获取方法如下：
步骤T1，对复值信道矩阵进行分解。具体为：
Figure BDA0003081052810000146
其中，
Figure BDA0003081052810000147
和
Figure BDA0003081052810000148
分别是第qA个信道矩阵的左、右奇异值矩阵，
Figure BDA0003081052810000149
是由
Figure BDA00030810528100001419
的奇异值按降序组成的
Figure BDA00030810528100001410
阶的对角矩阵，rank()表示矩阵的秩。
步骤T2，将对角矩阵
Figure BDA00030810528100001411
和第qA个信道矩阵的右奇异值矩阵
Figure BDA00030810528100001412
进行分解，具体为：
Figure BDA00030810528100001413
其中，diag{}表示对角矩阵，
Figure BDA00030810528100001414
C表示复值域。
步骤T3，选择无约束预编码器为
Figure BDA00030810528100001415
步骤T4，利用无约束预编码器
Figure BDA00030810528100001416
计算无约束组合器
Figure BDA00030810528100001417
Figure BDA00030810528100001418
的计算公式为：
Figure BDA0003081052810000151
其中，上角标H表示矩阵的共轭转置。
步骤S520，将最优天线子阵列
Figure BDA0003081052810000152
构建的信道矩阵输入混合波束成形卷积神经网络模型进行预测，输出最优模拟波束成形器矩阵。
设定最优天线子阵列
Figure BDA0003081052810000153
构建的信道矩阵为：
Figure BDA0003081052810000154
Figure BDA0003081052810000155
表示NRS×NT复值信道矩阵。
Figure BDA0003081052810000156
信道矩阵作为混合波束成形卷积神经网络模型的输入，输出模拟波束形成器。使用不完美的信道矩阵，在训练和测试阶段，噪声被添加到信道数据。
构造射频预编码器FRF和射频组合器WRF。
射频预编码器FRF与发射端阵列响应
Figure BDA0003081052810000157
通过线性变换相关联，射频组合器WRF与接收端阵列响应
Figure BDA0003081052810000158
通过线性变换相关联。
射频预编码器FRF的可行集被定义为：
Figure BDA0003081052810000159
其中
Figure BDA00030810528100001510
QF表示射频预编码器的候选数量，
Figure BDA00030810528100001511
表示发射端的射频链路数，其中Npath＝NcNray，QF为从Npath个元素中选取
Figure BDA00030810528100001512
个元素的所有组合数量。Nc表示离散时间窄带信道矩阵散射簇的个数，Nray表示每个散射簇路径条数。
射频组合器WRF的可行集定义为
Figure BDA00030810528100001513
其中
Figure BDA00030810528100001514
并且
Figure BDA00030810528100001515
QW表示射频组合器的候选数量，QW为从Npath个元素中选取
Figure BDA00030810528100001516
个元素的所有组合数量。
Figure BDA00030810528100001517
表示接收端的射频链路数。
构造预编码器和组合器的优化问题如下：
Figure BDA0003081052810000161
其中，
Figure BDA0003081052810000162
和
Figure BDA0003081052810000163
表示无约束波束成形器，ρ为平均接收功率，NS表示传输到接收端的数据流个数，
Figure BDA0003081052810000169
表示噪声项，上角标H表示共轭转置，
Figure BDA0003081052810000164
是选定天线的NRS×NT信道矩阵，WBB表示基带组合器，WRF表示模拟组合器，FRF表示模拟预编码器，FBB表示基带预编码器，
Figure BDA0003081052810000165
表示射频预编码器的候选集；
Figure BDA0003081052810000166
表示射频组合器的候选集，s.t.表示满足。
公式(9)中的问题可以写成两个解耦的优化问题，分别寻找预编码器和组合器。
将无约束波束成形器和混合波束成形器之间的欧氏距离最小化，混合预编码器的优化问题写成：
Figure BDA0003081052810000167
组合器的优化问题写成：
Figure BDA0003081052810000168
其中
Figure BDA0003081052810000171
Figure BDA00030810528100001717
表示公式(1)中子阵列输出的协方差。
Figure BDA0003081052810000172
表示NRSXNRS的单位矩阵。
解公式(10)和(11)得到深度网络的标签为
Figure BDA0003081052810000173
Figure BDA0003081052810000174
和
Figure BDA0003081052810000175
分别表示FRF和WRF中的最佳元素，得到射频预编码器的可行集和射频组合器的可行集中的最佳元素，即获得最优模拟波束成形器矩阵。
作为本发明的一个具体实施例，建立信道模型，信道模型的目的是考虑所有必要的因素(如频率、传播环境等)来估计信道参数，用于比较验证现场测试的经验数据，并用于模拟研究和通信系统的性能评估。
针对毫米波大规模MIMO信道选用一种窄带聚类信道表示方法(基于扩展的Saleh-Valenzuela模型)，可准确捕捉毫米波信道的特性。离散时间窄带信道矩阵H包括Nc个散射簇，每个散射簇都有Nray条路径。信道矩阵H表示如下：
Figure BDA0003081052810000176
其中，
Figure BDA0003081052810000177
表示到达角，
Figure BDA0003081052810000178
表示离开角，其中方位角(仰角)用φ(θ)表示，
Figure BDA0003081052810000179
为归一化因子，NT表示发射天线个数；在NR中选择一个带有NRS个天线的子阵列；αij是与第i个散射簇和第j条路径相关联的复信道增益，i＝1,…,Nc，j＝1,…,Nray。接收和发射天线的天线阵列增益分别为
Figure BDA00030810528100001710
和
Figure BDA00030810528100001711
发射端处阵列响应的转向矢量为
Figure BDA00030810528100001712
Figure BDA00030810528100001713
接收端处阵列响应的转向矢量为
Figure BDA00030810528100001714
的第n个元素是：
Figure BDA00030810528100001715
其中pn＝[xn,yn,zn]T为第n个天线在笛卡尔坐标系中的位置，
Figure BDA00030810528100001716
表示pn的转置；
Figure BDA0003081052810000181
发射转向矢量
Figure BDA0003081052810000182
与
Figure BDA0003081052810000183
的定义类似。
步骤S530，根据最优模拟波束成形器矩阵，计算相应的基带波束成形器矩阵。
利用公式(10)和(11)中基带波束成形器的计算公式，以及获得的最优模拟波束形成器相应地计算得到基带波束形成器。
实施例二
本申请提供一种毫米波MIMO天线与混合波束成形优化系统，用于执行一种毫米波MIMO天线与混合波束成形优化方法，系统包括：
如图3所示，毫米波大规模MIMO系统：
系统发射端，系统发射端具有发射天线NT个。
系统接收端，系统接收端具有接收天线NR个。系统接收端用于接收数据流，将NS个数据流传输到接收端，在接收端进行天线选择，即在NR个接收天线中选择一个带有NRS个天线的子阵列。
系统发射端设有
Figure BDA0003081052810000184
个射频链路，满足
Figure BDA0003081052810000185
系统接收端设有
Figure BDA0003081052810000186
个射频链路，满足
Figure BDA0003081052810000187
基带预编码器
Figure BDA0003081052810000188
用于发射信号矢量
Figure BDA0003081052810000189
其中
Figure BDA00030810528100001812
E{}表示统计期望值；sH表示s的共轭转置。
Figure BDA00030810528100001810
表示NS×NS的单位矩阵。
射频预编码器
Figure BDA00030810528100001811
(利用移相器构造)，用于将发射信号传输到NT个发射天线。射频预编码器具有等正态元素。
系统接收端设有射频组合器和基带组合器。
发射机的功率约束为||FRFFBB||F＝NS。
射频传输信号为
Figure BDA0003081052810000191
Figure BDA0003081052810000192
表示复值域。假设为窄带阻断信道，NR个天线的接收信号为：
Figure BDA0003081052810000193
其中，
Figure BDA0003081052810000194
为NR个天线在接收端的输出，ρ为平均接收功率，
Figure BDA0003081052810000195
为加性高斯白噪声(AWGN)，发射信号矢量
Figure BDA0003081052810000196
表示n服从正态分布，n为一个复数高斯向量，n的平均值为0，协方差矩阵为
Figure BDA0003081052810000197
为信道矩阵，||H||F＝NRNT，||H||F表示H的范数。发射天线和接收天线分别为NT和NR。
Figure BDA0003081052810000198
表示NR×NR的单位矩阵。
接收信号yFull经模拟和基带组合器处理后，得到：
Figure BDA0003081052810000199
其中，
Figure BDA00030810528100001910
是有约束
Figure BDA00030810528100001911
的模拟组合器，
Figure BDA00030810528100001912
表示基带组合器。假设接收信号是通过毫米波信道传输的，则将全阵列实现的频谱效率定义如下：
Figure BDA00030810528100001913
其中，
Figure BDA00030810528100001914
为接收信号yFull经模拟和基带组合器处理后的噪声项经过模拟组合后的协方差矩阵，C表示复值域，
Figure BDA00030810528100001915
表示NsXNs的复值域。
从全阵列输出yFull中选择NRS个天线作为输出，同时设计模拟波束成形器
Figure BDA00030810528100001916
和基带波束成形器：
Figure BDA00030810528100001917
作为本发明的具体实施例，对不同天线选择方案随SNR变化的频谱效率性能进行分析，得到如图6所示的曲线图。
在实验中，设置NT＝NR＝256，NRS＝16，NS＝1，此时随着信噪比的增加，天线选择的频谱效率性能见图6。为了公平比较，对所有的天线选择技术采用SVD全数字最优波束成形算法进行波束成形，将本申请的基于深度学习的天线选择算法与穷举天线选择算法、渐增天线选择算法、最大范数天线选择算法以及随机天线选择算法进行对比。随机天线选择方案的架构要简单得多，其中不包括优化算法，从图6中可以看出随机天线选择的表现最差。我们观察到基于深度学习的天线选择算法的性能与穷举天线选择算法接近，穷举天线选择算法通过列举出所有的天线组合逐次进行比较得出最优解，随着天线数量的增多，其算法的复杂度也急剧升高，而其他算法都是次优的。结果显示，随着系统信噪比的增加，基于深度选择的天线选择算法的频谱效率明显优于提供次优性能的其他算法，而且其复杂度又远远低于穷举天线选择算法，因此展示了所提出算法的优越性。
作为本发明的具体实施例，对不同波束成形方案随SNR变化的频谱效率性能进行分析，得到如图7所示的曲线图。
在实验中，通过与全数字最优波束成形算法、混合波束成形算法和模拟波束成形算法进行比较，评估了我们提出的基于CNN的混合波束成形方法的频谱效率。此外，将本申请方法与多层感知器(MLP)方法进行比较，其中MLP架构是用本申请提出的基于深度学习的混合波束成形算法相同的训练数据进行反馈和训练的。天线数量为NT＝NR＝256，NRS＝16根天线被选择，设置NS＝1。对于天线的选择，除基于深度学习的混合波束成形算法外，其他混合波束成形算法均采用穷举天线选择算法，基于深度学习的混合波束成形算法是基于深度学习的天线选择算法得到的选定信道矩阵作为输入。从图7中我们可以看到，基于深度学习的混合波束成形算法的频谱效率性能优于其他算法，随着系统信噪比的增加，它的性能非常接近SVD全数字最优波束成形算法。基于深度学习的混合波束成形算法的性能归功于提取输入数据中的特征，并将数据与标签进行匹配。
一种毫米波MIMO天线与混合波束成形优化系统还包括：
训练样本集获取模块，用于获取训练样本集；
神经网络模型构建模块，用于构建深度学习神经网络模型；
初始化模块，用于初始化深度学习神经网络模型的相关参数；
模型训练模块，用于利用样本集训练构建的深度学习神经网络模型，训练完成后保存深度学习神经网络模型；
获取模块，将设定的网络输入数据中输入到保存的深度学习神经网络模型中进行预测，获取最优天线子阵列、发射端最优模拟预编码器矩阵和接收端最优模拟组合器矩阵；
其中，设定的网络输入数据为：NR×NT×3，NT为发射端的天线数量，NR为接收端的天线数量，3表示信道数量。
本申请实现的有益效果如下：
(1)本申请利用深度学习神经网络将天线选择问题与混合波束成形问题联合优化，能够同时兼顾性能与算法复杂度，可以在保证性能的前提下降低时延，使得毫米波大规模MIMO系统能提供实时服务。
(2)本申请针对毫米波大规模MIMO信道选用一种窄带聚类信道表示方法，可准确捕捉毫米波信道的特性。
(3)本申请将天线子阵列配置的集合S划分为B个非重叠区块，即
Figure BDA0003081052810000211
其中NA是块大小，参数b＝1,…,B。然后一次解决NA节点的天线选择问题，因此获取最优天线子阵列使用的内存较少。
上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理的内所做的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。

Claims (8)

1.一种毫米波MIMO天线与混合波束成形优化方法，其特征在于，该方法包括：
获取训练样本集；其中，训练样本集包括由不同的用户位置和信道增益生成的信道矩阵；
构建深度学习神经网络模型；
初始化深度学习神经网络模型的相关参数；
利用训练样本集，对深度学习神经网络模型进行训练，保存训练后的深度学习神经网络模型；
将设定的网络输入数据中输入到保存的深度学习神经网络模型中进行预测，获取频谱效率取最大值时的最优天线子阵列、以及无约束波束成形器和混合波束成形器之间的欧氏距离最小化时的发射端最优模拟预编码器矩阵和接收端最优模拟组合器矩阵；
其中，设定的网络输入数据为：NR×NT×3，NT为发射端的天线数量，NR为接收端的天线数量，3表示信道数量；
将设定的网络输入数据中的信道矩阵输入天线选择卷积神经网络模型进行预测，输出最优天线子阵列；
将最优天线子阵列构建的信道矩阵输入混合波束成形卷积神经网络模型进行预测，输出发射端最优模拟预编码器矩阵和接收端最优模拟组合器矩阵；
其中，在混合波束成形卷积神经网络模型中构造预编码器和组合器的优化问题如下：
Figure FDA0003531953910000011
Figure FDA0003531953910000012
Figure FDA0003531953910000013
Figure FDA0003531953910000014
Figure FDA0003531953910000021
其中，
Figure FDA0003531953910000022
和
Figure FDA0003531953910000023
表示无约束波束成形器，ρ为平均接收功率，NS表示传输到接收端的数据流个数，
Figure FDA00035319539100000217
表示子阵列输出的协方差，上角标H表示共轭转置，
Figure FDA00035319539100000218
是选定天线的NRS×NT信道矩阵，WBB表示基带组合器，WRF表示模拟组合器，FRF表示模拟预编码器，FBB表示基带预编码器，
Figure FDA0003531953910000024
表示射频预编码器的可行集；
Figure FDA0003531953910000025
表示射频组合器的可行集。
2.根据权利要求1所述的毫米波MIMO天线与混合波束成形优化方法，其特征在于，获取最佳天线子阵列的计算公式为：
Figure FDA0003531953910000026
其中，
Figure FDA0003531953910000027
表示天线位置
Figure FDA0003531953910000028
的子阵列，R(qA)表示第qA个子阵列的毫米波信道的频谱效率，argmax表示参数
Figure FDA0003531953910000029
满足
Figure FDA00035319539100000210
为最大值；
其中，
Figure FDA00035319539100000211
其中，Λn表示噪声项；
Figure FDA00035319539100000212
表示NS×NS的单位矩阵，NS表示传输到接收端的数据流个数，ρ为平均接收功率，WBB表示基带组合器，WRF表示模拟组合器，FRF表示模拟预编码器，FBB表示基带预编码器，
Figure FDA00035319539100000213
是选定天线的NRS×NT信道矩阵，上角标H表示共轭转置。
3.根据权利要求2所述的毫米波MIMO天线与混合波束成形优化方法，其特征在于，将天线子阵列配置的集合
Figure FDA00035319539100000214
划分为B个非重叠区块，最佳天线子阵列表示为：
Figure FDA00035319539100000215
其中，
Figure FDA00035319539100000216
表示最优天线子阵列，otherwise表示其他，if表示如果，b为参数，b=1，…，B。
4.根据权利要求1所述的毫米波MIMO天线与混合波束成形优化方法，其特征在于，根据预编码器和组合器的优化问题，对无约束波束成形器和混合波束成形器之间的欧氏距离最小化，获得混合预编码器的优化问题：
Figure FDA0003531953910000031
Figure FDA0003531953910000032
Figure FDA0003531953910000033
以及组合器的优化问题：
Figure FDA0003531953910000034
Figure FDA0003531953910000035
Figure FDA0003531953910000036
其中，
Figure FDA00035319539100000317
表示子阵列输出的协方差，
Figure FDA0003531953910000037
表示NRSXNRS的单位矩阵，
Figure FDA0003531953910000038
表示范数的平方，min表示最小值；
求解混合预编码器的优化问题以及组合器的优化问题得到深度网络的标签为
Figure FDA0003531953910000039
Figure FDA00035319539100000310
和
Figure FDA00035319539100000311
分别表示模拟预编码器
Figure FDA00035319539100000312
和模拟组合器
Figure FDA00035319539100000313
中的最佳元素。
5.根据权利要求4所述的毫米波MIMO天线与混合波束成形优化方法，其特征在于，构造射频预编码器FRF：
射频预编码器FRF的可行集定义为：
Figure FDA00035319539100000314
其中，FRF中的元素
Figure FDA00035319539100000315
i＝1，…，Nc，j＝1，…，Nray，qF＝1，…，QF；QF表示射频预编码器的候选数量，Nc表示离散时间窄带信道矩阵散射簇的个数，Nray表示每个散射簇路径条数，
Figure FDA00035319539100000316
表示发射端阵列响应。
6.根据权利要求4所述的毫米波MIMO天线与混合波束成形优化方法，其特征在于，构造射频组合器WRF：
射频组合器WRF的可行集定义为
Figure FDA0003531953910000041
其中，WRF中的元素
Figure FDA0003531953910000042
i＝1，…，Nc，j＝1，…，Nray，qW＝1，...，Qw，QW表示射频组合器的候选数量，
Figure FDA0003531953910000043
表示接收端阵列响应，Nc表示离散时间窄带信道矩阵散射簇的个数，Nray表示每个散射簇路径条数。
7.根据权利要求1所述的毫米波MIMO天线与混合波束成形优化方法，其特征在于，训练样本集包括作为输入数据集的信道矩阵集合，以及作为天线选择卷积神经网络训练的数据集和作为混合波束成形卷积神经网络训练的数据集。
8.一种毫米波MIMO天线与混合波束成形优化系统，用于执行权利要求1-7之一所述方法，其特征在于，该系统包括：系统发射端，系统发射端具有多个发射天线、多条射频链路、基带预编码器、射频预编码器，所述基带预编码器用于发射信号矢量，所述射频预编码器用于将发射信号传输到发射天线；以及系统接收端，系统接收端用于接收数据流，具有多个接收天线、多条射频链路、射频组合器和基带组合器。
CN202110566845.7A 2021-05-24 2021-05-24 毫米波mimo天线与混合波束成形优化方法及系统 Active CN113300746B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110566845.7A CN113300746B (zh) 2021-05-24 2021-05-24 毫米波mimo天线与混合波束成形优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110566845.7A CN113300746B (zh) 2021-05-24 2021-05-24 毫米波mimo天线与混合波束成形优化方法及系统

Publications (2)

Publication Number Publication Date
CN113300746A CN113300746A (zh) 2021-08-24
CN113300746B true CN113300746B (zh) 2022-04-15

Family

ID=77324448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110566845.7A Active CN113300746B (zh) 2021-05-24 2021-05-24 毫米波mimo天线与混合波束成形优化方法及系统

Country Status (1)

Country Link
CN (1) CN113300746B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113765567B (zh) * 2021-09-08 2024-02-02 东南大学 基于深度学习的大规模mimo收发联合波束成形方法
CN113839697B (zh) * 2021-09-23 2022-06-28 南通大学 一种基于深度学习的联合反馈和混合预编码设计方法
CN113965233B (zh) * 2021-10-19 2022-07-26 东南大学 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
CN114448478B (zh) * 2022-02-25 2023-06-09 北京京东方传感技术有限公司 信号传输方法、装置、电子设备及存储介质
CN114629532B (zh) * 2022-03-09 2023-03-14 玉林师范学院 一种准确快速的mimo系统发射天线选择方法
CN114844541B (zh) * 2022-04-22 2023-04-07 南通大学 一种基于深度学习的混合预编码和反馈方法
CN117322029A (zh) * 2022-04-27 2023-12-29 北京小米移动软件有限公司 Ai波束模型确定方法、装置
CN114844538B (zh) * 2022-04-29 2023-05-05 东南大学 一种基于宽学习的毫米波mimo用户增量协作波束选择方法
CN114978261B (zh) * 2022-05-12 2024-04-05 东南大学 一种基于深度学习的毫米波安全混合波束成形方法
CN115102589B (zh) * 2022-06-29 2023-07-25 内蒙古大学 太赫兹大规模mimo系统的深度学习混合预编码方法
CN115426007B (zh) * 2022-08-22 2023-09-01 电子科技大学 一种基于深度卷积神经网络的智能波束对准方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110768704A (zh) * 2019-10-22 2020-02-07 南京邮电大学 基于残差神经网络的混合波束赋形矩阵优化方法
CN111030952A (zh) * 2019-12-25 2020-04-17 内蒙古大学 一种毫米波系统的波束空间信道估计方法及系统
CN111628833A (zh) * 2020-06-10 2020-09-04 桂林电子科技大学 基于卷积神经网络的mimo天线数目估计方法
CN111654456A (zh) * 2020-06-09 2020-09-11 江南大学 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

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107332598B (zh) * 2017-06-26 2020-06-16 浙江理工大学 一种基于深度学习的mimo系统联合预编码和天线选择方法
US10305568B1 (en) * 2017-12-15 2019-05-28 Motorola Mobility Llc Coding main beam information in CSI codebook
EP3864759A1 (en) * 2018-10-11 2021-08-18 Nokia Solutions and Networks Oy Deep learning eigen-beamforming
CN109922427B (zh) * 2019-03-06 2020-09-11 东南大学 利用大规模阵列天线的智能无线定位系统和方法
CN117835259A (zh) * 2019-05-16 2024-04-05 北京三星通信技术研究有限公司 波束管理方法、装置、电子设备及计算机可读存储介质
CN111092641B (zh) * 2019-12-18 2022-02-22 重庆邮电大学 基于毫米波mimo系统深度学习的混合预编码设计方法
CN111181612B (zh) * 2019-12-31 2021-03-30 内蒙古大学 一种大规模mimo系统的协作波束赋型方法
US11032009B1 (en) * 2020-07-23 2021-06-08 Lg Electronics Inc. Method and apparatus for generating signal of user equipment and base station in wireless communication system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110768704A (zh) * 2019-10-22 2020-02-07 南京邮电大学 基于残差神经网络的混合波束赋形矩阵优化方法
CN111030952A (zh) * 2019-12-25 2020-04-17 内蒙古大学 一种毫米波系统的波束空间信道估计方法及系统
CN111654456A (zh) * 2020-06-09 2020-09-11 江南大学 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
CN111628833A (zh) * 2020-06-10 2020-09-04 桂林电子科技大学 基于卷积神经网络的mimo天线数目估计方法

Also Published As

Publication number Publication date
CN113300746A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN113300746B (zh) 毫米波mimo天线与混合波束成形优化方法及系统
Elbir CNN-based precoder and combiner design in mmWave MIMO systems
Elbir et al. Joint antenna selection and hybrid beamformer design using unquantized and quantized deep learning networks
Huang et al. Unsupervised learning-based fast beamforming design for downlink MIMO
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
Zhang et al. Deep learning optimized sparse antenna activation for reconfigurable intelligent surface assisted communication
CN110557177A (zh) 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法
Bao et al. Deep CNN and equivalent channel based hybrid precoding for mmWave massive MIMO systems
CN112468202B (zh) 低复杂度毫米波大规模mimo混合预编码方法
Sun et al. Limited feedback double directional massive MIMO channel estimation: From low-rank modeling to deep learning
Tao et al. Autoencoder neural network based intelligent hybrid beamforming design for mmWave 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
Zaharis et al. Implementation of antenna array beamforming by using a novel neural network structure
Elbir et al. Robust hybrid beamforming with quantized deep neural networks
Huang et al. Quadratic matrix inequality approach to robust adaptive beamforming for general-rank signal model
Li et al. Multi-task deep learning based hybrid precoding for mmWave massive MIMO system
Hu et al. PRINCE: A pruned AMP integrated deep CNN method for efficient channel estimation of millimeter-wave and terahertz ultra-massive MIMO systems
Kuo et al. Unsupervised learning based hybrid beamforming with low-resolution phase shifters for MU-MIMO systems
Hu et al. Hybrid beamforming with deep learning for large-scale antenna arrays
Pang et al. MGGAN-based hybrid beamforming design for massive MIMO systems against rank-deficient channels
Pavel et al. Deep learning-based compressive sampling optimization in massive MIMO systems
CN115102592B (zh) 一种基于联邦学习的多用户mimo波束成形方法
Chen et al. A deep learning driven hybrid beamforming method for millimeter wave MIMO system
Liu et al. Two-stage hybrid precoding for minimizing residuals using convolutional neural network
Cheng et al. Lightweight CNNs-based interleaved sparse array design of phased-MIMO radar

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