CN113472404B - 基于条件生成对抗网络的数字域波束赋形优化方法及装置 - Google Patents

基于条件生成对抗网络的数字域波束赋形优化方法及装置 Download PDF

Info

Publication number
CN113472404B
CN113472404B CN202110789434.4A CN202110789434A CN113472404B CN 113472404 B CN113472404 B CN 113472404B CN 202110789434 A CN202110789434 A CN 202110789434A CN 113472404 B CN113472404 B CN 113472404B
Authority
CN
China
Prior art keywords
beam forming
matrix
image
countermeasure network
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110789434.4A
Other languages
English (en)
Other versions
CN113472404A (zh
Inventor
庞立华
李育东
尚明浩
程叶倩
柯增红
李�荣
代新冠
毛昕蓉
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.)
Guangzhou Its Communication Equipment Co ltd
Original Assignee
Xian University of Science and Technology
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 Xian University of Science and Technology filed Critical Xian University of Science and Technology
Priority to CN202110789434.4A priority Critical patent/CN113472404B/zh
Publication of CN113472404A publication Critical patent/CN113472404A/zh
Application granted granted Critical
Publication of CN113472404B publication Critical patent/CN113472404B/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
    • 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
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/086—Weighted combining using weights depending on external parameters, e.g. direction of arrival [DOA], predetermined weights or beamforming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/24—Cell structures
    • H04W16/28—Cell structures using beam steering

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (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

本发明公开了一种基于条件生成对抗网络的数字域波束赋形优化方法及装置，获取Massive MIMO系统的模拟域波束赋形矩阵；将模拟域波束赋形矩阵转换为第一图像；将第一图像输入条件生成对抗网络的生成器，得到Massive MIMO系统的混合波束赋形矩阵对应的第二图像；根据模拟域波束赋形矩阵和第二图像确定Massive MIMO系统的数字域波束赋形矩阵；基于数字域波束赋形矩阵和模拟域波束赋形矩阵F_A进行混合波束赋形预处理；本发明通过构建条件生成对抗网络来代替传统数字域波束赋形，通过该条件生成对抗网络可以对数字域波束赋形过程进行模拟，在对条件生成对抗网络进行训练的过程中可以进行优化全流程，并且能结合实际通信环境进行优化，从而提高了系统的系统容量。

Description

基于条件生成对抗网络的数字域波束赋形优化方法及装置
技术领域
本发明属于信号处理技术领域，尤其涉及一种基于条件生成对抗网络的数字域波束赋形优化方法及装置。
背景技术
波束赋形(Beamforming)技术是一种使用传感器阵列定向发送和接收信号的信号处理技术。波束赋形技术通过调整相位阵列中基本单元的参数，使得某些角度的信号获得相长干涉，而另一些角度的信号获得相消干涉。
传统的波束赋形技术分为全数字波束赋形(Digital Beamforming,DBF)技术和全模拟波束赋形(Analog Beamforming,ABF)技术。全数字波束赋形技术需要给每根天线配备一条射频链(RF链)，而在Massive MIMO系统中，基站端天线数目很大，射频链是数字收发机中最昂贵的硬件部分，所以要实现数字波束赋形技术造价非常昂贵，是不切实际的。所以，为了降低通信系统的系统复杂度和成本开销，一个有效的方法是使用模拟波束赋形技术。然而，模拟波束赋形技术的移相器振幅是恒定的，其性能远远劣于数字波束赋形技术。为了提升性能，又提出了混合波束赋形技术。
传统的混合波束赋形方法的设计，基本都是基于优化问题的求解，需要进行大量的计算，且最终性能难以达到硬件系统的最优性能。
发明内容
本发明的目的是提供一种基于条件生成对抗网络的数字域波束赋形优化方法及装置，通过条件生成对抗网络代替原有的数字域波束赋形模块进行系统优化，提高了系统的频谱效率。
本发明采用以下技术方案：一种基于条件生成对抗网络的数字域波束赋形优化方法，应用于Massive MIMO系统的基站中，包括以下步骤：
获取Massive MIMO系统的模拟域波束赋形矩阵F_A；
将模拟域波束赋形矩阵F_A转换为第一图像；
将第一图像输入条件生成对抗网络的生成器，得到Massive MIMO系统的混合波束赋形矩阵F对应的第二图像；
根据模拟域波束赋形矩阵F_A和第二图像确定Massive MIMO系统的数字域波束赋形矩阵F_D；
基于数字域波束赋形矩阵F_D和所述模拟域波束赋形矩阵F_A进行混合波束赋形预处理。
进一步的，根据第一图像和第二图像确定Massive MIMO系统的数字域波束赋形矩阵F_D包括：
根据第二图像生成Massive MIMO系统的混合波束赋形矩阵F；
将模拟域波束赋形矩阵F_A和混合波束赋形矩阵F带入(F_A)*(F_D)＝F中，计算得到数字域波束赋形矩阵F_D。
进一步的，条件生成对抗网络采用如下训练方法得出：
利用Massive MIMO系统生成训练集；其中，训练集包括多组训练图像，每组训练图像均由模拟域波束赋形矩阵F_A训练图像和全数字波束赋形矩阵Fopt训练图像组成；
选取一组训练图像中的模拟域波束赋形矩阵F_A训练图像输入生成器，得到混合波束赋形矩阵F训练图像；
将全数字波束赋形矩阵Fopt训练图像和混合波束赋形矩阵F训练图像输入条件生成对抗网络的判别器，得到条件生成对抗网络的损失函数值；
当损失函数值小于等于预设门限值时，完成生成器的训练。
进一步的，当损失函数值大于预设门限值时，利用损失函数值在条件生成对抗网络中逆向传播优化各神经元之间的连接权值和偏置值；
从训练集中重新选取训练图像继续对条件生成对抗网络的生成器进行训练，直至得到的损失函数值小于等于预设门限值或训练次数达到训练次数阈值。
进一步的，损失函数具体为L＝E[logD(Fopt,H)]+E[log(1-D(G(F_A,H)))]；
其中，L为损失函数值，D为判别器的输出结果，H为信道矩阵，G表示生成器。
进一步的，生成器包括上采样层、卷积层、整流线型单元层、编码器、解码器和全连接层；
上采样层和卷积层用于将输入的模拟域波束赋形矩阵F_A对应的图像进行缩放；
编码器和解码器用于生成混合波束赋形矩阵F对应的图像。
进一步的，判别器包括卷积层、整流线型单元层、编码器和全连接层。
本发明的另一种技术方案：一种基于条件生成对抗网络的数字域波束赋形优化装置，应用于Massive MIMO系统的基站中，包括：
获取模块，用于获取Massive MIMO系统的模拟域波束赋形矩阵F_A；
预处理模块，用于将模拟域波束赋形矩阵F_A转换为第一图像；
生成器模块，用于将第一图像输入条件生成对抗网络的生成器，得到MassiveMIMO系统的混合波束赋形矩阵F对应的第二图像；
确定模块，用于根据模拟域波束赋形矩阵F_A和第二图像确定Massive MIMO系统的数字域波束赋形矩阵F_D；
混合预处理模块，用于基于数字域波束赋形矩阵F_D和模拟域波束赋形矩阵F_A进行混合波束赋形预处理。
本发明的另一种技术方案：一种基于条件生成对抗网络的数字域波束赋形优化装置，应用于Massive MIMO系统的基站中，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种基于条件生成对抗网络的数字域波束赋形优化方法。
本发明的另一种技术方案：一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的方法。
本发明的有益效果是：本发明通过构建条件生成对抗网络来代替传统数字域波束赋形，通过该条件生成对抗网络可以对数字域波束赋形过程进行模拟，在对条件生成对抗网络进行训练的过程中可以进行优化全流程，并且能结合实际通信环境进行优化，从而提高了系统的系统容量。
附图说明
图1为本发明实施例一种基于条件生成对抗网络的数字域波束赋形优化方法的流程图；
图2为本发明实施例中训练集生成流程图；
图3为本发明实施例中生成器的结构示意图；
图4为本发明实施例中判别器的结构示意图；
图5为本发明实施例中编码器块的结构示意图；
图6为本发明实施例中解码器块的结构示意图；
图7为本发明实施例一种基于条件生成对抗网络的数字域波束赋形优化装置的结构示意图；
图8为本发明另一实施例一种基于条件生成对抗网络的数字域波束赋形优化装置的结构示意图；
图9为本发明实施例中验证结果数据图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
随着深度学习的发展，将神经网络应用在移动通信领域可以提高通信系统的频谱效率，本发明利用条件生成对抗网络对混合波束赋形的数字域波束赋形进行设计，进而达到提高频谱效率的目的。
本发明公开了一种基于条件生成对抗网络的数字域波束赋形优化方法，如图1所示，应用于Massive MIMO系统的基站中，包括以下步骤：步骤S10、获取Massive MIMO系统的模拟域波束赋形矩阵F_A；步骤S20、将模拟域波束赋形矩阵F_A转换为第一图像；步骤S30、将第一图像输入条件生成对抗网络的生成器，得到Massive MIMO系统的混合波束赋形矩阵F对应的第二图像；步骤S40、根据模拟域波束赋形矩阵F_A和第二图像确定Massive MIMO系统的数字域波束赋形矩阵F_D；步骤S50、基于数字域波束赋形矩阵F_D和模拟域波束赋形矩阵F_A进行混合波束赋形预处理。
本发明通过构建条件生成对抗网络来代替传统数字域波束赋形，通过该条件生成对抗网络可以对数字域波束赋形过程进行模拟，在对条件生成对抗网络进行训练的过程中可以进行优化全流程，并且能结合实际通信环境进行优化，从而提高了系统的系统容量。
在本发明实施例中，根据第一图像和第二图像确定Massive MIMO系统的数字域波束赋形矩阵F_D包括：
根据第二图像生成Massive MIMO系统的混合波束赋形矩阵F；
将模拟域波束赋形矩阵F_A和混合波束赋形矩阵F带入(F_A)*(F_D)＝F中，计算得到数字域波束赋形矩阵F_D。
作为一种具体实现方式，条件生成对抗网络采用如下训练方法得出：
利用Massive MIMO系统生成训练集；其中，训练集包括多组训练图像，每组训练图像均由模拟域波束赋形矩阵F_A训练图像和全数字波束赋形矩阵Fopt训练图像组成；选取一组训练图像中的模拟域波束赋形矩阵F_A训练图像输入生成器，得到混合波束赋形矩阵F训练图像；将全数字波束赋形矩阵Fopt训练图像和混合波束赋形矩阵F训练图像输入条件生成对抗网络的判别器，得到条件生成对抗网络的损失函数值；当损失函数值小于等于预设门限值时，完成生成器的训练。
在生成训练集时，采用数据模块，如图2所示，先获取Massive MIMO系统的信道状态信息，等增益传输得到模拟域波束赋形矩阵，SVD分解得到全数字波束赋形矩阵；将矩阵输入条件生成对抗网络中进行训练，得到混合波束赋形矩阵，进一步计算出数字域波束赋形矩阵。
具体的，当损失函数值大于预设门限值时，利用损失函数值在条件生成对抗网络中逆向传播优化各神经元之间的连接权值和偏置值；从训练集中重新选取训练图像继续对条件生成对抗网络的生成器进行训练，直至得到的损失函数值小于等于预设门限值或训练次数达到训练次数阈值。
更为具体的，损失函数具体为L＝E[logD(Fopt,H)]+E[log(1-D(G(F_A,H)))]；其中，L为损失函数值，D为判别器的输出结果，H为信道矩阵，G表示生成器。
本发明的一个实施例中，如图3所示，生成器包括上采样层、卷积层、整流线型单元层、编码器、解码器和全连接层；
上采样层和卷积层用于将输入的模拟域波束赋形矩阵F_A对应的图像进行缩放；
编码器和解码器用于生成混合波束赋形矩阵F对应的图像。
生成器模块的体系结构是经过修改的U-Net，由一个编码器(下采样器(downsampler))和一个解码器(上采样器(upsampler))组成。U-Net是为图像处理而设计的全卷积结构。首先使用一个上采样层和一个卷积层将输入缩放为与Fopt相同的大小，然后在U-Net架构中使用四个编码器块和五个解码器块。如图5所示，每个编码器块包括一个卷积层、一个实例规范化层和一个整流线性单元层。如图6所示，每个解码器块由上采样层、卷积层和实例规范化层组成。每个卷积层设置128个大小为4*4的卷积核；实例规范化层用于对每个通道进行规范化；整流线性单元层为ReLU函数。
本发明的一个实施例中，如图4所示，判别器包括卷积层、整流线型单元层、编码器和全连接层。
判别器是一个简单的卷积神经网络，将输入映射到一个感受野，其中每个元素表示输入的部分是真实还是虚假。为此，该判别器的前端部分由一个卷积层、一个整流线性单元层和四个编码器块组成。所有卷积层均为512个滤波器，大小为4×4。最后一层，用全连接层代替卷积层，得到感受野。然后，平均所有感受野的响应，以提供判别器的最终输出；整流线性单元层为ReLU函数。
另外，在本实施例中，条件生成对抗网络结构还包括输入层、数据预处理模块和输出层。输入层的大小可以为256*16。数据预处理模块主要实现数据集的读取并将矩阵信息转化为图片信息。输出层包括全连接层，全连接层大小为256*2。
如图9所示，本实施例进行了验证实例，基于SVD分解的全数字波束赋形算法性能最优，基于条件生成对抗网络的数字域波束赋形性能次之，传统的混合波束赋形算法性能最差。在信噪比为0时，全数字波束赋形频谱效率为18.2859，基于条件生成对抗网络的数字域波束赋形频谱效率为15.3845，传统的混合波束赋形频谱效率为7.93741，相比较而言，所提算法性能提升了约40.73％((15.3845-7.93741)/18.2859＝40.73％)。
本发明还公开了一种基于条件生成对抗网络的数字域波束赋形优化装置，如图4所示，应用于Massive MIMO系统的基站中，包括：
获取模块10，用于获取Massive MIMO系统的模拟域波束赋形矩阵F_A；
预处理模块20，用于将模拟域波束赋形矩阵F_A转换为第一图像；
生成器模块30，用于将第一图像输入条件生成对抗网络的生成器，得到MassiveMIMO系统的混合波束赋形矩阵F对应的第二图像；
确定模块40，用于根据模拟域波束赋形矩阵F_A和第二图像确定Massive MIMO系统的数字域波束赋形矩阵F_D；
混合预处理模块50，用于基于数字域波束赋形矩阵F_D和模拟域波束赋形矩阵F_A进行混合波束赋形预处理。
本发明还公开了一种基于条件生成对抗网络的数字域波束赋形优化装置60，如图7所示，应用于Massive MIMO系统的基站中，包括存储器61、处理器62以及存储在存储器61中并可在处理器上运行的计算机程序63，处理器62执行计算机程序63时实现上述的一种基于条件生成对抗网络的数字域波束赋形优化方法。
需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功模块，以完成以上描述的全部或者部分功能。实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明还公开了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，计算机程序被处理器执行时实现上述的方法。
计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

Claims (10)

1.一种基于条件生成对抗网络的数字域波束赋形优化方法，其特征在于，应用于Massive MIMO系统的基站中，包括以下步骤：
获取Massive MIMO系统的模拟域波束赋形矩阵F_A；
将所述模拟域波束赋形矩阵F_A转换为第一图像；
将所述第一图像输入条件生成对抗网络的生成器，得到所述Massive MIMO系统的混合波束赋形矩阵F对应的第二图像；
根据所述模拟域波束赋形矩阵F_A和所述第二图像确定所述Massive MIMO系统的数字域波束赋形矩阵F_D；
基于所述数字域波束赋形矩阵F_D和所述模拟域波束赋形矩阵F_A进行混合波束赋形预处理。
2.如权利要求1所述的一种基于条件生成对抗网络的数字域波束赋形优化方法，其特征在于，根据所述模拟域波束赋形矩阵F_A和所述第二图像确定所述Massive MIMO系统的数字域波束赋形矩阵F_D包括：
根据所述第二图像生成所述Massive MIMO系统的混合波束赋形矩阵F；
将所述模拟域波束赋形矩阵F_A和混合波束赋形矩阵F带入(F_A)*(F_D)＝F中，计算得到所述数字域波束赋形矩阵F_D。
3.如权利要求1或2所述的一种基于条件生成对抗网络的数字域波束赋形优化方法，其特征在于，所述条件生成对抗网络采用如下训练方法得出：
利用所述Massive MIMO系统生成训练集；其中，所述训练集包括多组训练图像，每组所述训练图像均由模拟域波束赋形矩阵F_A训练图像和全数字波束赋形矩阵Fopt训练图像组成；
选取一组所述训练图像中的模拟域波束赋形矩阵F_A训练图像输入生成器，得到混合波束赋形矩阵F训练图像；
将所述全数字波束赋形矩阵Fopt训练图像和混合波束赋形矩阵F训练图像输入所述条件生成对抗网络的判别器，得到所述条件生成对抗网络的损失函数值；
当所述损失函数值小于等于预设门限值时，完成所述生成器的训练。
4.如权利要求3所述的一种基于条件生成对抗网络的数字域波束赋形优化方法，其特征在于，当所述损失函数值大于所述预设门限值时，利用损失函数值在条件生成对抗网络中逆向传播优化各神经元之间的连接权值和偏置值；
从所述训练集中重新选取所述训练图像继续对所述条件生成对抗网络的生成器进行训练，直至得到的损失函数值小于等于所述预设门限值或训练次数达到训练次数阈值。
5.如权利要求4所述的一种基于条件生成对抗网络的数字域波束赋形优化方法，其特征在于，所述损失函数具体为L＝E[logD(Fopt,H)]+E[log(1-D(G(F_A,H)))]；
其中，L为损失函数值，D为所述判别器的输出结果，H为信道矩阵，G表示生成器。
6.如权利要求5所述的一种基于条件生成对抗网络的数字域波束赋形优化方法，其特征在于，所述生成器包括上采样层、卷积层、整流线型单元层、编码器、解码器和全连接层；
所述上采样层和卷积层用于将输入的模拟域波束赋形矩阵F_A对应的图像进行缩放；
所述编码器和解码器用于生成混合波束赋形矩阵F对应的图像。
7.如权利要求6所述的一种基于条件生成对抗网络的数字域波束赋形优化方法，其特征在于，所述判别器包括卷积层、整流线型单元层、编码器和全连接层。
8.一种基于条件生成对抗网络的数字域波束赋形优化装置，其特征在于，应用于Massive MIMO系统的基站中，包括：
获取模块，用于获取Massive MIMO系统的模拟域波束赋形矩阵F_A；
预处理模块，用于将所述模拟域波束赋形矩阵F_A转换为第一图像；
生成器模块，用于将所述第一图像输入条件生成对抗网络的生成器，得到所述MassiveMIMO系统的混合波束赋形矩阵F对应的第二图像；
确定模块，用于根据所述模拟域波束赋形矩阵F_A和所述第二图像确定所述MassiveMIMO系统的数字域波束赋形矩阵F_D；
混合预处理模块，用于基于所述数字域波束赋形矩阵F_D和所述模拟域波束赋形矩阵F_A进行混合波束赋形预处理。
9.一种基于条件生成对抗网络的数字域波束赋形优化装置，其特征在于，应用于Massive MIMO系统的基站中，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现权利要求1-7任一所述的一种基于条件生成对抗网络的数字域波束赋形优化方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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1-7任一项所述的方法。
CN202110789434.4A 2021-07-13 2021-07-13 基于条件生成对抗网络的数字域波束赋形优化方法及装置 Active CN113472404B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110789434.4A CN113472404B (zh) 2021-07-13 2021-07-13 基于条件生成对抗网络的数字域波束赋形优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110789434.4A CN113472404B (zh) 2021-07-13 2021-07-13 基于条件生成对抗网络的数字域波束赋形优化方法及装置

Publications (2)

Publication Number Publication Date
CN113472404A CN113472404A (zh) 2021-10-01
CN113472404B true CN113472404B (zh) 2022-02-11

Family

ID=77880023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110789434.4A Active CN113472404B (zh) 2021-07-13 2021-07-13 基于条件生成对抗网络的数字域波束赋形优化方法及装置

Country Status (1)

Country Link
CN (1) CN113472404B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109302224A (zh) * 2018-10-18 2019-02-01 复旦大学 用于大规模mimo的混合波束赋形算法
CN109889245A (zh) * 2018-12-03 2019-06-14 东南大学 一种基于波束选择的幂迭代混合波束赋形方法
WO2020125557A1 (zh) * 2018-12-21 2020-06-25 深圳市中兴微电子技术有限公司 混合波束赋形方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109302224A (zh) * 2018-10-18 2019-02-01 复旦大学 用于大规模mimo的混合波束赋形算法
CN109889245A (zh) * 2018-12-03 2019-06-14 东南大学 一种基于波束选择的幂迭代混合波束赋形方法
WO2020125557A1 (zh) * 2018-12-21 2020-06-25 深圳市中兴微电子技术有限公司 混合波束赋形方法和装置

Also Published As

Publication number Publication date
CN113472404A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
Huang et al. Deep learning for super-resolution channel estimation and DOA estimation based massive MIMO system
CN110336594B (zh) 一种基于共轭梯度下降法的深度学习信号检测方法
CN113411110A (zh) 一种基于深度强化学习的毫米波通信波束训练方法
CN109932699A (zh) 一种雷达辐射源识别方法、装置、计算机设备和存储介质
CN111665468A (zh) 基于单比特量化信号虚拟域统计量重建的互质阵列波达方向估计方法
CN107450047A (zh) 嵌套阵下基于未知互耦信息的压缩感知doa估计方法
CN109560849B (zh) 一种基于二阶锥规划的波束赋形的鲁棒性自适应算法
CN114268388A (zh) 一种在大规模mimo中基于改进gan网络的信道估计方法
Jiang et al. Modulation recognition method of satellite communication based on CLDNN model
CN114742911A (zh) 图像压缩感知重建方法、系统、设备及介质
CN113472404B (zh) 基于条件生成对抗网络的数字域波束赋形优化方法及装置
CN117060954A (zh) 一种基于mimo通信与感知技术的通感一体化波束设计方法
CN116319190A (zh) 基于gan的大规模mimo系统信道估计方法、装置、设备及介质
CN110267049A (zh) 一种稀疏编码的存储优化方法
CN115022134A (zh) 基于非迭代重构网络的毫米波大规模mimo系统信道估计方法及系统
Mohammad et al. A memory-efficient learning framework for symbol level precoding with quantized NN weights
Ramezanpour et al. DNN‐based interference mitigation beamformer
CN113890798A (zh) Ris级联信道多用户联合的结构化稀疏估计方法及装置
An et al. Channel estimation for one-bit massive MIMO based on improved cGAN
Luo et al. A novel aliasing-free subband information fusion approach for wideband sparse spectral estimation
Omondi et al. Variational autoencoder-enhanced deep neural network-based detection for MIMO systems
CN114389660B (zh) 一种超大规模mimo中包含球面波特征的传输方法
Eswaramoorthi et al. Optimized wireless communication for 6G signal processing using memory‐augmented deep unfolding network
CN117975163A (zh) 一种基于改进Transformer的无线频谱状态图像分类方法
CN116760494A (zh) 一种基于卷积神经网络的大规模mimo信号检测方法

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
TR01 Transfer of patent right

Effective date of registration: 20221117

Address after: 510000 3rd floor, building B2, No. 11, Kaiyuan Avenue, Science City, Guangzhou high tech Industrial Development Zone, Guangdong Province

Patentee after: GUANGZHOU ITS COMMUNICATION EQUIPMENT Co.,Ltd.

Address before: No. 58, middle Yanta Road, Yanta District, Xi'an City, Shaanxi Province

Patentee before: XI'AN University OF SCIENCE AND TECHNOLOGY

TR01 Transfer of patent right