CN113422627A - 一种基于自适应梯度反向传播的混合预编码方法及装置 - Google Patents
一种基于自适应梯度反向传播的混合预编码方法及装置 Download PDFInfo
- Publication number
- CN113422627A CN113422627A CN202110604328.4A CN202110604328A CN113422627A CN 113422627 A CN113422627 A CN 113422627A CN 202110604328 A CN202110604328 A CN 202110604328A CN 113422627 A CN113422627 A CN 113422627A
- Authority
- CN
- China
- Prior art keywords
- analog
- digital
- matrix
- precoding matrix
- coding matrix
- 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.)
- Granted
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
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例提供了一种基于自适应梯度反向传播的混合预编码方法及装置,所述方法包括:初始化模拟预编码矩阵和数字预编码矩阵;基于模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型;计算更新数字预编码矩阵;基于单隐藏层神经网络模型以及模拟预编码矩阵、数字预编码矩阵和全数字预编码矩阵,利用自适应梯度反向传播算法计算模拟预编码矩阵中每个元素的增量值,更新模拟预编码矩阵;判断模拟预编码矩阵和数字预编码矩阵是否满足收敛条件;不满足,返回执行利用最小二乘准则计算更新数字预编码矩阵的步骤;满足,归一化数字预编码矩阵。本发明实施例,能够降低混合预编码的复杂度。
Description
技术领域
本发明涉及通信技术领域,特别是涉及一种基于自适应梯度反向传播的混合预编码方法及装置。
背景技术
混合预编码是应用在毫米波大规模MIMO(Multiple Input Multiple Output,多输入多输出)天线的通信系统中一种常用的预编码方案。在基带即数字域部分,负责实现空间复用等的预编码功能;在射频即模拟部分,实现类似于相控阵的功能,控制信号的发射方向。
相关技术中,在单用户场景中的混合预编码实现过程为:将混合预编码设计为恒模约束下的矩阵分解问题,随机初始化信号发射机的模拟预编码矩阵,进而,基于模拟预编码矩阵,利用最小二乘准则计算信号发射机的数字预编码矩阵,进一步,基于数字预编码矩阵,利用共轭梯度算法迭代计算更新模拟预编码矩阵,再判断模拟预编码矩阵和数字预编码矩阵是否满足预设条件,如果满足,将模拟预编码矩阵和数字预编码矩阵确定为目标预编码矩阵,如果不满足,返回执行基于模拟预编码矩阵,利用最小二乘准则计算信号发射机的数字预编码矩阵的步骤。其中,预设条件为:信号发射机的全数字预编码矩阵,与模拟预编码矩阵和数字预编码矩阵乘积的欧氏距离是否在预设参数范围内,全数字预编码矩阵是对信号发射机与信号接收机之间的信道矩阵进行奇异值分解获得的。
然而,实际应用中发明人发现,相关技术利用共轭梯度算法迭代计算更新模拟预编码矩阵,所需的迭代次数较多,计算过程复杂,进而使得混合预编码的复杂度增加。
发明内容
本发明实施例的目的在于提供一种基于自适应梯度反向传播的混合预编码方法及装置,以降低混合预编码的复杂度。具体技术方案如下:
第一方面,本发明实施例提供了一种基于自适应梯度反向传播的混合预编码方法,所述方法包括:
随机初始化信号发射机的模拟预编码矩阵和数字预编码矩阵;
基于所述模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型;
基于所述模拟预编码矩阵和信号发射机的全数字预编码矩阵,利用最小二乘准则计算更新所述数字预编码矩阵,其中,所述信号发射机的全数字预编码矩阵为:对信号发射机与信号接收机之间的信道矩阵进行奇异值分解获取的;
基于所述单隐藏层神经网络模型,以及所述模拟预编码矩阵、数字预编码矩阵和全数字预编码矩阵,利用自适应梯度反向传播算法计算所述模拟预编码矩阵中每个元素的增量值,并更新所述模拟预编码矩阵;
判断所述模拟预编码矩阵和所述数字预编码矩阵是否满足预设收敛条件;
在所述模拟预编码矩阵和所述数字预编码矩阵不满足所述预设收敛条件的情况下,返回执行基于所述模拟预编码矩阵和信号发射机的全数字预编码矩阵,利用最小二乘准则计算更新所述数字预编码矩阵的步骤;在所述模拟预编码矩阵和所述数字预编码矩阵满足所述预设收敛条件的情况下,归一化满足条件的数字预编码矩阵。
可选地,所述基于所述模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型的步骤,包括:
将所述待发送信号确定为输入神经元,得到输入层,将所述射频链确定为隐藏层,以及将所述发射天线确定为输出神经元,得到输出层;
将所述数字预编码矩阵中每一元素,确定为所述输入层至所述隐藏层的权重值,以及将所述模拟预编码矩阵中每一元素,确定为所述隐藏层至所述输出层的权重值,构建单隐藏层神经网络模型。
可选地,所述基于所述单隐藏层神经网络模型,以及所述模拟预编码矩阵、数字预编码矩阵和全数字预编码矩阵,利用自适应梯度反向传播算法计算所述模拟预编码矩阵中每个元素的增量值,并更新所述模拟预编码矩阵的步骤,包括:
分别对所述模拟预编码矩阵和全数字预编码矩阵进行向量化,得到模拟预编码向量和全数字预编码向量;
对所述模拟预编码向量以元素为单位沿负梯度方向搜索,基于历史模拟预编码向量中各元素值、预设搜索步长以及历史梯度值对所述模拟预编码向量中各元素值进行更新,得到更新后的模拟预编码向量;所述历史模拟预编码向量中各元素值为前一次迭代中计算得到的模拟预编码向量中各元素值,所述历史梯度值为当前迭代之前的每一迭代过程对应的梯度值模的平方和;
对更新后的模拟预编码向量进行重构,并将重构后的模拟预编码向量映射为更新后的模拟预编码矩阵。
第二方面,本发明实施例提供了一种基于自适应梯度反向传播的混合预编码方法,所述方法包括:
用户侧根据预设的优化目标,设置该用户对应的信号接收机的模拟组合向量;
用户侧基于所述模拟组合向量以及该用户对应的信号发射机与信号接收机之间的信道信息,计算该用户对应的信号发射机与信号接收机之间的等效信道信息,并将所述等效信道信息反馈给基站;
基站侧基于所述等效信道信息,利用迫零准则设计基站侧的全数字预编码矩阵;
基站侧随机初始化信号发射机的模拟预编码矩阵和数字预编码矩阵;
基站侧基于所述模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型;
基站侧基于所述模拟预编码矩阵和所述全数字预编码矩阵,利用最小二乘准则计算更新所述数字预编码矩阵;
基站侧基于所述单隐藏层神经网络模型,以及所述模拟预编码矩阵、数字预编码矩阵和全数字预编码矩阵,利用自适应梯度反向传播算法计算所述模拟预编码矩阵中每个元素的增量值,并更新所述模拟预编码矩阵;
基站侧判断所述模拟预编码矩阵和所述数字预编码矩阵是否满足预设收敛条件;
基站侧在所述模拟预编码矩阵和所述数字预编码矩阵不满足所述预设收敛条件的情况下,返回执行基于所述模拟预编码矩阵和所述全数字预编码矩阵,利用最小二乘准则计算更新所述数字预编码矩阵的步骤;在所述模拟预编码矩阵和所述数字预编码矩阵满足所述预设收敛条件的情况下,归一化与每一用户对应的数字预编码向量,并将归一化的数字预编码向量进行横向拼接,获得数字预编码矩阵。
可选地,所述基站侧基于所述模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型的步骤,包括:
将所述待发送信号确定为输入神经元,得到输入层,将所述射频链确定为隐藏层,以及将所述发射天线确定为输出神经元,得到输出层;
将所述数字预编码矩阵中每一元素,确定为所述输入层至所述隐藏层的权重值,以及将所述模拟预编码矩阵中每一元素,确定为所述隐藏层至所述输出层的权重值,构建单隐藏层神经网络模型。
可选地,所述基站侧基于所述单隐藏层神经网络模型,以及所述模拟预编码矩阵、数字预编码矩阵和全数字预编码矩阵,利用自适应梯度反向传播算法计算所述模拟预编码矩阵中每个元素的增量值,并更新所述模拟预编码矩阵的步骤,包括:
分别对所述模拟预编码矩阵和全数字预编码矩阵进行向量化,得到模拟预编码向量和全数字预编码向量;
对所述模拟预编码向量以元素为单位沿负梯度方向搜索,基于历史模拟预编码向量中各元素值、预设搜索步长以及历史梯度值对所述模拟预编码向量中各元素值进行更新,得到更新后的模拟预编码向量;所述历史模拟预编码向量中各元素值为前一次迭代中计算得到的模拟预编码向量中各元素值,所述历史梯度值为当前迭代之前的每一迭代过程对应的梯度值模的平方和;
对更新后的模拟预编码向量进行重构,并将重构后的模拟预编码向量映射为更新后的模拟预编码矩阵。
第三方面,本发明实施例提供了一种基于自适应梯度反向传播的混合预编码装置,所述装置包括:
初始化模块,用于随机初始化信号发射机的模拟预编码矩阵和数字预编码矩阵;
模型构建模块,用于基于所述模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型;
第一计算模块,用于基于所述模拟预编码矩阵和信号发射机的全数字预编码矩阵,利用最小二乘准则计算更新所述数字预编码矩阵,其中,所述信号发射机的全数字预编码矩阵为:对信号发射机与信号接收机之间的信道矩阵进行奇异值分解获取的;
第二计算模块,用于基于所述单隐藏层神经网络模型,以及所述模拟预编码矩阵、数字预编码矩阵和全数字预编码矩阵,利用自适应梯度反向传播算法计算所述模拟预编码矩阵中每个元素的增量值,并更新所述模拟预编码矩阵;
判断模块,用于判断所述模拟预编码矩阵和所述数字预编码矩阵是否满足预设收敛条件;
归一化模块,用于在所述模拟预编码矩阵和所述数字预编码矩阵不满足所述预设收敛条件的情况下,触发执行基于所述模拟预编码矩阵和信号发射机的全数字预编码矩阵,利用最小二乘准则计算更新所述数字预编码矩阵;在所述模拟预编码矩阵和所述数字预编码矩阵满足所述预设收敛条件的情况下,归一化满足条件的数字预编码矩阵。
可选地,所述模型构建模块,具体用于:
将所述待发送信号确定为输入神经元,得到输入层,将所述射频链确定为隐藏层,以及将所述发射天线确定为输出神经元,得到输出层;
将所述数字预编码矩阵中每一元素,确定为所述输入层至所述隐藏层的权重值,以及将所述模拟预编码矩阵中每一元素,确定为所述隐藏层至所述输出层的权重值,构建单隐藏层神经网络模型。
可选地,第二计算模块,具体用于:
分别对所述模拟预编码矩阵和全数字预编码矩阵进行向量化,得到模拟预编码向量和全数字预编码向量;
对所述模拟预编码向量以元素为单位沿负梯度方向搜索,基于历史模拟预编码向量中各元素值、预设搜索步长以及历史梯度值对所述模拟预编码向量中各元素值进行更新,得到更新后的模拟预编码向量;所述历史模拟预编码向量中各元素值为前一次迭代中计算得到的模拟预编码向量中各元素值,所述历史梯度值为当前迭代之前的每一迭代过程对应的梯度值模的平方和;
对更新后的模拟预编码向量进行重构,并将重构后的模拟预编码向量映射为更新后的模拟预编码矩阵。
第四方面,本发明实施例提供了一种基于自适应梯度反向传播的混合预编码系统,所述系统包括:
用户侧,用于根据预设的优化目标,设置该用户对应的信号接收机的模拟组合向量;
所述用户侧,还用于基于所述模拟组合向量以及该用户对应的信号发射机与信号接收机之间的信道信息,计算该用户对应的信号发射机与信号接收机之间的等效信道信息,并将所述等效信道信息反馈给基站;
基站侧,用于基于所述等效信道信息,利用迫零准则设计基站侧的全数字预编码矩阵;
所述基站侧,还用于随机初始化信号发射机的模拟预编码矩阵和数字预编码矩阵;
所述基站侧,还用于基于所述模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型;
所述基站侧,还用于基于所述模拟预编码矩阵和所述全数字预编码矩阵,利用最小二乘准则计算更新所述数字预编码矩阵;
所述基站侧,还用于基于所述单隐藏层神经网络模型,以及所述模拟预编码矩阵、数字预编码矩阵和全数字预编码矩阵,利用自适应梯度反向传播算法计算所述模拟预编码矩阵中每个元素的增量值,并更新所述模拟预编码矩阵;
所述基站侧,还用于判断所述模拟预编码矩阵和所述数字预编码矩阵是否满足预设收敛条件;
所述基站侧,还用于在所述模拟预编码矩阵和所述数字预编码矩阵不满足所述预设收敛条件的情况下,触发执行基于所述模拟预编码矩阵和所述全数字预编码矩阵,利用最小二乘准则计算更新所述数字预编码矩阵;在所述模拟预编码矩阵和所述数字预编码矩阵满足所述预设收敛条件的情况下,归一化与每一用户对应的数字预编码向量,并将归一化的数字预编码向量进行横向拼接,获得数字预编码矩阵。
可选地,所述基站侧,还用于将所述待发送信号确定为输入神经元,得到输入层,将所述射频链确定为隐藏层,以及将所述发射天线确定为输出神经元,得到输出层;将所述数字预编码矩阵中每一元素,确定为所述输入层至所述隐藏层的权重值,以及将所述模拟预编码矩阵中每一元素,确定为所述隐藏层至所述输出层的权重值,构建单隐藏层神经网络模型。
可选地,所述基站侧,还用于分别对所述模拟预编码矩阵和全数字预编码矩阵进行向量化,得到模拟预编码向量和全数字预编码向量;对所述模拟预编码向量以元素为单位沿负梯度方向搜索,基于历史模拟预编码向量中各元素值、预设搜索步长以及历史梯度值对所述模拟预编码向量中各元素值进行更新,得到更新后的模拟预编码向量;所述历史模拟预编码向量中各元素值为前一次迭代中计算得到的模拟预编码向量中各元素值,所述历史梯度值为当前迭代之前的每一迭代过程对应的梯度值模的平方和;对更新后的模拟预编码向量进行重构,并将重构后的模拟预编码向量映射为更新后的模拟预编码矩阵。
第五方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一或第二方面所述的方法步骤。
第六方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现实现上述第一或第二方面所述的方法步骤。
本发明实施例有益效果:
本发明实施例提供的一种基于自适应梯度反向传播的混合预编码方法及装置,基于模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型,进一步利用自适应梯度反向传播算法计算模拟预编码矩阵中每个元素的增量值,并更新模拟预编码矩阵,相对于现有利用共轭梯度算法迭代计算更新模拟预编码矩阵,算法的收敛速度快,计算复杂度较低,进而能够降低混合预编码的复杂度。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明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发明的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的实施例。
图1为本发明实施例提供的一种基于自适应梯度反向传播的混合预编码方法的流程示意图;
图2为本发明实施例提供的一种混合预编码架构示意图;
图3为本发明实施例提供的一种更新模拟预编码矩阵的实施方式示意图;
图4为本发明实施例提供的另一种基于自适应梯度反向传播的混合预编码方法的流程示意图;
图5为本发明实施例提供的另一种更新模拟预编码矩阵的实施方式示意图;
图6为本发明实施例提供的一种基于自适应梯度反向传播的混合预编码装置的结构示意图;
图7为本发明实施例提供的一种基于自适应梯度反向传播的混合预编码系统的结构示意图;
图8为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员基于本申请所获得的所有其他实施例,都属于本发明保护的范围。
为了解决相关技术中,利用共轭梯度算法迭代计算更新模拟预编码矩阵,所需的迭代次数较多,计算过程复杂,进而使得混合预编码的复杂度增加的问题,本发明实施例提供了一种基于自适应梯度反向传播的混合预编码方法,该方法包括:
随机初始化信号发射机的模拟预编码矩阵和数字预编码矩阵;
基于所述模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型;基于所述模拟预编码矩阵和信号发射机的全数字预编码矩阵,利用最小二乘准则计算更新所述数字预编码矩阵,其中,所述信号发射机的全数字预编码矩阵为:对信号发射机与信号接收机之间的信道矩阵进行奇异值分解获取的;基于所述单隐藏层神经网络模型,以及所述模拟预编码矩阵、数字预编码矩阵和全数字预编码矩阵,利用自适应梯度反向传播算法计算所述模拟预编码矩阵中每个元素的增量值,并更新所述模拟预编码矩阵;
判断所述模拟预编码矩阵和所述数字预编码矩阵是否满足预设收敛条件;在所述模拟预编码矩阵和所述数字预编码矩阵不满足所述预设收敛条件的情况下,返回执行基于所述模拟预编码矩阵和信号发射机的全数字预编码矩阵,利用最小二乘准则计算更新所述数字预编码矩阵的步骤;在所述模拟预编码矩阵和所述数字预编码矩阵满足所述预设收敛条件的情况下,归一化满足条件的数字预编码矩阵。
本发明实施例提供的一种基于自适应梯度反向传播的混合预编码方法,基于模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型,进一步利用自适应梯度反向传播算法计算模拟预编码矩阵中每个元素的增量值,并更新模拟预编码矩阵,相对于现有利用共轭梯度算法迭代计算更新模拟预编码矩阵,算法的收敛速度快,计算复杂度较低,进而能够降低混合预编码的复杂度。
方法实施例1
本发明实施例提供的一种基于自适应梯度反向传播的混合预编码方法,可以应用于单用户场景的上行或下行通信中,通过基站实现。
下面进行具体说明,参见图1,图1为本发明实施例提供的一种基于自适应梯度反向传播的混合预编码方法的流程示意图,该方法可以包括:
S101,随机初始化信号发射机的模拟预编码矩阵和数字预编码矩阵。
本发明实施例,在单用户场景中,以基站作为信号发射方为例进行说明。可以通过随机初始化的方式得到信号发射机的模拟预编码矩阵和数字预编码矩阵。还可以对信号发射机与信号接收机之间的信道矩阵进行奇异值分解,获取信号发射机的全数字预编码矩阵。具体的,全数字预编码矩阵可以由信道矩阵的NS个最大奇异值对应的NS个右奇异向量组成,其中,NS为待发送信号数据流的个数。
S102,基于模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型。
实际应用中,如果已知待发送信号s和预编码后的发送信号y,则混合预编码就可以演变为确定从s到y的映射关系问题,可以表示为:
f:s→y
本发明实施例中,将混合预编码架构等效为一个单隐藏层神经网络。作为本发明实施例一种可选的实施方式,基于模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型的实施方式,可以包括:
将待发送信号确定为输入神经元,得到输入层,将射频链确定为隐藏层,以及将发射天线确定为输出神经元,得到输出层;
将数字预编码矩阵中每一元素,确定为输入层至隐藏层的权重值,以及将模拟预编码矩阵中每一元素,确定为隐藏层至输出层的权重值,构建单隐藏层神经网络模型。
示例性的,如图2所示,将NS路待发送信号类比成NS个输入神经元,组成输入层,将个射频链类比成隐藏层,将Nt根发射天线类比成Nt个输出神经元,组成输出层。以及将数字预编码矩阵FBB中每一元素,确定为输入层至隐藏层的权重值,将模拟预编码矩阵FRF中每一元素,确定为隐藏层至输出层的权重值,构建如图2所示的单隐藏层神经网络模型。图2中,dq,u表示数字预编码矩阵FBB中的元素,ap,q表示模拟预编码矩阵FRF中的元素,表示NS路待发送信号,表示Nt根发射天线的输出信号。
实际应用中使用神经网络时,大多使用BP(BackPropagation,反向传播)算法进行训练。但混合预编码与传统的BP神经网络是不同的,首先,数字预编码矩阵和模拟预编码矩阵的元素为复数,其次,在混合预编码架构下不存在功能神经元,偏置全为0且激活函数为恒等函数,最重要的一点是模拟预编码矩阵的恒模约束。这些使得通用的神经网络训练算法不适用于混合预编码器的设计。故而,本发明实施例中,采用上述方式基于模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建如图2所示的单隐藏层神经网络模型,以实现混合预编码。
S103,基于模拟预编码矩阵和信号发射机的全数字预编码矩阵,利用最小二乘准则计算更新数字预编码矩阵。
其中,信号发射机的全数字预编码矩阵为:对信号发射机与信号接收机之间的信道矩阵进行奇异值分解获取的。
示例性的,可以固定模拟预编码矩阵,使用如下表达式,计算更新数字预编码矩阵:
FBB=(FRF HFRF)-1FRF HFopt
其中,FBB表示数字预编码矩阵,FRF表示模拟预编码矩阵,Fopt表示全数字预编码矩阵,FRF H为FRF的共轭转置,(FRF HFRF)-1表示对FRF HFRF求逆。
S104,基于单隐藏层神经网络模型,以及模拟预编码矩阵、数字预编码矩阵和全数字预编码矩阵,利用自适应梯度反向传播算法计算模拟预编码矩阵中每个元素的增量值,并更新模拟预编码矩阵。
作为本发明实施例一种可选的实施方式,如图3所示,步骤S104基于单隐藏层神经网络模型,以及模拟预编码矩阵、数字预编码矩阵和全数字预编码矩阵,利用自适应梯度反向传播算法计算模拟预编码矩阵中每个元素的增量值,并更新模拟预编码矩阵的实施方式,可以包括:
S1041,分别对模拟预编码矩阵和全数字预编码矩阵进行向量化,得到模拟预编码向量和全数字预编码向量。
在本发明实施例的单隐藏层神经网络模型中,可以按照链式规则遍历模型中的每一层。分别对模拟预编码矩阵FRF和全数字预编码矩阵Fopt进行向量化,得到模拟预编码向量和全数字预编码向量其中,K=NtNS,L表示模拟预编码向量的维度,K表示全数字预编码向量的维度。
在分别对模拟预编码矩阵和全数字预编码矩阵进行向量化处理后,上述从s到y的映射f可以表示为:
进而可以将从s到y的映射关系问题,通过求解以下表达式解决:
S1042,对模拟预编码向量以元素为单位沿负梯度方向搜索,基于历史模拟预编码向量中各元素值、预设搜索步长以及历史梯度值对模拟预编码向量中各元素值进行更新,得到更新后的模拟预编码向量。
其中,历史模拟预编码向量中各元素值为前一次迭代中计算得到的模拟预编码向量中各元素值,历史梯度值为当前迭代之前的每一迭代过程对应的梯度值模的平方和。
示例性的,可以使用如下表达式,对模拟预编码向量进行更新:
其中,xi(t)表示第t次迭代对应的模拟预编码向量x的第i个元素,xi(t-1)表示第t-1次迭代对应的模拟预编码向量x的第i个元素,η表示预设搜索步长,di(t)表示第t次迭代的梯度方向的第i个元素,ε为预设数值,τ表示第τ次迭代。x的每一个元素可以分配不同的搜索步长,该搜索步长可以根据历史梯度值进行确定,ε可以是为了保证数值稳定的一个足够小的值。
di(t)可以通过如下表达式进行计算:
即,di(t)是f(x)关于xi的一阶导数。
通过累积所有当前迭代之前的每一迭代过程对应的梯度值模的平方,对模拟预编码向量进行更新,可以起到二阶方法和模拟退火方法的效果。x的每一个元素可以分配不同的搜索步长,使得x的每一个元素具有动态步长,取决于求解梯度值的一阶导数数量级的倒数,较大的一阶导数会产生较小的步长,较小的一阶导数会导致较大的步长,进而对模拟预编码向量的更新具有和二阶方法相同的性能,将会收敛到一个稳定值。
S1043,对更新后的模拟预编码向量进行重构,并将重构后的模拟预编码向量映射为更新后的模拟预编码矩阵。
考虑在计算数字预编码矩阵时对xi的恒模约束,对更新后的模拟预编码向量进行重构。示例性的,可以使用如下表达式对更新后的模拟预编码向量进行重构:
xi表示更新后的模拟预编码向量的第i个元素,j表示复数,∠xi表示xi的相位角。
参见图1,S105,判断模拟预编码矩阵和数字预编码矩阵是否满足预设收敛条件。
示例性的,可以使用如下表达式,判断模拟预编码矩阵和数字预编码矩阵是否满足预设收敛条件:
即可以判断更新的模拟预编码矩阵和数字预编码矩阵是否满足上述收敛条件,还可以判断当前迭代次数是否超过预设的迭代次数,根据具体的判断结果执行步骤S105的操作。可选地,上述收敛条件中可以作为实现混合预编码的目标。
S106,在模拟预编码矩阵和数字预编码矩阵不满足预设收敛条件的情况下,返回执行基于模拟预编码矩阵和信号发射机的全数字预编码矩阵,利用最小二乘准则计算更新数字预编码矩阵的步骤;在模拟预编码矩阵和数字预编码矩阵满足预设收敛条件的情况下,归一化满足条件的数字预编码矩阵。
在模拟预编码矩阵和数字预编码矩阵满足预设收敛条件的情况下,可以使用如下表达式对满足条件的数字预编码矩阵进行归一化:
其中,||FRFFBB||F表示矩阵FRFFBB的Frobenius范数。
进而,可以使用最后一次迭代更新的模拟预编码矩阵,和归一化处理后的数字预编码矩阵对待发送信息进行混合预编码。
本发明实施例提供的一种基于自适应梯度反向传播的混合预编码方法,基于模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型,进一步利用自适应梯度反向传播算法计算模拟预编码矩阵中每个元素的增量值,并更新模拟预编码矩阵,相对于现有利用共轭梯度算法迭代计算更新模拟预编码矩阵,算法的收敛速度快,计算复杂度较低,进而能够降低混合预编码的复杂度。
方法实施例2
本发明实施例提供的一种基于自适应梯度反向传播的混合预编码方法,可以应用于多用户场景的下行通信中,通过用户侧和基站侧实现。
参见图4,图4为本发明实施例提供的另一种基于自适应梯度反向传播的混合预编码方法的流程示意图,该方法可以包括:
S201,用户侧根据预设的优化目标,设置该用户对应的信号接收机的模拟组合向量。
以基站侧为信号发射机为例,相应的,用户侧即为信号接收机。在多用户场景下混合预编码可以设计优化目标为:最大化所有用户的和速率,进而可以为每个用户设计各自的对应的信号接收机的模拟组合向量。
示例性的,优化目标可以使用如下表达式表示:
其中,表示第u个用户的目标模拟组合向量,表示第u个用户的模拟组合向量,其中NU为用户的天线个数,为wu的共轭转置,Hu表示第u个用户对应的信号发射机与信号接收机之间的信道信息,表示模拟组合向量的可能取值所组成的码本。
S202,用户侧基于模拟组合向量以及该用户对应的信号发射机与信号接收机之间的信道信息,计算该用户对应的信号发射机与信号接收机之间的等效信道信息,并将等效信道信息反馈给基站。
示例性的,用户侧可以使用如下表达式,计算用户对应的信号发射机与信号接收机之间的等效信道信息:
其中,hu表示第u个用户对应的信号发射机与信号接收机之间的等效信道信息。进而,将hu反馈至基站侧,以便基站侧基于等效信道信息,利用迫零准则设计基站侧的全数字预编码矩阵。
S203,基站侧基于等效信道信息,利用迫零准则设计基站侧的全数字预编码矩阵。
示例性的,基站侧可以使用如下表达式,设计基站侧的全数字预编码矩阵:
基站侧基于每一用户反馈的等效信道信息,利用迫零准则设计基站侧的全数字预编码矩阵,能够降低多用户间的干扰。
S204,基站侧随机初始化信号发射机的模拟预编码矩阵和数字预编码矩阵。
基站侧可以通过随机初始化的方式得到信号发射机的模拟预编码矩阵和数字预编码矩阵。
S205,基站侧基于模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型。
作为本发明实施例一种可选的实施方式,基站侧基于模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型的实施方式,可以包括:
将待发送信号确定为输入神经元,得到输入层,将射频链确定为隐藏层,以及将发射天线确定为输出神经元,得到输出层;
将数字预编码矩阵中每一元素,确定为输入层至隐藏层的权重值,以及将模拟预编码矩阵中每一元素,确定为隐藏层至输出层的权重值,构建单隐藏层神经网络模型。
S206:基于模拟预编码矩阵和全数字预编码矩阵,利用最小二乘准则计算更新数字预编码矩阵。
具体的,基于模拟预编码矩阵和全数字预编码矩阵,利用最小二乘准则计算更新数字预编码矩阵的实现方式可参照上述步骤S103的实现方式,本发明实施例在此不再赘述。
S207,基站侧基于单隐藏层神经网络模型,以及模拟预编码矩阵、数字预编码矩阵和全数字预编码矩阵,利用自适应梯度反向传播算法计算模拟预编码矩阵中每个元素的增量值,并更新模拟预编码矩阵。
作为本发明实施例一种可选的实施方式,如图5所示,基站侧基于单隐藏层神经网络模型,以及模拟预编码矩阵、数字预编码矩阵和全数字预编码矩阵,利用自适应梯度反向传播算法计算模拟预编码矩阵中每个元素的增量值,并更新模拟预编码矩阵的实施方式,可以包括:
S2071,分别对模拟预编码矩阵和全数字预编码矩阵进行向量化,得到模拟预编码向量和全数字预编码向量。
S2072,对模拟预编码向量以元素为单位沿负梯度方向搜索,基于历史模拟预编码向量中各元素值、预设搜索步长以及历史梯度值对模拟预编码向量中各元素值进行更新,得到更新后的模拟预编码向量。
其中,历史模拟预编码向量中各元素值为前一次迭代中计算得到的模拟预编码向量中各元素值,历史梯度值为当前迭代之前的每一迭代过程对应的梯度值模的平方和。
S2073,对更新后的模拟预编码向量进行重构,并将重构后的模拟预编码向量映射为更新后的模拟预编码矩阵。
S208,基站侧判断模拟预编码矩阵和数字预编码矩阵是否满足预设收敛条件。
S209,基站侧在模拟预编码矩阵和数字预编码矩阵不满足预设收敛条件的情况下,返回执行基于模拟预编码矩阵和全数字预编码矩阵,利用最小二乘准则计算数字预编码矩阵的步骤;在模拟预编码矩阵和数字预编码矩阵满足预设收敛条件的情况下,归一化与每一用户对应的数字预编码向量,并将归一化的数字预编码向量进行横向拼接,获得数字预编码矩阵。
本发明实施例中,步骤S204-S209的实现过程,可参照上述步骤S101-S106的实现过程,本发明实施例在此不再赘述。
在多用户场景下,数字预编码矩阵中每一行可以表示一个用户对应的数字预编码向量,进而,在模拟预编码矩阵和数字预编码矩阵满足预设收敛条件的情况下,可以对每一用户对应的数字预编码向量进行归一化处理,进一步的,将归一化的数字预编码向量进行横向拼接,获得数字预编码矩阵。
示例性的,可以使用如下表达式,对每一用户对应的数字预编码向量进行归一化处理:
fBB,u=fBB,u/||FRFfBB,u||F
其中,fBB,u表示第u个用户对应的数字预编码向量,FRF表示基站侧模拟预编码矩阵,||FRFfBB,u||F表示向量FRFfBB,u的Frobenius范数。
本发明实施例提供的一种基于自适应梯度反向传播的混合预编码方法,基于模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型,进一步利用自适应梯度反向传播算法计算模拟预编码矩阵中每个元素的增量值,并更新模拟预编码矩阵,相对于现有利用共轭梯度算法迭代计算更新模拟预编码矩阵,算法的收敛速度快,计算复杂度较低,进而能够降低混合预编码的复杂度。且,基站侧基于每一用户反馈的等效信道信息,利用迫零准则设计基站侧的全数字预编码矩阵,能够降低多用户间的干扰,进一步的将自适应梯度反向传播算法进行扩展应用于下行多用户混合预编码中,能够提高混合编码的频谱效率。
相应于上述方法实施例1,本发明实施例提供了一种基于自适应梯度反向传播的混合预编码装置,如图6所示,该装置可以包括:
初始化模块301,用于随机初始化信号发射机的模拟预编码矩阵和数字预编码矩阵。
模型构建模块302,用于基于模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型。
第一计算模块303,用于基于模拟预编码矩阵和信号发射机的全数字预编码矩阵,利用最小二乘准则计算更新数字预编码矩阵,其中,信号发射机的全数字预编码矩阵为:对信号发射机与信号接收机之间的信道矩阵进行奇异值分解获取的。
第二计算模块304,用于基于单隐藏层神经网络模型,以及模拟预编码矩阵、数字预编码矩阵和全数字预编码矩阵,利用自适应梯度反向传播算法计算模拟预编码矩阵中每个元素的增量值,并更新模拟预编码矩阵。
判断模块305,用于判断模拟预编码矩阵和数字预编码矩阵是否满足预设收敛条件。
归一化模块306,用于在模拟预编码矩阵和数字预编码矩阵不满足预设收敛条件的情况下,触发执行基于模拟预编码矩阵和信号发射机的全数字预编码矩阵,利用最小二乘准则计算更新数字预编码矩阵;在模拟预编码矩阵和数字预编码矩阵满足预设收敛条件的情况下,归一化满足条件的数字预编码矩阵。
本发明实施例提供的一种基于自适应梯度反向传播的混合预编码装置,基于模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型,进一步利用自适应梯度反向传播算法计算模拟预编码矩阵中每个元素的增量值,并更新模拟预编码矩阵,相对于现有利用共轭梯度算法迭代计算更新模拟预编码矩阵,算法的收敛速度快,计算复杂度较低,进而能够降低混合预编码的复杂度。
可选地,上述模型构建模块302,具体用于:
将待发送信号确定为输入神经元,得到输入层,将射频链确定为隐藏层,以及将发射天线确定为输出神经元,得到输出层。
将数字预编码矩阵中每一元素,确定为输入层至隐藏层的权重值,以及将模拟预编码矩阵中每一元素,确定为隐藏层至输出层的权重值,构建单隐藏层神经网络模型。
可选地,上述第二计算模块304,具体用于:
分别对模拟预编码矩阵和全数字预编码矩阵进行向量化,得到模拟预编码向量和全数字预编码向量。
对模拟预编码向量以元素为单位沿负梯度方向搜索,基于历史模拟预编码向量中各元素值、预设搜索步长以及历史梯度值对模拟预编码向量中各元素值进行更新,得到更新后的模拟预编码向量;历史模拟预编码向量中各元素值为前一次迭代中计算得到的模拟预编码向量中各元素值,历史梯度值为当前迭代之前的每一迭代过程对应的梯度值模的平方和。
对更新后的模拟预编码向量进行重构,并将重构后的模拟预编码向量映射为更新后的模拟预编码矩阵。
相应于上述方法实施例2,本发明实施例提供了一种基于自适应梯度反向传播的混合预编码系统,如图7所示,该系统可以包括:
用户侧401,用于根据预设的优化目标,设置该用户对应的信号接收机的模拟组合向量。
用户侧401,还用于基于模拟组合向量以及该用户对应的信号发射机与信号接收机之间的信道信息,计算该用户对应的信号发射机与信号接收机之间的等效信道信息,并将等效信道信息反馈给基站。
基站侧402,用于基于等效信道信息,利用迫零准则设计基站侧的全数字预编码矩阵。
基站侧402,还用于随机初始化信号发射机的模拟预编码矩阵和数字预编码矩阵。
基站侧402,还用于基于模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型。
基站侧402,还用于基于模拟预编码矩阵和全数字预编码矩阵,利用最小二乘准则计算更新数字预编码矩阵。
基站侧402,还用于基于单隐藏层神经网络模型,以及模拟预编码矩阵、数字预编码矩阵和全数字预编码矩阵,利用自适应梯度反向传播算法计算模拟预编码矩阵中每个元素的增量值,并更新模拟预编码矩阵。
基站侧402,还用于判断模拟预编码矩阵和数字预编码矩阵是否满足预设收敛条件。
基站侧402,还用于在模拟预编码矩阵和数字预编码矩阵不满足预设收敛条件的情况下,触发执行基于模拟预编码矩阵和全数字预编码矩阵,利用最小二乘准则计算更新数字预编码矩阵;在模拟预编码矩阵和数字预编码矩阵满足预设收敛条件的情况下,归一化与每一用户对应的数字预编码向量,并将归一化的数字预编码向量进行横向拼接,获得数字预编码矩阵。
本发明实施例提供的一种基于自适应梯度反向传播的混合预编码系统,基于模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型,进一步利用自适应梯度反向传播算法计算模拟预编码矩阵中每个元素的增量值,并更新模拟预编码矩阵,相对于现有利用共轭梯度算法迭代计算更新模拟预编码矩阵,算法的收敛速度快,计算复杂度较低,进而能够降低混合预编码的复杂度。而且,基站侧基于每一用户反馈的等效信道信息,利用迫零准则设计基站侧的全数字预编码矩阵,能够降低多用户间的干扰,进一步的将自适应梯度反向传播算法进行扩展应用于下行多用户混合预编码中,能够提高混合编码的频谱效率。
可选地,基站侧402,还用于将待发送信号确定为输入神经元,得到输入层,将射频链确定为隐藏层,以及将发射天线确定为输出神经元,得到输出层;将数字预编码矩阵中每一元素,确定为输入层至隐藏层的权重值,以及将模拟预编码矩阵中每一元素,确定为隐藏层至输出层的权重值,构建单隐藏层神经网络模型。
可选地,基站侧402,还用于分别对模拟预编码矩阵和全数字预编码矩阵进行向量化,得到模拟预编码向量和全数字预编码向量;对模拟预编码向量以元素为单位沿负梯度方向搜索,基于历史模拟预编码向量中各元素值、预设搜索步长以及历史梯度值对模拟预编码向量中各元素值进行更新,得到更新后的模拟预编码向量;历史模拟预编码向量中各元素值为前一次迭代中计算得到的模拟预编码向量中各元素值,历史梯度值为当前迭代之前的每一迭代过程对应的梯度值模的平方和;对更新后的模拟预编码向量进行重构,并将重构后的模拟预编码向量映射为更新后的模拟预编码矩阵。
本发明实施例还提供了一种电子设备,如图8所示,包括处理器501、通信接口502、存储器503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信,
存储器503,用于存放计算机程序;
处理器501,用于执行存储器503上所存放的程序时,实现如下步骤:
随机初始化信号发射机的模拟预编码矩阵和数字预编码矩阵;
基于模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型;
基于单隐藏层神经网络模型,以及模拟预编码矩阵、数字预编码矩阵和全数字预编码矩阵,利用自适应梯度反向传播算法计算模拟预编码矩阵中每个元素的增量值,并更新模拟预编码矩阵;
基于模拟预编码矩阵和信号发射机的全数字预编码矩阵,利用最小二乘准则计算更新数字预编码矩阵,其中,信号发射机的全数字预编码矩阵为:对信号发射机与信号接收机之间的信道矩阵进行奇异值分解获取的;
判断模拟预编码矩阵和数字预编码矩阵是否满足预设收敛条件;
在模拟预编码矩阵和数字预编码矩阵不满足预设收敛条件的情况下,返回执行基于模拟预编码矩阵和信号发射机的全数字预编码矩阵,利用最小二乘准则计算更新数字预编码矩阵的步骤;在模拟预编码矩阵和数字预编码矩阵满足预设收敛条件的情况下,归一化满足条件的数字预编码矩阵。
本发明实施例提供的一种电子设备,基于模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型,进一步利用自适应梯度反向传播算法计算模拟预编码矩阵中每个元素的增量值,并更新模拟预编码矩阵,相对于现有利用共轭梯度算法迭代计算更新模拟预编码矩阵,算法的收敛速度快,计算复杂度较低,进而能够降低混合预编码的复杂度。
上述服务器设备提到的通信总线可以是PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM(Random Access Memory,随机存取存储器),也可以包括NVM(Non-Volatile Memory,非易失性存储器),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括CPU(Central Processing Unit,中央处理器)、NP(Network Processor,网络处理器)等;还可以是DSP(Digital Signal Processing,数字信号处理器)、ASIC(Application Specific Integrated Circuit,专用集成电路)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一一种基于自适应梯度反向传播的混合预编码方法的步骤,以达到相同的技术效果。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一一种基于自适应梯度反向传播的混合预编码方法的步骤,以达到相同的技术效果。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、DSL(Digital Subscriber Line,数字用户线))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD(Digital Versatile Disc,数字多功能光盘))、或者半导体介质(例如SSD(Solid StateDisk,固态硬盘))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置/电子设备实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种基于自适应梯度反向传播的混合预编码方法,其特征在于,所述方法包括:
随机初始化信号发射机的模拟预编码矩阵和数字预编码矩阵;
基于所述模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型;
基于所述模拟预编码矩阵和信号发射机的全数字预编码矩阵,利用最小二乘准则计算更新所述数字预编码矩阵,其中,所述信号发射机的全数字预编码矩阵为:对信号发射机与信号接收机之间的信道矩阵进行奇异值分解获取的;
基于所述单隐藏层神经网络模型,以及所述模拟预编码矩阵、数字预编码矩阵和全数字预编码矩阵,利用自适应梯度反向传播算法计算所述模拟预编码矩阵中每个元素的增量值,并更新所述模拟预编码矩阵;
判断所述模拟预编码矩阵和所述数字预编码矩阵是否满足预设收敛条件;
在所述模拟预编码矩阵和所述数字预编码矩阵不满足所述预设收敛条件的情况下,返回执行基于所述模拟预编码矩阵和信号发射机的全数字预编码矩阵,利用最小二乘准则计算更新所述数字预编码矩阵的步骤;在所述模拟预编码矩阵和所述数字预编码矩阵满足所述预设收敛条件的情况下,归一化满足条件的数字预编码矩阵。
2.根据权利要求1所述的方法,其特征在于,所述基于所述模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型的步骤,包括:
将所述待发送信号确定为输入神经元,得到输入层,将所述射频链确定为隐藏层,以及将所述发射天线确定为输出神经元,得到输出层;
将所述数字预编码矩阵中每一元素,确定为所述输入层至所述隐藏层的权重值,以及将所述模拟预编码矩阵中每一元素,确定为所述隐藏层至所述输出层的权重值,构建单隐藏层神经网络模型。
3.根据权利要求1所述的方法,其特征在于,所述基于所述单隐藏层神经网络模型,以及所述模拟预编码矩阵、数字预编码矩阵和全数字预编码矩阵,利用自适应梯度反向传播算法计算所述模拟预编码矩阵中每个元素的增量值,并更新所述模拟预编码矩阵的步骤,包括:
分别对所述模拟预编码矩阵和全数字预编码矩阵进行向量化,得到模拟预编码向量和全数字预编码向量;
对所述模拟预编码向量以元素为单位沿负梯度方向搜索,基于历史模拟预编码向量中各元素值、预设搜索步长以及历史梯度值对所述模拟预编码向量中各元素值进行更新,得到更新后的模拟预编码向量;所述历史模拟预编码向量中各元素值为前一次迭代中计算得到的模拟预编码向量中各元素值,所述历史梯度值为当前迭代之前的每一迭代过程对应的梯度值模的平方和;
对更新后的模拟预编码向量进行重构,并将重构后的模拟预编码向量映射为更新后的模拟预编码矩阵。
4.一种基于自适应梯度反向传播的混合预编码方法,其特征在于,所述方法包括:
用户侧根据预设的优化目标,设置该用户对应的信号接收机的模拟组合向量;
用户侧基于所述模拟组合向量以及该用户对应的信号发射机与信号接收机之间的信道信息,计算该用户对应的信号发射机与信号接收机之间的等效信道信息,并将所述等效信道信息反馈给基站;
基站侧基于所述等效信道信息,利用迫零准则设计基站侧的全数字预编码矩阵;
基站侧随机初始化信号发射机的模拟预编码矩阵和数字预编码矩阵;
基站侧基于所述模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型;
基站侧基于所述模拟预编码矩阵和所述全数字预编码矩阵,利用最小二乘准则计算更新所述数字预编码矩阵;
基站侧基于所述单隐藏层神经网络模型,以及所述模拟预编码矩阵、数字预编码矩阵和全数字预编码矩阵,利用自适应梯度反向传播算法计算所述模拟预编码矩阵中每个元素的增量值,并更新所述模拟预编码矩阵;
基站侧判断所述模拟预编码矩阵和所述数字预编码矩阵是否满足预设收敛条件;
基站侧在所述模拟预编码矩阵和所述数字预编码矩阵不满足所述预设收敛条件的情况下,返回执行基于所述模拟预编码矩阵和所述全数字预编码矩阵,利用最小二乘准则计算更新所述数字预编码矩阵的步骤;在所述模拟预编码矩阵和所述数字预编码矩阵满足所述预设收敛条件的情况下,归一化与每一用户对应的数字预编码向量,并将归一化的数字预编码向量进行横向拼接,获得数字预编码矩阵。
5.根据权利要求4所述的方法,其特征在于,所述基站侧基于所述模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型的步骤,包括:
将所述待发送信号确定为输入神经元,得到输入层,将所述射频链确定为隐藏层,以及将所述发射天线确定为输出神经元,得到输出层;
将所述数字预编码矩阵中每一元素,确定为所述输入层至所述隐藏层的权重值,以及将所述模拟预编码矩阵中每一元素,确定为所述隐藏层至所述输出层的权重值,构建单隐藏层神经网络模型。
6.根据权利要求4所述的方法,其特征在于,所述基站侧基于所述单隐藏层神经网络模型,以及所述模拟预编码矩阵、数字预编码矩阵和全数字预编码矩阵,利用自适应梯度反向传播算法计算所述模拟预编码矩阵中每个元素的增量值,并更新所述模拟预编码矩阵的步骤,包括:
分别对所述模拟预编码矩阵和全数字预编码矩阵进行向量化,得到模拟预编码向量和全数字预编码向量;
对所述模拟预编码向量以元素为单位沿负梯度方向搜索,基于历史模拟预编码向量中各元素值、预设搜索步长以及历史梯度值对所述模拟预编码向量中各元素值进行更新,得到更新后的模拟预编码向量;所述历史模拟预编码向量中各元素值为前一次迭代中计算得到的模拟预编码向量中各元素值,所述历史梯度值为当前迭代之前的每一迭代过程对应的梯度值模的平方和;
对更新后的模拟预编码向量进行重构,并将重构后的模拟预编码向量映射为更新后的模拟预编码矩阵。
7.一种基于自适应梯度反向传播的混合预编码装置,其特征在于,所述装置包括:
初始化模块,用于随机初始化信号发射机的模拟预编码矩阵和数字预编码矩阵;
模型构建模块,用于基于所述模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型;
第一计算模块,用于基于所述模拟预编码矩阵和信号发射机的全数字预编码矩阵,利用最小二乘准则计算更新所述数字预编码矩阵,其中,所述信号发射机的全数字预编码矩阵为:对信号发射机与信号接收机之间的信道矩阵进行奇异值分解获取的;
第二计算模块,用于基于所述单隐藏层神经网络模型,以及所述模拟预编码矩阵、数字预编码矩阵和全数字预编码矩阵,利用自适应梯度反向传播算法计算所述模拟预编码矩阵中每个元素的增量值,并更新所述模拟预编码矩阵;
判断模块,用于判断所述模拟预编码矩阵和所述数字预编码矩阵是否满足预设收敛条件;
归一化模块,用于在所述模拟预编码矩阵和所述数字预编码矩阵不满足所述预设收敛条件的情况下,触发执行基于所述模拟预编码矩阵和信号发射机的全数字预编码矩阵,利用最小二乘准则计算更新所述数字预编码矩阵;在所述模拟预编码矩阵和所述数字预编码矩阵满足所述预设收敛条件的情况下,归一化满足条件的数字预编码矩阵。
8.一种基于自适应梯度反向传播的混合预编码系统,其特征在于,所述系统包括:
用户侧,用于根据预设的优化目标,设置该用户对应的信号接收机的模拟组合向量;
所述用户侧,还用于基于所述模拟组合向量以及该用户对应的信号发射机与信号接收机之间的信道信息,计算该用户对应的信号发射机与信号接收机之间的等效信道信息,并将所述等效信道信息反馈给基站;
基站侧,用于基于所述等效信道信息,利用迫零准则设计基站侧的全数字预编码矩阵;
所述基站侧,还用于随机初始化信号发射机的模拟预编码矩阵和数字预编码矩阵;
所述基站侧,还用于基于所述模拟预编码矩阵、数字预编码矩阵、待发送信号、射频链和发射天线信息,构建单隐藏层神经网络模型;
所述基站侧,还用于基于所述模拟预编码矩阵和所述全数字预编码矩阵,利用最小二乘准则计算更新所述数字预编码矩阵;
所述基站侧,还用于基于所述单隐藏层神经网络模型,以及所述模拟预编码矩阵、数字预编码矩阵和全数字预编码矩阵,利用自适应梯度反向传播算法计算所述模拟预编码矩阵中每个元素的增量值,并更新所述模拟预编码矩阵;
所述基站侧,还用于判断所述模拟预编码矩阵和所述数字预编码矩阵是否满足预设收敛条件;
所述基站侧,还用于在所述模拟预编码矩阵和所述数字预编码矩阵不满足所述预设收敛条件的情况下,触发执行基于所述模拟预编码矩阵和所述全数字预编码矩阵,利用最小二乘准则计算更新所述数字预编码矩阵;在所述模拟预编码矩阵和所述数字预编码矩阵满足所述预设收敛条件的情况下,归一化与每一用户对应的数字预编码向量,并将归一化的数字预编码向量进行横向拼接,获得数字预编码矩阵。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110604328.4A CN113422627B (zh) | 2021-05-31 | 2021-05-31 | 一种基于自适应梯度反向传播的混合预编码方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110604328.4A CN113422627B (zh) | 2021-05-31 | 2021-05-31 | 一种基于自适应梯度反向传播的混合预编码方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113422627A true CN113422627A (zh) | 2021-09-21 |
CN113422627B CN113422627B (zh) | 2022-07-12 |
Family
ID=77713466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110604328.4A Active CN113422627B (zh) | 2021-05-31 | 2021-05-31 | 一种基于自适应梯度反向传播的混合预编码方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113422627B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113839697A (zh) * | 2021-09-23 | 2021-12-24 | 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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109450501A (zh) * | 2018-12-14 | 2019-03-08 | 东南大学 | 一种宽带大规模mimo系统混合预编码设计方法 |
CN110855585A (zh) * | 2019-09-30 | 2020-02-28 | 北京交通大学 | 一种毫米波大规模mimo系统的信道估计方法 |
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 |
WO2020093203A1 (en) * | 2018-11-05 | 2020-05-14 | Nokia Shanghai Bell Co., Ltd. | Papr reduction of mimo-ofdm |
CN111181619A (zh) * | 2020-01-03 | 2020-05-19 | 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 |
US20210126669A1 (en) * | 2019-10-29 | 2021-04-29 | GenXComm, Inc. | Self-interference mitigation in in-band full-duplex communication systems |
-
2021
- 2021-05-31 CN CN202110604328.4A patent/CN113422627B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020093203A1 (en) * | 2018-11-05 | 2020-05-14 | Nokia Shanghai Bell Co., Ltd. | Papr reduction of mimo-ofdm |
CN109450501A (zh) * | 2018-12-14 | 2019-03-08 | 东南大学 | 一种宽带大规模mimo系统混合预编码设计方法 |
CN110855585A (zh) * | 2019-09-30 | 2020-02-28 | 北京交通大学 | 一种毫米波大规模mimo系统的信道估计方法 |
US20210126669A1 (en) * | 2019-10-29 | 2021-04-29 | GenXComm, Inc. | Self-interference mitigation in in-band full-duplex communication systems |
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 |
CN111181619A (zh) * | 2020-01-03 | 2020-05-19 | 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 |
Non-Patent Citations (1)
Title |
---|
赵宏宇等: "毫米波massive MIMO 系统中混合连接的混合预编码设计", 《通信学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113839697A (zh) * | 2021-09-23 | 2021-12-24 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN113422627B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wei et al. | An AMP-based network with deep residual learning for mmWave beamspace channel estimation | |
Jang et al. | Deep autoencoder based CSI feedback with feedback errors and feedback delay in FDD massive MIMO systems | |
Qi et al. | Integrating sensing, computing, and communication in 6G wireless networks: Design and optimization | |
Sun et al. | Learning to optimize: Training deep neural networks for wireless resource management | |
Song et al. | Truly intelligent reflecting surface-aided secure communication using deep learning | |
Kosasih et al. | Graph neural network aided MU-MIMO detectors | |
CN111478868B (zh) | 一种otfs系统的信号检测方法及装置 | |
JP5274664B2 (ja) | 無線mimoシステムでの送信のために信号をプリコーディングする方法 | |
Raja et al. | A new computing paradigm for the optimization of parameters in adaptive beamforming using fractional processing | |
CN113422627B (zh) | 一种基于自适应梯度反向传播的混合预编码方法及装置 | |
He et al. | QCQP with extra constant modulus constraints: Theory and application to SINR constrained mmwave hybrid beamforming | |
Ruan et al. | Low‐complexity robust adaptive beamforming algorithms exploiting shrinkage for mismatch estimation | |
CN110635833B (zh) | 一种基于深度学习的功率分配方法及分配装置 | |
Long et al. | Broad learning based hybrid beamforming for mm-wave MIMO in time-varying environments | |
Pellaco et al. | A matrix-inverse-free implementation of the MU-MIMO WMMSE beamforming algorithm | |
Jere et al. | Theoretical foundation and design guideline for reservoir computing-based mimo-ofdm symbol detection | |
Baur et al. | Leveraging variational autoencoders for parameterized MMSE channel estimation | |
CN115473553B (zh) | 一种智能抑制波束斜视的方法、装置及电子设备 | |
CN113259278B (zh) | 一种毫米波多天线信道估计方法以及装置 | |
Tatineni | AI based computation for hybrid precoding/combining in millimeter-wave massive MIMO systems | |
Kuzlu et al. | A streamlit-based artificial intelligence trust platform for next-generation wireless networks | |
JP2023037446A (ja) | 無線受信装置及びその方法 | |
Yao et al. | Low-complexity signal detection networks based on Gauss-Seidel iterative method for massive MIMO systems | |
Li et al. | Low overhead channel tracking strategy for millimetre wave multiple‐input multiple‐output system | |
Omondi et al. | Variational autoencoder-enhanced deep neural network-based detection for MIMO 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |