CN113438002A - 基于lstm的模拟波束切换方法、装置、设备及介质 - Google Patents
基于lstm的模拟波束切换方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113438002A CN113438002A CN202110633087.6A CN202110633087A CN113438002A CN 113438002 A CN113438002 A CN 113438002A CN 202110633087 A CN202110633087 A CN 202110633087A CN 113438002 A CN113438002 A CN 113438002A
- Authority
- CN
- China
- Prior art keywords
- tbs
- optimal
- beam pair
- cbs
- base station
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000015654 memory Effects 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims description 76
- 238000004891 communication Methods 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 21
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 125000002306 tributylsilyl group Chemical group C(CCC)[Si](CCCC)(CCCC)* 0.000 description 172
- 238000010586 diagram Methods 0.000 description 31
- 239000013598 vector Substances 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000011664 signaling Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
-
- 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
-
- 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
- H04B7/0602—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 antenna switching
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- 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)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请实施例提供一种基于LSTM的模拟波束切换方法、装置、设备及介质，方法包括：获取过去指定时间段内与终端UE通信的最佳波束对的第一信息，以及业务基站TBS与UE通信的最佳波束对的第二信息；将第一信息和第二信息输入至长短期记忆网络LSTM模型中，得到未来指定时间段内与UE通信的最佳TBS及其最佳波束对在TBS侧与UE侧的波束序号；根据最佳TBS及其最佳波束对在TBS侧与UE侧的波束序号，控制TBS与UE进行波束切换。利用LSTM网络模型对时间序列的良好记忆能力，根据过去一段时间的波束信息，预测当前时刻切换的最佳TBS及其与UE通信的最佳波束对，有效提升移动终端在复杂信道环境下波束切换的准确性。
Description
技术领域
本申请涉及通信技术领域，尤其涉及一种基于LSTM的模拟波束切换方法、装置、设备及介质。
背景技术
近年来移动互联网业务发展迅速，网络流量呈现爆炸式增长趋势，波束成型技术成为现阶段的研究热门以及第五代新无线5G(5th generation)中的潜在技术。
波束成形技术是指通过改变天线单元的辐射相位和角度，在空间中形成一系列具有方向性的波束，将信号能量集中在波束上精确地指向用户，从而最大化在该方向的传播距离，并且提供波束成形增益。
然而，目前的波束成形技术在超蜂窝网络环境下当控制信道被障碍物遮挡时，控制信息的接收性能严重下降，从而影响网络中数据信道上波束切换的准确性。
发明内容
由于现有方法存在上述问题，本申请实施例提供一种基于LSTM的模拟波束切换方法、装置、设备及介质。
具体的，本申请实施例提供了以下技术方案：
第一方面，本申请实施例提供了一种基于LSTM的模拟波束切换方法，应用于控制基站CBS，包括：
获取过去指定时间段内与终端UE通信的最佳波束对的第一信息，以及业务基站TBS与所述UE通信的最佳波束对的第二信息；
将所述第一信息和所述第二信息输入至长短期记忆网络LSTM模型中，得到未来指定时间段内与所述UE通信的最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号；
根据所述最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号，控制所述TBS与UE进行波束切换；
其中，所述LSTM模型是基于第一训练样本集和第二训练样本集进行训练后得到的，其中，所述第一训练样本集包括过去指定时间段内的所述第一信息和所述第二信息；所述第一信息包括过去指定时间段内控制基站CBS与终端UE通信的最佳波束对的信道探测参考信号接收功率，以及，所述最佳波束对在所述CBS侧与所述UE侧的波束序号，所述第二信息包括所述TBS在过去指定时间段内与终端UE通信的最佳波束对的信道探测参考信号接收功率，以及，所述最佳波束对在所述TBS侧与所述UE侧的波束序号；所述第二训练样本集包括未来指定时间段内与所述UE通信的最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号。
可选的，所述获取过去指定时间段内与终端UE通信的最佳波束对的第一信息，以及业务基站TBS与所述UE通信的最佳波束对的第二信息，包括：
接收所述UE在各个波束对发送的信道探测参考信号SRS；
根据所述SRS，确定第一最佳波束对，以及所述第一最佳波束对的信道探测参考信号接收功率和第一最佳波束对在所述CBS侧与所述UE侧的波束序号；
接收所述TBS上报的第二最佳波束对的信道探测参考信号接收功率，以及所述第二最佳波束对在所述TBS侧与所述UE侧的波束序号。
可选的，所述LSTM模型在训练时的损失函数L为：
其中，K表示预测的未来时间长度，I表示预测输出序列特征的维度，y表示所述LSTM模型的预测输出序列结果，i表示所述LSTM模型预测输出序列的特征维度序号，k表示所述LSTM模型预测的未来时刻序号，
表示真实输出序列结果。
第二方面，本申请实施例还提供了一种基于LSTM的模拟波束切换方法，应用于终端UE，包括：
在与控制基站CBS通信的各个波束对中向所述CBS发送信道探测参考信号SRS，以及在与业务基站TBS通信的各个波束对中向所述TBS发送所述SRS；
接收所述CBS下发的最佳波束对在终端UE侧的波束序号，并根据所述UE侧的波束序号，进行波束切换。
第三方面，本申请实施例还提供了一种基于LSTM的模拟波束切换方法，应用于业务基站TBS，包括：
接收终端UE在各个波束对发送的信道探测参考信号SRS；
根据所述SRS，确定第二最佳波束对，以及所述第二最佳波束对的信道探测参考信号接收功率和所述第二最佳波束对在所述TBS侧与所述UE侧的波束序号，并将所述第二最佳波束对的信道探测参考信号接收功率和所述第二最佳波束对在所述TBS侧与所述UE侧的波束序号上报至控制基站CBS。
接收所述CBS下发的最佳波束对在业务基站TBS侧的波束序号，并根据所述TBS侧的波束序号，进行波束切换。
第四方面，本申请实施例还提供了一种控制基站CBS，包括：
获取模块，用于获取过去指定时间段内与终端UE通信的最佳波束对的第一信息，以及业务基站TBS与所述UE通信的最佳波束对的第二信息；
第一处理模块，用于将所述第一信息和所述第二信息输入至长短期记忆网络LSTM模型中，得到未来指定时间段内与所述UE通信的最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号；
第二处理模块，用于根据所述最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号，控制所述TBS与UE进行波束切换；
其中，所述LSTM模型是基于第一训练样本集和第二训练样本集进行训练后得到的，其中，所述第一训练样本集包括过去指定时间段内的所述第一信息和所述第二信息；所述第一信息包括过去指定时间段内控制基站CBS与终端UE通信的最佳波束对的信道探测参考信号接收功率，以及，所述最佳波束对在所述CBS侧与所述UE侧的波束序号，所述第二信息包括所述TBS在过去指定时间段内与终端UE通信的最佳波束对的信道探测参考信号接收功率，以及，所述最佳波束对在所述TBS侧与所述UE侧的波束序号；所述第二训练样本集包括未来指定时间段内与所述UE通信的最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号。
第五方面，本申请实施例还提供了一种终端，包括：
发送模块，用于在与控制基站CBS通信的各个波束对中向所述CBS发送信道探测参考信号SRS，以及在与业务基站TBS通信的各个波束对中向所述TBS发送所述SRS；
第三处理模块，用于接收所述CBS下发的最佳波束对在终端UE侧的波束序号，并根据所述UE侧的波束序号，进行波束切换。
第六方面，本申请实施例还提供了一种业务基站TBS，包括：
接收模块，用于接收终端UE在各个波束对发送的信道探测参考信号SRS；
第四处理模块，用于根据所述SRS，确定第二最佳波束对，以及所述第二最佳波束对的信道探测参考信号接收功率和所述第二最佳波束对在所述TBS侧与所述UE侧的波束序号，并将所述第二最佳波束对的信道探测参考信号接收功率和所述第二最佳波束对在所述TBS侧与所述UE侧的波束序号上报至控制基站CBS。
第五处理模块，用于接收所述CBS下发的最佳波束对在业务基站TBS侧的波束序号，并根据所述TBS侧的波束序号，进行波束切换。
第七方面，本申请实施例还提供了一种控制基站CBS设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
获取过去指定时间段内与终端UE通信的最佳波束对的第一信息，以及业务基站TBS与所述UE通信的最佳波束对的第二信息；
将所述第一信息和所述第二信息输入至长短期记忆网络LSTM模型中，得到未来指定时间段内与所述UE通信的最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号；
根据所述最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号，控制所述TBS与UE进行波束切换；
其中，所述LSTM模型是基于第一训练样本集和第二训练样本集进行训练后得到的，其中，所述第一训练样本集包括过去指定时间段内的所述第一信息和所述第二信息；所述第一信息包括过去指定时间段内控制基站CBS与终端UE通信的最佳波束对的信道探测参考信号接收功率，以及，所述最佳波束对在所述CBS侧与所述UE侧的波束序号，所述第二信息包括所述TBS在过去指定时间段内与终端UE通信的最佳波束对的信道探测参考信号接收功率，以及，所述最佳波束对在所述TBS侧与所述UE侧的波束序号；所述第二训练样本集包括未来指定时间段内与所述UE通信的最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号。
第八方面，本申请实施例还提供了一种终端UE设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
在与控制基站CBS通信的各个波束对中向所述CBS发送信道探测参考信号SRS，以及在与业务基站TBS通信的各个波束对中向所述TBS发送所述SRS；
接收所述CBS下发的最佳波束对在终端UE侧的波束序号，并根据所述UE侧的波束序号，进行波束切换。
第九方面，本申请实施例还提供了一种业务基站TBS设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
接收终端UE在各个波束对发送的信道探测参考信号SRS；
根据所述SRS，确定第二最佳波束对，以及所述第二最佳波束对的信道探测参考信号接收功率和所述第二最佳波束对在所述TBS侧与所述UE侧的波束序号，并将所述第二最佳波束对的信道探测参考信号接收功率和所述第二最佳波束对在所述TBS侧与所述UE侧的波束序号上报至控制基站CBS。
接收所述CBS下发的最佳波束对在业务基站TBS侧的波束序号，并根据所述TBS侧的波束序号，进行波束切换。
第十方面，本申请实施例还提供了一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行如上所述第一方面或第二方面或第三方面所述的基于LSTM的模拟波束切换方法的步骤。
本申请实施例提供的基于LSTM的模拟波束切换方法、装置、设备及介质，首先获取过去指定时间段内与终端UE通信的最佳波束对的第一信息，以及业务基站TBS与所述UE通信的最佳波束对的第二信息，进而通过将所述第一信息和所述第二信息输入至长短期记忆网络LSTM模型中，得到未来指定时间段内与所述UE通信的最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号。最后根据最佳TBS及其最佳波束对在TBS侧与UE侧的波束序号，控制所述TBS与UE进行波束切换。由此可见，本申请实施例当终端与控制基站之间进行通信的控制信道被障碍物遮挡时，通过将过去一段时间的波束信息输入至训练好的LSTM模型，即可准确预测当前时刻切换的最佳业务基站及其与终端通信的最佳波束对，从而有效提升了移动终端在复杂信道环境下波束切换的准确性。
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一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的应用于控制基站CBS的基于LSTM的模拟波束切换方法的步骤流程图；
图2是本申请实施例提供的基于LSTM的模拟波束切换系统的示意图；
图3是本申请实施例提供的基于模拟波束成型的发送/接收机的结构示意图；
图4是本申请实施例提供的基于LSTM的模拟波束切换方法的整体流程图；
图5是本申请实施例提供的第一训练样本集和第二训练样本集生成阶段的流程图；
图6是本申请实施例提供的LSTM网络架构示意图；
图7是本申请实施例提供的基于LSTM模型进行波束预测的流程图；
图8是本申请实施例提供的仿真结果示意图之一；
图9是本申请实施例提供的仿真结果示意图之二；
图10是本申请实施例提供的应用于终端UE的基于LSTM的模拟波束切换方法的步骤流程图；
图11是本申请实施例提供的应用于业务基站TBS的基于LSTM的模拟波束切换方法的步骤流程图；
图12是本申请实施例提供的应用于控制基站CBS的基于LSTM的模拟波束切换装置的模块框图；
图13是本申请实施例提供的应用于终端UE的基于LSTM的模拟波束切换装置的模块框图；
图14是本申请实施例提供的应用于业务基站TBS的基于LSTM的模拟波束切换装置的模块框图；
图15是本申请实施例提供的控制基站CBS设备的结构示意图；
图16是本申请实施例提供的终端UE设备的结构示意图；
图17是本申请实施例提供的业务基站TBS设备的结构示意图。
具体实施方式
下面将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，所描述的实施例仅仅是本申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，本领域普通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。
需要说明的是，近年来移动互联网业务发展迅速，网络流量呈现爆炸式增长趋势，然而传统的频谱资源主要集中在6GHz以下频段，频谱资源日趋紧张，很难满足移动互联网日益激增的业务需求。面对通信带宽不足的挑战，毫米波(Millimeter-Wave,mmWave)频段由于其频谱资源丰富，数据传输速率高的特点，成为现阶段的研究热门以及5G中的潜在技术。
毫米波高频段的特点依然会带来两个挑战。一方面，毫米波信号绕射和衍射能力下降，容易被建筑物和人体遮挡。另一方面，毫米波的高频段导致传播过程中的高路径损耗，从而限制了毫米波的传输距离和覆盖能力。通过使用波束成形技术可以弥补毫米波的缺陷，实现数百米范围的信号传输。波束成形技术是指通过改变天线单元的辐射相位和角度，在空间中形成一系列具有方向性的波束，将信号能量集中在波束上精确地指向用户，从而最大化在该方向的传播距离，并且提供波束成形增益。为了进一步提升5G网络的频谱效率并实现其性能指标，大规模输入输出(Massive Multiple Input Multiple Output,Massive MIMO)技术成为了5G中的关键技术之一。Massive MIMO通过增加发送和接收的天线数，充分利用空间资源，可以在不增加频谱资源和发送功率的情况下，成倍地提高波束成形增益与系统信道容量。同时，毫米波短波长的特性又可以显著地降低天线尺寸，使大规模天线的布设和集成成为可能。
目前，在5G中定义了三种高动态场景，分别是车联网场景(Vehicle to X,V2X)、无人机场景(Unmanned Aerial Vehicle,UAV)以及高速铁路场景(High Speed Train,HST)，在高动态场景中使用毫米波进行通信成为了目前的研究趋势。毫米波高频带、高数据传输速率的特点，为高动态场景带来了许多优势，并提供了许多潜在的应用。
此外，为了进一步提升5G网络的容量，以满足高速增长的移动数据业务需求，超密集网络(Ultra-Dense Networks,UDN)成为了5G中另一项关键技术，其基本思想是让访问节点尽可能地接近用户。相比于传统的蜂窝网络，超密集网络在宏基站的覆盖范围内布设密集的微型基站，通过降低基站与用户之间的传输距离与路径损耗，扩大了网络的覆盖范围并且提升了网络中数据传输速率。为了降低终端移动导致的核心网信令开销，有学者进一步提出了超蜂窝网络(Hyper Cellular Network,HCN)架构并进行相关多站点协作的研究。其基本思想是将控制信令与业务数据的覆盖范围适度分离，实现控制信令广域覆盖与业务数据密集覆盖，控制基站(Control-BS,CBS)与业务基站(Traffic-BS,TBS)分别通过控制信道和数据信道与用户终端(User Equipment,UE)通信，并且由CBS在回传链路下发TBS与UE通信的波束信息。由于TBS一直处于CBS的覆盖范围下，UE始终和CBS保持连接，TBS仅仅提供用户面连接，此时UE在TBS之间的移动切换就是对TBS进行添加、修改以及释放的过程，避免了频繁切换导致核心网信令增加。
然而在超蜂窝网络下终端高速运动依然会面临如下新的挑战。一方面，高动态场景信道变换更快，需要更频繁地切换波束，并且站点数的增加会导致网络中波束扫描的导频与时延开销成倍增加。另一方面，当控制信道被障碍物遮挡时，控制信息的接收性能严重下降，从而影响网络中数据信道上波束切换的准确性。为了解决上述问题，本申请实施例提供一种基于LSTM的模拟波束切换方法，首先获取过去指定时间段内与终端UE通信的最佳波束对的第一信息，以及业务基站TBS与所述UE通信的最佳波束对的第二信息，进而通过将所述第一信息和所述第二信息输入至长短期记忆网络LSTM模型中，得到未来指定时间段内与所述UE通信的最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号。最后根据最佳TBS及其最佳波束对在TBS侧与UE侧的波束序号，控制TBS与UE进行波束切换。由此可见，本申请实施例当终端与控制基站之间进行通信的控制信道被障碍物遮挡时，通过将过去一段时间的波束信息输入至训练好的LSTM模型，即可准确预测当前时刻切换的最佳业务基站及其与终端通信的最佳波束对，从而有效提升了移动终端在复杂信道环境下波束切换的准确性。
下面进行具体说明：
图1是本申请实施例提供的应用于控制基站CBS的基于LSTM的模拟波束切换方法的步骤流程图，图2是本申请实施例提供的基于LSTM的模拟波束切换系统的示意图，图3是本申请实施例提供的基于模拟波束成型的发送/接收机的结构示意图，图4是本申请实施例提供的基于LSTM的模拟波束切换方法的整体流程图，图5是本申请实施例提供的第一训练样本集和第二训练样本集生成阶段的流程图，图6是本申请实施例提供的LSTM网络架构示意图，图7是本申请实施例提供的基于LSTM模型进行波束预测的流程图，图8是本申请实施例提供的仿真结果示意图之一，图9是本申请实施例提供的仿真结果示意图之二。下面结合图1至图9对本申请实施例提供的基于LSTM的模拟波束切换方法进行详细解释和说明，如图1所示，本申请实施例提供的一种基于LSTM的模拟波束切换方法，应用于控制基站CBS，包括：
步骤101：获取过去指定时间段内与终端UE通信的最佳波束对的第一信息，以及业务基站TBS与所述UE通信的最佳波束对的第二信息；
在本步骤中，控制基站CBS首先需要获取过去指定时间段内与终端UE通信的最佳波束对的第一信息，以及业务基站TBS与所述UE通信的最佳波束对的第二信息。需要说明的是，控制基站获取第一信息和第二信息的目的是获取长短期记忆网络LSTM(Long Short–Term Memory)的训练数据。训练数据通过传统的波束扫描方法以及预处理获得，CBS与UE之间通过波束扫描获得最佳波束对的序号以及参考信号接收功率RSRP(Reference SignalReceiving Power)，所有TBS与UE之间也进行波束扫描获得各自最佳波束对的序号以及RSRP，并将其上报到CBS，CBS确定与UE通信的最佳TBS序号，接下来对以上信息进行预处理获得训练数据。可以理解的是，在本步骤中，第一信息和第二信息即为预处理前的训练数据。
具体的，首先通过波束扫描方法获得训练数据。UE在所有波束方向周期性发送信道探测参考信号(Sounding Reference Signal,SRS)，CBS遍历码本接收UE发送的SRS信号，并计算所有波束对的RSRP，然后获得最佳波束对在CBS侧与UE侧的序号
及其
接下来，所有TBS也遍历码本接收UE发送的SRS信号，并计算所有波束对的RSRP，然后分别将最佳波束对在TBS侧与UE侧的序号
及其
上报给CBS。CBS根据TBS上报结果判断此时最佳的TBS序号(indexoptTBS)。RSRP的计算公式为：
步骤102：将所述第一信息和所述第二信息输入至长短期记忆网络LSTM模型中，得到未来指定时间段内与所述UE通信的最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号；
其中，LSTM模型是基于第一训练样本集和第二训练样本集进行训练后得到的，其中，所述第一训练样本集包括过去指定时间段内的所述第一信息和所述第二信息；所述第一信息包括过去指定时间段内控制基站CBS与终端UE通信的最佳波束对的信道探测参考信号接收功率，以及，所述最佳波束对在所述CBS侧与所述UE侧的波束序号，所述第二信息包括所述TBS在过去指定时间段内与终端UE通信的最佳波束对的信道探测参考信号接收功率，以及，所述最佳波束对在所述TBS侧与所述UE侧的波束序号；所述第二训练样本集包括未来指定时间段内与所述UE通信的最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号；
在本步骤中，需要说明的是，在获取第一信息和第二信息后，需要对第一信息和第二信息进行预处理，从而得到第一训练样本集。具体的，对特征序列中的
与
进行均值方差归一化，使处理后的数据服从标准正态分布，即x′＝(x-μ)/σ，其中μ和σ分别表示序列的均值与方差。对特征序列中
以及indexoptTBS进行One-Hot编码，编码后的二进制向量特征维度为波束容量M，波束序号对应位置的元素为1，其余元素为0。
在本步骤中，在得到第一训练样本集后，将第一训练样本集(预处理完成的特征序列)和第二训练样本集(真实输出序列)分别输入LSTM编码器与译码器网络，进行LSTM网络模型的训练。特征序列为过去T个时刻的
以及
真实输出序列为未来K个时刻的
以及indexoptTBS，预测输出序列为真实输出序列的预测结果，即未来K个时刻的
以及
在训练过程中，本申请实施例通过两种模式进行任务的训练，分别为自回归(Autoregressive)模式与导师驱动(TeacherForcing)模式。其中，自回归模式训练过程如下所示：
1、将特征序列输入编码器，计算过去T个时刻的编码器状态h-T+1,…,h0；
2、根据最后一个时刻编码器状态h0计算译码器状态hs；
3、将h-T+1,…,h0与hs输入注意力层，计算注意力层输出
4、将
输入全连接层，输出即为当前时刻预测结果
5、根据
与hs共同计算下一时刻译码器状态hs+1；
6、重复步骤3～5，直到未来K个时刻的预测结果全部输出；
步骤3中注意力层的计算过程分为三个阶段，首先计算注意力权值at(s)，如下公式所示：
其中，ht表示t时刻译码器状态、hs表示s时刻编码器状态，score(·)表示注意力分数，其表达式为：
接着对所有时刻编码器状态进行加权平均处理，获得t时刻译码器状态对应的状态向量ct，如下公式所示：
最后计算t时刻注意力层输出
如下公式所示：
上述公式中的Wa,Wc均属于网络权重参数。
对于导师驱动模式，其过程与自回归模式类似，区别在于：步骤5中下一时刻译码器状态hs+1通过当前时刻译码器状态hs与真实输出es决定。
在网络训练的每一次迭代中，为每个时刻的单元分配一个概率p，使得当前时刻单元的训练模式有p的概率使用导师驱动模式，有1-p的概率选择自回归模式，并且p值随着迭代次数进行线性减小。在当前迭代结束后，计算预测结果与真实结果的损失函数，并根据自适应时刻估计方法(Adaptive Moment Estimation,Adam)更新LSTM网络权重参数。
本申请实施例提供的LSTM模型的损失函数定义为预测输出序列
与真实输出序列y之间的交叉熵，如下公式所示：
其中，K表示预测的未来时间长度，I表示预测输出序列特征的维度。
网络的训练目标为获得最小损失函数下的参数集合，即
Adam方法对于参数集合θ的更新如下公式所示：
其中n表示迭代次数，α表示学习率，用于控制权重更新比例，ε是一个非常小的数，为了防止分母为零，
分别为mn与vn的纠正值，其公式为：
其中，
分别为一阶矩估计与二阶矩估计的指数衰减度，用于控制指数衰减，mn是梯度的指数移动均值，通过梯度的一阶矩求出，vn是平方梯度，通过梯度的二阶矩求出。mn与vn的更新公式如下所示：
mn＝β1*mn-1+(1-β1)*gn (1-14)
其中，gn为权值的梯度。上述参数的默认配置为：α＝0.001，β1＝0.9，β2＝0.999，ε＝10-8。
在本步骤中，在LSTM模型训练完成后，将第一信息和第二信息输入至LSTM模型中，即可得到未来指定时间段内与UE通信的最佳TBS及其最佳波束对在TBS侧与所述UE侧的波束序号。例如，CBS可以根据过去T个时刻与UE通信的最佳波束对的RSRP及其CBS侧与UE侧的波束序号，以及所有TBS与UE通信的最佳波束对的RSRP，预测未来K个时刻与UE通信的最佳TBS及其最佳波束对在TBS侧与UE侧的波束序号。具体的，在前T个时刻，CBS与UE进行波束扫描，波束扫描方法与第一步所阐述的遍历搜索方案相同。通过波束扫描确定最佳波束对在CBS侧与UE侧的波束序号
以及
并计算最佳波束对的
接下来，所有TBS分别与UE进行波束扫描，计算最佳波束对的
并将其通过回传链路上报至CBS。最后，CBS将前T个时刻的
以及
输入训练完成的LSTM网络，通过LSTM网络预测未来K个时刻与UE通信的最佳TBS序号
及其最佳波束对在TBS侧与UE侧的波束序号
与
由上面技术方案可知，本申请实施例提供的基于LSTM的模拟波束切换方法，首先获取过去指定时间段内与终端UE通信的最佳波束对的第一信息，以及业务基站TBS与所述UE通信的最佳波束对的第二信息，进而通过将所述第一信息和所述第二信息输入至长短期记忆网络LSTM模型中，得到未来指定时间段内与所述UE通信的最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号。最后根据最佳TBS及其最佳波束对在TBS侧与UE侧的波束序号，控制TBS与UE进行波束切换。由此可见，本申请实施例当终端与控制基站之间进行通信的控制信道被障碍物遮挡时，通过将过去一段时间的波束信息输入至训练好的LSTM模型，即可准确预测当前时刻切换的最佳业务基站及其与终端通信的最佳波束对，从而有效提升了移动终端在复杂信道环境下波束切换的准确性。
如图10所示，为本申请实施例提供的应用于终端UE的基于LSTM的模拟波束切换方法的步骤流程图，该方法包括如下步骤：
步骤201：在与控制基站CBS通信的各个波束对中向所述CBS发送信道探测参考信号SRS，以及在与业务基站TBS通信的各个波束对中向所述TBS发送所述SRS；
在本步骤中，终端首先在所有波束方向周期性向CBS和TBS发送SRS，以使CBS和TBS在接收SRS后计算波束对的RSRP以及波束对序号。
步骤202：接收所述CBS下发的最佳波束对在终端UE侧的波束序号，并根据所述UE侧的波束序号，进行波束切换。
在本步骤中，需要说明的是，当CBS确定终端当前的最佳波束对在终端UE侧的波束序号后，将该波束序号下发至终端，以使终端根据波数序号切换波束。
如图11所示，为本申请实施例提供的应用于业务基站TBS的基于LSTM的模拟波束切换方法的步骤流程图，该方法包括如下步骤：
步骤301：接收终端UE在各个波束对发送的信道探测参考信号SRS；
步骤302：根据所述SRS，确定第二最佳波束对，以及所述第二最佳波束对的信道探测参考信号接收功率和所述第二最佳波束对在所述TBS侧与所述UE侧的波束序号，并将所述第二最佳波束对的信道探测参考信号接收功率和所述第二最佳波束对在所述TBS侧与所述UE侧的波束序号上报至控制基站CBS。
步骤303：接收所述CBS下发的最佳波束对在业务基站TBS侧的波束序号，并根据所述TBS侧的波束序号，进行波束切换。
在本步骤中，需要说明的是，所有TBS遍历码本接收终端发送的SRS，并计算所有波束对的RSRP，然后分别将最佳波束对在TBS侧与UE侧的序号及其RSRP上报给CBS。在本步骤中，TBS还用于接收CBS下发的最佳波束对在业务基站TBS侧的波束序号，以使根据TBS侧的波束序号，进行波束切换。
下面通过具体实施例对本申请进行具体说明。
第一实施例：
在本实施例中，需要说明的是，本申请实施例不仅适用于基站与单用户之间的通信，并可轻易扩展至多用户场景。如图2所示，该模型考虑在超蜂窝网络中布设一个CBS与两个TBS，UE在网络中高速运动。在每个时刻，UE与CBS在控制信道通信，与单个TBS通过数据信道通信，并且控制信道的直射径被遮挡。图3给出了本申请所使用的天线阵列模型。如图3所示，CBS、TBS与UE均为配备单射频链路的模拟波束成形系统，部署的天线阵列结构均为均匀平面阵列(Uniform Planar Array,UPA)，其天线数分别为NCBS、NTBS以及NUE，每个天线单元分别经过移相器连接至同一条射频链路。对于UE与CBS的上行链路，基站侧的接收信号可由下式给出：
y＝WRF HHFRFs+WRF Hn
其中，s为终端侧在射频链路上的发送信号，FRF为发射端模拟域预编码向量，其维度为
发送信号通过模拟预编码后即可由NUE根天线以波束形式发送。WRF为接收端模拟域合并向量，其维度为
H为维度为NCBS×NUE的信道矩阵，n为服从复高斯分布的噪声，均值为0，方差为
需要说明的是，收发双方的预编码向量与合并向量代表射频链路信号与天线信号的映射关系，又称为码字，对应于空间中的一个波束方向。码字的集合称为码本，包含了所有可能的波束方向的集合。在本发明中，预编码向量与合并向量均基于固定码本产生。基于固定码本是指预先设置一组码本向量，收发双方通过在码本向量中进行搜索选取性能最佳的码字进行通信。本发明使用基于角度量化的Beam-steering码本作为预编码向量与合并向量，其第n行第k列元素为：
其中，N代表天线的数量，M代表码字的数量。
本申请实施例采用的信道是一种宽带毫米波信道，其信道模型如下所示：
其中，(·)H表示共轭转置，Ncl与Nray分别为信道中簇的数量和每条簇中子径的数量，τj,l,t表示t时间第j个簇中第l个径的子信道传播时延，αj,l,t为该子信道复增益，φj,l,t为信道相位，
分别表示子信道在发送端生成的水平方向的方位角以及垂直方向的俯仰角，fd,j,l,t为多普勒频移。
分别表示发送端与接收端的阵列响应向量，本发明采用的天线阵列结构均为UPA，故发送端阵列响应向量表达式为：
其中，
表示克罗内科积运算，
分别为发送端天线在垂直方向与水平方向的阵列响应向量，d表示天线阵列单元间距，λ表示波长。同理可以计算出接收端的阵列响应向量。
本申请实施例提供的LSTM网络架构如图6所示，该网络架构基于“序列到序列”模型(Sequence to Sequence,Seq2Seq)设计，由编码器与译码器两部分组成，其中每一个单元均使用LSTM单元。编码器网络由两层LSTM层组成，译码器网络中包括两个LSTM层，每一个LSTM层均包括256个隐藏节点。此外，编码器与译码器第二个LSTM层的单元状态通过注意力模型进行处理后输入到译码器的全连接层，全连接层的输出即为最终预测结果。
第二实施例：
在本实施例中，图4为本申请实施例提供的基于LSTM的模拟波束切换方法的整体流程图，主要分为三个阶段：训练数据生成阶段、网络训练阶段、波束预测阶段。
图5为本申请实施例提供的第一训练样本集和第二训练样本集生成阶段的流程图。首先通过波束扫描方法获得训练数据。UE在所有波束方向周期性发送SRS，CBS遍历码本接收并计算所有波束对的RSRP，然后获得最佳波束对在CBS侧与UE侧的序号及其RSRP。所有TBS也遍历码本接收UE发送的SRS信号，并计算所有波束对的RSRP，然后分别将最佳波束对在TBS侧与UE侧的序号及其RSRP上报给CBS；CBS根据TBS上报结果判断此时最佳的TBS序号。接下来对训练数据进行预处理。对特征序列中的RSRP进行均值方差归一化，使处理后的数据服从标准正态分布；对特征序列中的波束序号与TBS序号进行One-Hot编码。
图6为本申请实施例提供的LSTM网络架构示意图。本申请实施例提供的LSTM网络架构基于Seq2Seq模型设计，由编码器与译码器两部分组成。编码器网络由两层LSTM层组成，译码器网络中包括两个LSTM层，每一个LSTM层均包括256个隐藏节点。此外，编码器与译码器的输出通过注意力模型进行处理后输入到译码器的全连接层。在训练过程中，本发明通过自回归模式与导师驱动模式两种机制进行任务的训练。两种模式下，编码器的输入均为过去T个时刻的
以及
译码器输出为未来K个时刻的
以及
在自回归模式下，将前一个时刻译码器单元的预测输出作为当前时刻译码器单元的输入；在导师驱动模式下，以前一个时刻的真实输出作为当前时刻译码器单元的输入。在每次迭代中，为每个时刻的单元分配一个概率p，使得当前时刻的单元有概率p使用导师驱动模式，有1-p的概率选择自回归模式，并且设置p值随着迭代次数进行线性减小。接下来，计算当前迭代的预测结果与真实结果的交叉熵损失函数。最后，根据Adam方法更新LSTM网络权重参数。
图7为本申请实施例提供的基于LSTM模型进行波束预测的流程图。首先，在前T个时刻，CBS与UE进行波束扫描，通过波束扫描确定最佳波束对在CBS侧与UE侧的波束序号
以及
并计算最佳波束对的
接下来，所有TBS分别与UE进行波束扫描，计算最佳波束对的
并将其通过回传链路上报至CBS。最后，CBS将
以及
输入训练完成的LSTM网络，通过LSTM网络的输出确定未来K个时刻与UE通信的最佳TBS序号
及其最佳波束对在TBS侧与UE侧的波束序号
图8为本申请实施例提供的与遍历搜索方案以及基于位置预测的波束切换方案的下行频谱效率对比图，同时比较了本申请实施例中使用不同的批大小(mini-Batch size)进行网络训练的性能。对于遍历搜索方案，UE发送导频信号SRS，TBS分别遍历所有码本完成接收，并由性能最佳的TBS在RSRP最高的波束方向发送下行数据。子图a为下行频谱效率随上行发送功率Pt的变化趋势。从图中可以看出，首先，在高Pt场景下，本本申请实施例性能达到遍历搜索方案的99％，相比于基于位置预测的波束切换方案提高了20％。其次，在Pt<-12dBm时，较低的Pt导致遍历搜索方案难以获得最佳的下行通信波束，而基于高Pt下生成训练数据的本申请实施例可以获得高于遍历搜索方案的下行频谱效率，因此适用于上行功率受限的场景。最后，本申请实施例的性能随着mini-Batch size的降低而升高，相比于每次使用全部训练数据(full batch)进行参数更新，mini-Batch size为4时的性能提升了4.8％。子图b为下行频谱效率在Pt＝20dBm下随路线采样点的变化趋势。从图中可以看出，本申请实施例对于最佳波束的预测保持着极高的准确性，而基于位置预测的波束切换方案性能与最佳性能的差距较大。
图9为本申请实施例提供的与遍历搜索方案以及自回归模式训练方案的频谱效率对比图，从图中可以看出，与自回归模式训练方案相比，本申请实施例性能提升了6.3％。由此可见，本申请实施例针对控制信道直射径被遮挡时的复杂信道环境，充分利用深度学习中LSTM网络架构对时间序列的良好记忆能力，根据过去一段时间的波束信息，学习信道环境与服务波束序号的内在联系，并预测当前时刻切换的最佳TBS及其与UE通信的最佳波束对，具有较低的导频开销，并且有效提升移动终端在复杂信道环境下波束切换的准确性。
此外，如图12所示，为本申请实施例提供的应用于控制基站CBS的基于LSTM的模拟波束切换装置的模块框图，该装置包括：
获取模块1，用于获取过去指定时间段内与终端UE通信的最佳波束对的第一信息，以及业务基站TBS与所述UE通信的最佳波束对的第二信息；
第一处理模块2，用于将所述第一信息和所述第二信息输入至长短期记忆网络LSTM模型中，得到未来指定时间段内与所述UE通信的最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号；
第二处理模块3，用于根据所述最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号，控制所述TBS与UE进行波束切换；
其中，所述LSTM模型是基于第一训练样本集和第二训练样本集进行训练后得到的，其中，所述第一训练样本集包括过去指定时间段内的所述第一信息和所述第二信息；所述第一信息包括过去指定时间段内控制基站CBS与终端UE通信的最佳波束对的信道探测参考信号接收功率，以及，所述最佳波束对在所述CBS侧与所述UE侧的波束序号，所述第二信息包括所述TBS在过去指定时间段内与终端UE通信的最佳波束对的信道探测参考信号接收功率，以及，所述最佳波束对在所述TBS侧与所述UE侧的波束序号；所述第二训练样本集包括未来指定时间段内与所述UE通信的最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号。
在此需要说明的是，本装置能够实现应用于控制基站CBS的基于LSTM的模拟波束切换方法实施例的所有方法步骤并能够达到相同的技术效果，在此不再进行赘述。
此外，如图13所示，为本申请实施例提供的应用于终端UE的基于LSTM的模拟波束切换装置的模块框图，该装置包括：
发送模块4，用于在与控制基站CBS通信的各个波束对中向所述CBS发送信道探测参考信号SRS，以及在与业务基站TBS通信的各个波束对中向所述TBS发送所述SRS；
第三处理模块5，用于接收所述CBS下发的最佳波束对在终端UE侧的波束序号，并根据所述UE侧的波束序号，进行波束切换。
在此需要说明的是，本装置能够实现应用于终端UE的基于LSTM的模拟波束切换方法实施例的所有方法步骤并能够达到相同的技术效果，在此不再进行赘述。
此外，如图14所示，为本申请实施例提供的应用于业务基站TBS的基于LSTM的模拟波束切换装置的模块框图，该装置包括：
接收模块6，用于接收终端UE在各个波束对发送的信道探测参考信号SRS；
第四处理模块7，用于根据所述SRS，确定第二最佳波束对，以及所述第二最佳波束对的信道探测参考信号接收功率和所述第二最佳波束对在所述TBS侧与所述UE侧的波束序号，并将所述第二最佳波束对的信道探测参考信号接收功率和所述第二最佳波束对在所述TBS侧与所述UE侧的波束序号上报至控制基站CBS。
第五处理模块8，用于接收所述CBS下发的最佳波束对在业务基站TBS侧的波束序号，并根据所述TBS侧的波束序号，进行波束切换。
在此需要说明的是，本装置能够实现应用于业务基站TBS的基于LSTM的模拟波束切换方法实施例的所有方法步骤并能够达到相同的技术效果，在此不再进行赘述。
图15是本申请实施例提供的控制基站CBS设备的结构示意图之一，包括存储器1520，收发机1500，处理器1510。
其中，在图15中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器1510代表的一个或多个处理器和存储器1520代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机1500可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元，这些传输介质包括无线信道、有线信道、光缆等传输介质。处理器1510负责管理总线架构和通常的处理，存储器1520可以存储处理器1510在执行操作时所使用的数据。
处理器1510可以是中央处埋器(CPU)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或复杂可编程逻辑器件(Complex Programmable Logic Device，CPLD)，处理器也可以采用多核架构。
存储器1520，用于存储计算机程序；收发机1500，用于在所述处理器的控制下收发数据；处理器1510，用于读取所述存储器中的计算机程序并执行以下操作：
获取过去指定时间段内与终端UE通信的最佳波束对的第一信息，以及业务基站TBS与所述UE通信的最佳波束对的第二信息；
将所述第一信息和所述第二信息输入至长短期记忆网络LSTM模型中，得到未来指定时间段内与所述UE通信的最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号；
根据所述最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号，控制所述TBS与UE进行波束切换；
其中，所述LSTM模型是基于第一训练样本集和第二训练样本集进行训练后得到的，其中，所述第一训练样本集包括过去指定时间段内的所述第一信息和所述第二信息；所述第一信息包括过去指定时间段内控制基站CBS与终端UE通信的最佳波束对的信道探测参考信号接收功率，以及，所述最佳波束对在所述CBS侧与所述UE侧的波束序号，所述第二信息包括所述TBS在过去指定时间段内与终端UE通信的最佳波束对的信道探测参考信号接收功率，以及，所述最佳波束对在所述TBS侧与所述UE侧的波束序号；所述第二训练样本集包括未来指定时间段内与所述UE通信的最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号。
在此需要说明的是，本申请实施例提供的控制基站CBS设备能够实现应用于控制基站CBS设备的基于LSTM的模拟波束切换方法实施例的所有方法步骤并能够达到相同的技术效果，在此不再进行赘述。
图16是本申请实施例提供的终端UE设备的结构示意图之一，包括存储器1620，收发机1600，处理器1610。
其中，在图16中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器1610代表的一个或多个处理器和存储器1620代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机1600可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元，这些传输介质包括无线信道、有线信道、光缆等传输介质。处理器1610负责管理总线架构和通常的处理，存储器1620可以存储处理器1610在执行操作时所使用的数据。
处理器1610可以是中央处埋器(CPU)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或复杂可编程逻辑器件(Complex Programmable Logic Device，CPLD)，处理器也可以采用多核架构。
存储器1620，用于存储计算机程序；收发机1600，用于在所述处理器的控制下收发数据；处理器1610，用于读取所述存储器中的计算机程序并执行以下操作：
在与控制基站CBS通信的各个波束对中向所述CBS发送信道探测参考信号SRS，以及在与业务基站TBS通信的各个波束对中向所述TBS发送所述SRS；
接收所述CBS下发的最佳波束对在终端UE侧的波束序号，并根据所述UE侧的波束序号，进行波束切换。
在此需要说明的是，本申请实施例提供的终端UE设备能够实现应用于终端UE设备的基于LSTM的模拟波束切换方法实施例的所有方法步骤并能够达到相同的技术效果，在此不再进行赘述。
图17是本申请实施例提供的终端UE设备的结构示意图之一，包括存储器1720，收发机1700，处理器1710。
其中，在图17中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器1710代表的一个或多个处理器和存储器1720代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机1700可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元，这些传输介质包括无线信道、有线信道、光缆等传输介质。处理器1710负责管理总线架构和通常的处理，存储器1720可以存储处理器1710在执行操作时所使用的数据。
处理器1710可以是中央处埋器(CPU)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或复杂可编程逻辑器件(Complex Programmable Logic Device，CPLD)，处理器也可以采用多核架构。
存储器1720，用于存储计算机程序；收发机1700，用于在所述处理器的控制下收发数据；处理器1710，用于读取所述存储器中的计算机程序并执行以下操作：
接收终端UE在各个波束对发送的信道探测参考信号SRS；
根据所述SRS，确定第二最佳波束对，以及所述第二最佳波束对的信道探测参考信号接收功率和所述第二最佳波束对在所述TBS侧与所述UE侧的波束序号，并将所述第二最佳波束对的信道探测参考信号接收功率和所述第二最佳波束对在所述TBS侧与所述UE侧的波束序号上报至控制基站CBS。
接收所述CBS下发的最佳波束对在业务基站TBS侧的波束序号，并根据所述TBS侧的波束序号，进行波束切换。
在此需要说明的是，本申请实施例提供的业务基站TBS设备能够实现应用于业务基站TBS设备的基于LSTM的模拟波束切换方法实施例的所有方法步骤并能够达到相同的技术效果，在此不再进行赘述。
另一方面，本申请实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述实施例中所述的方法。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
由上述实施例可见，处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述基于LSTM的模拟波束切换方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机可执行指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机可执行指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些处理器可执行指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的处理器可读存储器中，使得存储在该处理器可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些处理器可执行指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种基于LSTM的模拟波束切换方法，其特征在于，应用于控制基站CBS，包括：
获取过去指定时间段内与终端UE通信的最佳波束对的第一信息，以及业务基站TBS与所述UE通信的最佳波束对的第二信息；
将所述第一信息和所述第二信息输入至长短期记忆网络LSTM模型中，得到未来指定时间段内与所述UE通信的最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号；
根据所述最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号，控制所述TBS与UE进行波束切换；
其中，所述LSTM模型是基于第一训练样本集和第二训练样本集进行训练后得到的，其中，所述第一训练样本集包括过去指定时间段内的所述第一信息和所述第二信息；所述第一信息包括过去指定时间段内控制基站CBS与终端UE通信的最佳波束对的信道探测参考信号接收功率，以及，所述最佳波束对在所述CBS侧与所述UE侧的波束序号，所述第二信息包括所述TBS在过去指定时间段内与终端UE通信的最佳波束对的信道探测参考信号接收功率，以及，所述最佳波束对在所述TBS侧与所述UE侧的波束序号；所述第二训练样本集包括未来指定时间段内与所述UE通信的最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号。
2.根据权利要求1所述的基于LSTM的模拟波束切换方法，其特征在于，所述获取过去指定时间段内与终端UE通信的最佳波束对的第一信息，以及业务基站TBS与所述UE通信的最佳波束对的第二信息，包括：
接收所述UE在各个波束对发送的信道探测参考信号SRS；
根据所述SRS，确定第一最佳波束对，以及所述第一最佳波束对的信道探测参考信号接收功率和第一最佳波束对在所述CBS侧与所述UE侧的波束序号；
接收所述TBS上报的第二最佳波束对的信道探测参考信号接收功率，以及所述第二最佳波束对在所述TBS侧与所述UE侧的波束序号。
3.根据权利要求1所述的基于LSTM的模拟波束切换方法，其特征在于，所述LSTM模型在训练时的损失函数L为：
其中，K表示预测的未来时间长度，I表示预测输出序列特征的维度，y表示所述LSTM模型的预测输出序列结果，i表示所述LSTM模型预测输出序列的特征维度序号，k表示所述LSTM模型预测的未来时刻序号，
表示真实输出序列结果。
4.一种基于LSTM的模拟波束切换方法，其特征在于，应用于终端UE，包括：
在与控制基站CBS通信的各个波束对中向所述CBS发送信道探测参考信号SRS，以及在与业务基站TBS通信的各个波束对中向所述TBS发送所述SRS；
接收所述CBS下发的最佳波束对在终端UE侧的波束序号，并根据所述UE侧的波束序号，进行波束切换。
5.一种基于LSTM的模拟波束切换方法，其特征在于，应用于业务基站TBS，包括：
接收终端UE在各个波束对发送的信道探测参考信号SRS；
根据所述SRS，确定第二最佳波束对，以及所述第二最佳波束对的信道探测参考信号接收功率和所述第二最佳波束对在所述TBS侧与所述UE侧的波束序号，并将所述第二最佳波束对的信道探测参考信号接收功率和所述第二最佳波束对在所述TBS侧与所述UE侧的波束序号上报至控制基站CBS；
接收所述CBS下发的最佳波束对在业务基站TBS侧的波束序号，并根据所述TBS侧的波束序号，进行波束切换。
6.一种控制基站CBS，其特征在于，包括：
获取模块，用于获取过去指定时间段内与终端UE通信的最佳波束对的第一信息，以及业务基站TBS与所述UE通信的最佳波束对的第二信息；
第一处理模块，用于将所述第一信息和所述第二信息输入至长短期记忆网络LSTM模型中，得到未来指定时间段内与所述UE通信的最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号；
第二处理模块，用于根据所述最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号，控制所述TBS与UE进行波束切换；
其中，所述LSTM模型是基于第一训练样本集和第二训练样本集进行训练后得到的，其中，所述第一训练样本集包括过去指定时间段内的所述第一信息和所述第二信息；所述第一信息包括过去指定时间段内控制基站CBS与终端UE通信的最佳波束对的信道探测参考信号接收功率，以及，所述最佳波束对在所述CBS侧与所述UE侧的波束序号，所述第二信息包括所述TBS在过去指定时间段内与终端UE通信的最佳波束对的信道探测参考信号接收功率，以及，所述最佳波束对在所述TBS侧与所述UE侧的波束序号；所述第二训练样本集包括未来指定时间段内与所述UE通信的最佳TBS及其最佳波束对在所述TBS侧与所述UE侧的波束序号。
7.一种终端，其特征在于，包括：
发送模块，用于在与控制基站CBS通信的各个波束对中向所述CBS发送信道探测参考信号SRS，以及在与业务基站TBS通信的各个波束对中向所述TBS发送所述SRS；
第三处理模块，用于接收所述CBS下发的最佳波束对在终端UE侧的波束序号，并根据所述UE侧的波束序号，进行波束切换。
8.一种业务基站TBS，其特征在于，包括：
接收模块，用于接收终端UE在各个波束对发送的信道探测参考信号SRS；
第四处理模块，用于根据所述SRS，确定第二最佳波束对，以及所述第二最佳波束对的信道探测参考信号接收功率和所述第二最佳波束对在所述TBS侧与所述UE侧的波束序号，并将所述第二最佳波束对的信道探测参考信号接收功率和所述第二最佳波束对在所述TBS侧与所述UE侧的波束序号上报至控制基站CBS；
第五处理模块，用于接收所述CBS下发的最佳波束对在业务基站TBS侧的波束序号，并根据所述TBS侧的波束序号，进行波束切换。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-3任一项所述的应用于控制基站CBS的基于LSTM的模拟波束切换方法，或如权利要求4所述的应用于终端的基于LSTM的模拟波束切换方法的步骤，或如权利要求5所述的应用于业务基站TBS的基于LSTM的模拟波束切换方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-3任一项所述的应用于控制基站CBS的基于LSTM的模拟波束切换方法，或如权利要求4所述的应用于终端的基于LSTM的模拟波束切换方法的步骤，或如权利要求5所述的应用于业务基站TBS的基于LSTM的模拟波束切换方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110633087.6A CN113438002B (zh) | 2021-06-07 | 2021-06-07 | 基于lstm的模拟波束切换方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110633087.6A CN113438002B (zh) | 2021-06-07 | 2021-06-07 | 基于lstm的模拟波束切换方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113438002A true CN113438002A (zh) | 2021-09-24 |
| CN113438002B CN113438002B (zh) | 2022-07-12 |
Family
ID=77803876
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110633087.6A Active CN113438002B (zh) | 2021-06-07 | 2021-06-07 | 基于lstm的模拟波束切换方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113438002B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114727350A (zh) * | 2022-04-21 | 2022-07-08 | 中国联合网络通信集团有限公司 | 终端切换方法、装置、设备及存储介质 |
| WO2023137611A1 (en) * | 2022-01-19 | 2023-07-27 | Qualcomm Incorporated | Reference signal index and machine learning for beam prediction |
| WO2023179651A1 (zh) * | 2022-03-23 | 2023-09-28 | 维沃移动通信有限公司 | 波束处理方法、装置及设备 |
| WO2024164969A1 (zh) * | 2023-02-09 | 2024-08-15 | 索尼集团公司 | 电子设备、用于无线通信的方法以及计算机可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107872889A (zh) * | 2016-09-28 | 2018-04-03 | 北京信威通信技术股份有限公司 | 一种波束跟踪的方法及装置 |
| CN107872267A (zh) * | 2016-09-28 | 2018-04-03 | 北京信威通信技术股份有限公司 | 一种波束跟踪的方法及装置 |
| WO2020164115A1 (en) * | 2019-02-15 | 2020-08-20 | Mediatek Singapore Pte. Ltd. | Methods and apparatus of scell activation in new radio system |
| WO2020204322A1 (ko) * | 2019-03-29 | 2020-10-08 | 엘지전자 주식회사 | 무선 통신 시스템에서 단말의 빔 관리 수행 방법 및 이를 지원하는 단말 및 기지국 |
| CN112073106A (zh) * | 2020-08-14 | 2020-12-11 | 清华大学 | 毫米波波束预测方法及装置、电子设备、可读存储介质 |
| US20210167875A1 (en) * | 2019-11-29 | 2021-06-03 | Samsung Electronics Co., Ltd. | Method and user equipment for a signal reception |
-
2021
- 2021-06-07 CN CN202110633087.6A patent/CN113438002B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107872889A (zh) * | 2016-09-28 | 2018-04-03 | 北京信威通信技术股份有限公司 | 一种波束跟踪的方法及装置 |
| CN107872267A (zh) * | 2016-09-28 | 2018-04-03 | 北京信威通信技术股份有限公司 | 一种波束跟踪的方法及装置 |
| WO2020164115A1 (en) * | 2019-02-15 | 2020-08-20 | Mediatek Singapore Pte. Ltd. | Methods and apparatus of scell activation in new radio system |
| WO2020204322A1 (ko) * | 2019-03-29 | 2020-10-08 | 엘지전자 주식회사 | 무선 통신 시스템에서 단말의 빔 관리 수행 방법 및 이를 지원하는 단말 및 기지국 |
| US20210167875A1 (en) * | 2019-11-29 | 2021-06-03 | Samsung Electronics Co., Ltd. | Method and user equipment for a signal reception |
| CN112073106A (zh) * | 2020-08-14 | 2020-12-11 | 清华大学 | 毫米波波束预测方法及装置、电子设备、可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| WU, WEI ET AL.: "Low-Complexity Beam Training for 5G Millimeter-Wave Massive MIMO Systems", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
| 刘丹谱等: "毫米波大规模天线系统中的混合波束成型技术", 《中国传媒大学学报（自然科学版）》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023137611A1 (en) * | 2022-01-19 | 2023-07-27 | Qualcomm Incorporated | Reference signal index and machine learning for beam prediction |
| WO2023179651A1 (zh) * | 2022-03-23 | 2023-09-28 | 维沃移动通信有限公司 | 波束处理方法、装置及设备 |
| CN114727350A (zh) * | 2022-04-21 | 2022-07-08 | 中国联合网络通信集团有限公司 | 终端切换方法、装置、设备及存储介质 |
| CN114727350B (zh) * | 2022-04-21 | 2023-08-08 | 中国联合网络通信集团有限公司 | 终端切换方法、装置、设备及存储介质 |
| WO2024164969A1 (zh) * | 2023-02-09 | 2024-08-15 | 索尼集团公司 | 电子设备、用于无线通信的方法以及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113438002B (zh) | 2022-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113438002B (zh) | 基于lstm的模拟波束切换方法、装置、设备及介质 | |
| CN113411110B (zh) | 一种基于深度强化学习的毫米波通信波束训练方法 | |
| KR102154481B1 (ko) | 딥러닝을 이용한 대규모 mimo 시스템의 빔포밍 장치 및 방법 | |
| CN113364501B (zh) | 一种莱斯信道下基于低精度adc去蜂窝大规模mimo系统的功率控制方法 | |
| CN113489521A (zh) | 反射面辅助无小区大规模mimo网络智能联合波束赋形方法 | |
| CN116600314A (zh) | 一种高铁毫米波通信系统的通信控制方法及系统 | |
| CN115021779A (zh) | Ris辅助的mimo系统的离散相移设计方法和装置 | |
| Jiang et al. | Distributed inter-cell interference coordination for small cell wireless communications: A multi-agent deep Q-learning approach | |
| Nguyen et al. | A deep learning framework for beam selection and power control in massive MIMO-millimeter-wave communications | |
| CN116419257A (zh) | 一种通信方法及装置 | |
| CN114268348A (zh) | 一种基于深度强化学习的无蜂窝大规模mimo功率分配方法 | |
| Deng et al. | Adaptive beam alignment and optimization for IRS-aided high-speed UAV communications | |
| CN113437999A (zh) | 一种抑制毫米波通信系统中波束漂移效应的自适应波束宽度调制算法 | |
| CN115622596B (zh) | 一种基于多任务学习的快速波束对齐方法 | |
| Wang et al. | New Environment Adaptation with Few Shots for OFDM Receiver and mmWave Beamforming | |
| Salaün et al. | Deep learning based power control for cell-free massive MIMO with MRT | |
| CN115361043B (zh) | 高铁毫米波通信系统的通信控制方法及控制系统 | |
| CN115549745A (zh) | Ris相移设计方法、装置、计算机设备及存储介质 | |
| CN112187387A (zh) | 基于栅格化用户位置自动化天线调参的新型强化学习方法 | |
| Hu et al. | Location Prediction Using Bayesian Optimization LSTM for RIS-Assisted Wireless Communications | |
| CN111277313A (zh) | 基于二分图的蜂窝车联网大规模mimo波束选择与传输方法 | |
| CN116112941B (zh) | 一种多ris辅助的无线网络覆盖优化方法与装置 | |
| CN113890583B (zh) | 一种毫米波亚毫米波频段非对称信道参数预测方法 | |
| WO2023039843A1 (en) | Method and apparatus for beam management | |
| Hou et al. | Prediction Evaluation for RSSI Data Generated from Leaky Coaxial Cables over Indoor Environment |
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 |