CN113691288B - 基于深度学习的联合导频、反馈、多用户混合编码方法 - Google Patents
基于深度学习的联合导频、反馈、多用户混合编码方法 Download PDFInfo
- Publication number
- CN113691288B CN113691288B CN202110966553.2A CN202110966553A CN113691288B CN 113691288 B CN113691288 B CN 113691288B CN 202110966553 A CN202110966553 A CN 202110966553A CN 113691288 B CN113691288 B CN 113691288B
- Authority
- CN
- China
- Prior art keywords
- feedback
- pilot
- network
- pilot frequency
- deep learning
- 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
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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- H04B7/0417—Feedback systems
- H04B7/0421—Feedback systems utilizing implicit feedback, e.g. steered pilot signals
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开一种基于深度学习的联合导频、反馈、多用户混合编码方法,解决传统信道估计反馈方法中导频与反馈开销过大以及传统混合预编码方法性能损失的问题。包括:将下行导频传输过程建模为单层不带偏置的线性激活函数全连接神经网络,即导频传输网络;在用户端构建导频反馈网络,将接收导频信号压缩为比特矢量,并将其反馈给基站;在基站端构建混合预编码网络,用于根据所有用户反馈的比特矢量设计混合预编码器;将所述导频传输网络、导频反馈网络、混合预编码网络组合形成一个端到端的神经网络,并以系统和速率为指标对其进行数据驱动的端到端训练;将训练好的端到端深度学习神经网络应用于导频传输、信道反馈和混合预编码。
Description
技术领域
本发明涉及无线通信中信道估计、信道反馈、预编码领域,尤其涉及毫米波大规模MIMO系统在混合模-数预编码架构下的一种基于深度学习的联合导频、反馈、多用户混合编码方法。
背景技术
大规模MIMO(多输入多输出,Multiple-Input Multiple-Output)是下一代通信系统的关键使能技术。在下行大规模MIMO系统中,基站需要进行多用户预编码,从而消除无法进行联合信号处理的多个用户之间的干扰。在低频段MIMO系统中,预编码通常是以全数字方式在基带进行的。然而这种全数字处理方式要求每一根天线都配备专用的射频链路硬件,这导致了在大规模MIMO系统中过高的硬件成本和功耗开销。为了在提供大规模MIMO的天线增益的同时降低硬件成本与功耗开销,基于相移网络的混合模-数架构预编码被提出了。对于下行多用户混合预编码,准确的下行CSI(信道状态信息,Channel StateInformation)是必不可少的。然而,如何在基站处获取准确的下行CSI并使用不完美的下行CSI执行混合预编码是具有挑战性的。
对于基站处下行CSI的获取,在TDD(时分双工,Time Division Duplex)系统中,基站可以通过上下行信道互易性获取下行CSI。然而,上下行信道互易性并不存在于在FDD(频分双工,Frequency Division Duplex)系统中,这导致了下行CSI的获取更有挑战性。具体地,FDD系统中下行CSI的获取依赖于基站发送的下行导频,基于该导频,接收到的导频信号或估计的下行CSI首先在用户端行压缩量化,然后反馈给基站进行下行预编码。由于基站端大规模MIMO的部署,所产生的高维下行CSI矩阵将对用户的下行信道估计和上行信道反馈造成过高的开销。
现有的多用户FDD大规模MIMO系统的信道估计和信道反馈方案之一是基于码本的反馈方案,例如DFT(离散傅立叶变换,Discrete Fourier Transform)码本。基站在训练阶段从码本发送导频信号,用户将接收到的最强的几个信号的索引和信噪比反馈给基站。但是基于码本的反馈方案只反馈了部分的下行CSI,从而带来了一定的性能损失,并且当CSI维度巨大时,这种方案的导频和反馈开销也是非常巨大的。另一种现有的方案是采用压缩感知算法利用毫米波信道在角度域和时延域的稀疏性来降低导频和反馈开销,用户可以使用压缩感知方法从接收导频信号中获取稀疏信道参数,然后将其量化并反馈给基站。然而压缩感知算法依赖于信道结构的先验假设,可能与实际中多变的信道不匹配从而带来性能损失,并且在大规模MIMO系统中,传统基于压缩感知的方案仍然会产生很高的导频和反馈开销。
下行多用户混合预编码的设计需要同时对模拟预编码器和数字预编码器进行优化,同时要满足移相器非凸的恒模等式约束,因此是一个复杂的非凸优化问题,计算复杂度极高。一些算法被提出来简化混合预编码器的设计以降低计算复杂度,例如采用OMP(正交匹配追踪,Orthogonal Matching Pursuit)算法最大化模拟预编码矩阵与最优全数字预编码矩阵的相关性,或是采用TS-HB(两阶段波束赋形,Two-Stage Hybrid Beamforming)最大化每个用户对应于每个基站射频链路的接收功率。这些方案虽然降低了计算复杂度,但是预编码性能也遭受了损失。
发明内容
本发明公开一种基于深度学习的联合导频、反馈、多用户混合编码方法,解决传统信道估计反馈方法中导频与反馈开销过大以及传统混合预编码方法性能损失的问题。
本发明通过以下技术方案实现。
一种基于深度学习的联合导频、反馈、多用户混合编码方法,包括:
将下行导频传输过程建模为单层不带偏置的线性激活函数全连接神经网络,即导频传输网络;
在用户端构建导频反馈网络,将接收导频信号压缩为比特矢量,并将其反馈给基站;
在基站端构建混合预编码网络,用于根据所有用户反馈的比特矢量设计混合预编码器;
将所述导频传输网络、导频反馈网络、混合预编码网络组合形成一个端到端的神经网络,并以系统和速率为指标对其进行数据驱动的端到端训练;
将训练好的端到端深度学习神经网络应用于导频传输、信道反馈和混合预编码。
本发明的有益效果:
(1)本发明的导频传输网络通过数据驱动的训练,得到了更高效的混合模-数架构MIMO-OFDM导频,降低了导频开销。
(2)本发明通过基于深度学习的导频反馈网络从接收导频信号中隐式提取CSI并进行压缩量化反馈,通过从训练样本中学习丰富的信道先验信息,大大降低了导频和反馈开销。
(3)本发明通过基于深度学习的混合预编码网络设计混合预编码器,达到了比传统混合预编码方案更高的和速率性能。
(4)本发明通过以频谱效率为最优化目标,将所提出的三个网络作为一个整体进行了端到端的训练。相比于传统的分别对信道估计、信道反馈、混合预编码等模块独立进行优化,直接以频谱效率为目标的端到端联合优化有效提升了系统和速率性能。
附图说明
图1为本发明基于深度学习的联合导频、反馈、多用户混合编码方法流程图;
图2为本发明的导频传输网络结构图。
图3为本发明的导频反馈网络结构图。
图4为本发明的混合预编码网络结构图。
图5为本发明的ResBlock单元结构图。
图6为不同信道估计、信道反馈、混合预编码方法与本发明随反馈容量B变化的系统和速率评估对比图。
图7为不同信道估计、信道反馈、混合预编码方法与本发明随路径数Lp变化的系统和速率评估对比图。
图8为不同信道估计、信道反馈、混合预编码方法与本发明随用户数K变化的系统和速率评估对比图。
图9为不同信道估计、信道反馈、混合预编码方法与本发明随移相器分辨率Bphase变化的系统和速率评估对比图。
具体实施方式
下面结合附图对本发明作详细说明。
本发明的基本思想是将导频传输、信道反馈和多用户宽带混合预编码联合建模为一个端到端的神经网络,以最大化频谱效率为目标,通过数据驱动的训练得到合适的训练导频、信道反馈方案和混合预编码方案,大幅度降低导频开销和反馈开销并提升系统和速率性能。
本具体实施方式考虑典型多用户混合模-数预编码架构下FDD毫米波混合大规模MIMO-OFDM系统。在该系统中,发射端装备有M个天线的均匀平面天线阵列,并采用了具有K个射频链路的全连接混合模-数MIMO架构。此外,考虑基站同时服务K个单天线用户,并且采用了具有Nc个子载波的OFDM符号传输数据,每个子载波上传输K个数据流,每个用户接收其中一个数据流。在下行数据传输阶段,发送端在第n(1≤n≤Nc)个子载波上发送的信号向量为
这里发送端的预编码器是由射频模拟预编码器和基带数字预编码器级联而成。是在第n个子载波上针对第k个用户的数据流的基带数字预编码矢量,在每个子载波上将所有用户的数字预编码矢量合并可以得到数字预编码矩阵FBB[n]。由于模拟预编码矩阵FRF是由全连接移相器网络实现的,因此对于FRF的任意第(m,n)项需要满足恒模约束|[FRF]m,n|=1,同时为了满足传输过程中发射功率约束,数字预编码矩阵需要满足约束Pt为每个子载波上的最大发射功率,||·||F为取Frobenius范数符号。
在下行数据传输阶段,在第n个子载波上,第k个用户接收到的数据信号为
在FDD系统中,下行CSI首先由用户通过下行导频获取,随后用户将提取的下行CSI进行压缩量化并反馈给基站。在下行导频训练阶段,本发明考虑基站发送Q个时隙的导频OFDM符号,用表示,那么第k个用户在第n个子载波上接收到的导频信号可以被表示为
{FRF,FBB[1],FBB[2],…,FBB[Nc]}=P(q) (5)
其中函数P(·)表示从总反馈比特矢量到混合预编码器的映射函数。
基于上述分析,下面结合附图对本发明进行详细描述:
如图1所示,本具体实施方式的基于深度学习的联合导频、反馈、多用户混合编码方法,具体包括:
本实施例中由于考虑了混合模-数架构MIMO系统,导频是通过恒模移相器网络生成的,导频矩阵需要满足恒模约束,因此,本实施例将导频矩阵的相位Φ作为可训练参数以满足恒模约束,考虑到实际系统移相器的相位分辨率是有限的,本实施例将移相器的相位取值约束在自定义的量化角度集合A中:
其中,Nq为设定的角度量化比特值;则导频矩阵表示为以下的形式:
步骤2.2、导频反馈网络将所述延时域接收导频信号表示成维度为2Q×1×Nc实数矩阵
步骤2.3、导频反馈网络采用了一维卷积对所述导频信号的延时域进行特征提取,并将每个卷积层的卷积核大小设置为1×5。
本实施例中,所述导频反馈网络将所述导频信号Y[k]馈送到ResBlock单元以进行主要特征提取。如图5所示。其中,每个ResBlock包含三个卷积层,第一层和第二层卷积层分别具有256和512个卷积核,最后一层卷积层的卷积核数量与ResBlock输入数据的特征映射数一致。具体实施时,每个卷积层采用适当的零填充,使得输入特征映射的尺寸1×Nc不会被卷积层更改。
本实施例中,采用残差连接将ResBlock输入数据流直接与ResBlock中的最后一层卷积层的输出数据相加。该方法是从深度残差网络中引入的,当神经网络层数较大时,该方法可以避免由多个非线性变换的叠加引起的梯度消失问题。
步骤2.4、导频反馈网络采用一个输出全连接层将数据流的维度压缩到B并反馈给基站。
本实施例中,经过所述ResBlock后,导频反馈网络使用两个神经元数量分别为1024和512的全连接层进行进一步特征提取,最后导频反馈网络采用一个输出全连接层将数据流的维度压缩到B。
在具体实施时,在输出全连接层之后,导频反馈网络使用sigmoid函数将输出限制在0到1之间,并减去0.5以将输出限制在[-0.5,0.5],然后通过符号函数sgn(·)将它们转换为正负一的B反馈比特,最终将这些比特反馈给基站。
用户k的反馈比特矢量表示为
其中,WR是导频反馈网络可学习参数的集合,q[k]是第k个用户的反馈比特矢量,Q(·,WR)表示用户端导频反馈网络的输入和输出之间的映射函数。
在具体实施时,所述导频反馈网络在每个隐藏层后使用了Mish非线性激活函数,为了加快网络的收敛速度并缓解过拟合,每个隐藏层和激活函数之间都引入了批标准化。本实施例假设了不同的用户的信道服从独立同分布,因此所有用户的导频反馈网络都使用相同的权重参数WR。
步骤三、在基站端构建混合预编码网络,用于根据所有用户反馈的比特矢量设计混合预编码器,包括模拟预编码矩阵和数字预编码矩阵。
本实施例中,假设用户和基站之间可以进行无错误的比特反馈,基站需要通过来自所有用户的总反馈比特矢量q来设计混合预编码器。如图4所示,具体步骤如下:
步骤3.1、混合预编码网络的输入为总反馈比特矢量q,前四层是四个神经元数量分别为2048,1024,512和2NcK2+MK的全连接层,第四个全连接层的输出分为两部分,第一部分作为模拟预编码矩阵的相位输出,并且这些相位取值均约束在自定义的量化角度集合A中;第二部分通过一个ResBlock单元得到矢量化的未经功率归一化的数字预编码矩阵
将上述输出转换为复数矩阵,获得如下的模拟预编码矩阵和未经功率归一化的数字预编码矩阵
步骤3.2、将所述数字预编码矩阵功率归一化,表示为:
整个混合预编码过程表示成如下过程
{FRF,FBB[1],FBB[2],…,FBB[Nc]}=P(q;WT) (13)
其中,WT是混合预编码网络的可训练参数的集合,P(·,WT)是混合预编码网络的输入和输出之间的映射函数。
步骤四、将步骤一、步骤2和步骤3分别构建的导频传输网络、导频反馈网络、混合预编码网络组合形成一个端到端的神经网络,并以系统和速率为指标对其进行数据驱动的端到端训练;
本实施例中使用开源的深度学习库PyTorch来实现所提出的端到端神经网络,并利用公式(4)生成训练集、验证集和测试集,分别包含204800、20480和20480个信道样本,这三个数据集之间是互斥的以保证能够测试和验证模型是否发生过拟合。
具体实施时,所述端到端训练具体采用以下方式:采用Adam优化器以系统和速率为目标端到端地优化更新网络参数,初始学习率设置为10-3,并且在迭代过程中每次取512个训练样本计算梯度,训练过程中使用早停策略来监控验证集的和速率性能,保存一组具有最佳验证集性能的网络参数,并在验证集性能长时间不提升时停止训练。
本实施例中所述的端到端方案中存在针对移相器相位和反馈比特的量化操作,作为一个不连续的函数,量化过程不具备梯度,因此本实施例将量化过程的梯度设置为1以便于训练过程中梯度的反向传播。
步骤五、将训练好后的端到端深度学习神经网络应用于导频传输、信道反馈和混合预编码。
本实施例中所述的训练好的端到端深度学习神经网络可用于FDD混合模-数架构大规模MIMO-OFDM系统的导频传输、上行信道反馈和下行混合预编码。其中导频传输网络被部署在基站端以产生合适的发送导频信号,导频反馈网络被部署在用户端以进行上行信道反馈,混合预编码网络被部署在基站端以根据反馈比特设计混合预编码器。
为了说明本具体实施方式与传统信道估计、信道反馈和混合预编码方案(这里考虑基于OMP算法的信道估计,基于Lloyd Max量化算法的信道反馈方法和基于SOMP与TS-HB算法的混合预编码方法作为对比方法)在降低导频与反馈开销和提升系统和速率性能上的优势,这里用图6~图9来说明本发明的效果。具体地,
图6对比了基于深度学习的端到端方法与传统算法在相同导频开销Q=8并且移相器具有无穷分辨率时随反馈容量B变化的系统和速率性能。从图6可以看出,本发明中基于深度学习的端到端方法的和速率性能在导频开销和反馈容量受限时要显著地优于传统方法,基本能够达到基于完美信道状态信息的传统混合预编码方案的和速率性能。这是因为在导频开销和反馈容量受限时,传统方案难以估计并反馈精确的信道状态信息,而本发明中端到端的神经网络则能够通过数据驱动的训练从训练样本中获取丰富的信道先验信息,从而能够取得更好的和速率性能。
图7和图8分别对比了基于深度学习的端到端方法与传统算法在相同反馈容量B=40并且移相器具有无穷分辨率时随信道路径数Lp和用户数量K变化的系统和速率性能。可以看到本发明中基于深度学习的端到端方法在不同路径数和用户数下都能达到明显优于传统算法的和速率性能,说明了本发明具备足够的泛化能力。
图9对比了基于深度学习的端到端方法随移相器分辨率Bphase变化的系统和速率性能。可以看出,本发明中基于深度学习的端到端方法在移相器分辨率3bit下基本达到最佳的和速率性能,即使移相器只有1比特或2比特分辨率,本发明也能够达到较好的性能。从图9可以看出,相比于直接对理想无穷分辨率移相器下训练的端到端神经网络中的移相器相位直接进行量化,在训练阶段就引入移相器相位的量化能够达到更好的和速率性能。仿真结果表明,本发明中基于深度学习的端到端方法可以应用于低分辨率移相器的FDD混合模-数架构大规模MIMO-OFDM系统。
综上所述,以上仅为本发明的较佳实例而已,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,均应包含在本发明的保护范围之内。
Claims (15)
1.一种基于深度学习的联合导频、反馈、多用户混合编码方法,其特征在于,包括:
将下行导频传输过程建模为单层不带偏置的线性激活函数全连接神经网络,即导频传输网络;
在用户端构建导频反馈网络,将接收导频信号压缩为比特矢量,并将其反馈给基站;
在基站端构建混合预编码网络,用于根据所有用户反馈的比特矢量设计混合预编码器;
将所述导频传输网络、导频反馈网络、混合预编码网络组合形成一个端到端的神经网络,并以系统和速率为指标对其进行数据驱动的端到端训练;
将训练好的端到端深度学习神经网络应用于导频传输、信道反馈和混合预编码。
2.如权利要求1所述的一种基于深度学习的联合导频、反馈、多用户混合编码方法,其特征在于,建模所述导频传输网络时以导频矩阵作为全连接层的权重,并在输出数据上叠加复高斯白噪声以表示整个导频传输过程。
3.如权利要求2所述的一种基于深度学习的联合导频、反馈、多用户混合编码方法,其特征在于,将所述导频矩阵的相位作为可训练参数,以满足恒模约束。
4.如权利要求1或2所述的一种基于深度学习的联合导频、反馈、多用户混合编码方法,其特征在于,所述将接收导频信号压缩为比特矢量具体采用以下方式:
步骤2.1、导频反馈网络将接收导频信号通过DFT变换为延时域接收导频信号;
步骤2.2、导频反馈网络将所述延时域接收导频信号表示成维度为2Q×1×Nc实数矩阵;其中为Q为基站发送导频的时隙数量,Nc为所述接收导频信号在延时域的维度;
步骤2.3、导频反馈网络采用了一维卷积对所述导频信号的延时域进行特征提取;
步骤2.4、导频反馈网络采用一个输出全连接层将数据流压缩成B个比特并反馈给基站。
5.如权利要求4所述的一种基于深度学习的联合导频、反馈、多用户混合编码方法,其特征在于,将每个卷积层的卷积核大小设置为1×5,以便于对所述导频信号在延时域维度进行特征提取。
6.如权利要求4或5所述的一种基于深度学习的联合导频、反馈、多用户混合编码方法,其特征在于,所述导频反馈网络将所述导频信号馈送到ResBlock单元以进行主要特征提取。
7.如权利要求6所述的一种基于深度学习的联合导频、反馈、多用户混合编码方法,其特征在于,每个所述ResBlock包含三个卷积层,第一层和第二层卷积层分别具有256和512个卷积核,最后一层卷积层的卷积核数量与ResBlock输入数据的特征映射数一致。
8.如权利要求7所述的一种基于深度学习的联合导频、反馈、多用户混合编码方法,其特征在于,采用残差连接将ResBlock输入数据流直接与ResBlock中的所述最后一层卷积层的输出数据相加。
9.如权利要求8所述的一种基于深度学习的联合导频、反馈、多用户混合编码方法,其特征在于,经过所述ResBlock后,所述导频反馈网络使用两个神经元数量分别为1024和512的全连接层进行进一步特征提取,最后导频反馈网络采用一个输出全连接层将数据流的维度压缩到B。
10.如权利要求9所述的一种基于深度学习的联合导频、反馈、多用户混合编码方法,其特征在于,在输出全连接层之后,所述导频反馈网络使用sigmoid函数将输出限制在0到1之间,并减去0.5以将输出限制在[-0.5,0.5],然后通过符号函数sgn(·)将它们转换为正负一的B反馈比特,最终将这些比特反馈给基站。
11.如权利要求7或8或9所述的一种基于深度学习的联合导频、反馈、多用户混合编码方法,其特征在于,所有用户的所述导频反馈网络都使用相同的权重参数。
12.如权利要求1或2所述的一种基于深度学习的联合导频、反馈、多用户混合编码方法,其特征在于,所述混合预编码器包括模拟预编码矩阵和数字预编码矩阵。
13.如权利要求12所述的一种基于深度学习的联合导频、反馈、多用户混合编码方法,其特征在于,所述根据所有用户反馈的比特矢量设计混合预编码器,具体如下:混合预编码网络的输入为总反馈比特矢量q,前四层是四个神经元数量分别为2048,1024,512和2NcK2+MK的全连接层,第四个全连接层的输出分为两部分,第一部分作为模拟预编码矩阵的相位输出,并且这些相位取值均约束在自定义的量化角度集合中,第二部分通过一个ResBlock单元得到矢量化的未经功率归一化的数字预编码矩阵;将上述输出转换为复数矩阵,获得模拟预编码矩阵和未经功率归一化的数字预编码矩阵;最后将所述数字预编码矩阵功率归一化。
14.如权利要求1所述的一种基于深度学习的联合导频、反馈、多用户混合编码方法,其特征在于,使用开源的深度学习库PyTorch进行所述端到端神经网络训练,生成训练集、验证集和测试集。
15.如权利要求1或14所述的一种基于深度学习的联合导频、反馈、多用户混合编码方法,其特征在于,所述端到端训练具体采用以下方式:采用Adam优化器以系统和速率为目标端到端地优化更新网络参数,初始学习率设置为10-3,并且在迭代过程中每次取512个训练样本计算梯度,训练过程中使用早停策略来监控验证集的和速率性能,保存一组具有最佳验证集性能的网络参数,并在验证集性能长时间不提升时停止训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110966553.2A CN113691288B (zh) | 2021-08-23 | 2021-08-23 | 基于深度学习的联合导频、反馈、多用户混合编码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110966553.2A CN113691288B (zh) | 2021-08-23 | 2021-08-23 | 基于深度学习的联合导频、反馈、多用户混合编码方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113691288A CN113691288A (zh) | 2021-11-23 |
CN113691288B true CN113691288B (zh) | 2022-04-19 |
Family
ID=78581344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110966553.2A Active CN113691288B (zh) | 2021-08-23 | 2021-08-23 | 基于深度学习的联合导频、反馈、多用户混合编码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113691288B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102613818B1 (ko) * | 2021-12-20 | 2023-12-13 | 고려대학교 산학협력단 | 다중-사용자 mimo 무선 통신 시스템에서 머신 러닝 기반 선형 프리코더 획득 방법 및 장치 |
CN114696878B (zh) * | 2022-02-23 | 2023-10-17 | 浙江大学 | 一种基于混合预编码和信道估计的联合设计方法和装置 |
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 |
US20230412335A1 (en) * | 2022-05-26 | 2023-12-21 | Microsoft Technology Licensing, Llc | Determining reference signal transmission times |
CN115085782B (zh) * | 2022-06-15 | 2023-06-16 | 南通大学 | 基于深度学习的智能反射面联合反馈和混合预编码方法 |
CN115694767B (zh) * | 2022-10-27 | 2023-07-14 | 南通大学 | 一种基于Transformer的联合导频设计、反馈和信道估计方法 |
WO2024092743A1 (en) * | 2022-11-04 | 2024-05-10 | Qualcomm Incorporated | Precoded reference signal for model monitoring for ml-based csi feedback |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110650103A (zh) * | 2019-09-18 | 2020-01-03 | 北京理工大学 | 利用冗余字典加强稀疏性的透镜天线阵列信道估计方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019195426A1 (en) * | 2018-04-03 | 2019-10-10 | University Of Southern California | Analog channel estimation techniques for beamformer design in massive mimo systems |
US11283508B2 (en) * | 2018-06-29 | 2022-03-22 | Intel Corporation | Millimeter wave beam tracking and beam sweeping |
US11991728B2 (en) * | 2019-08-27 | 2024-05-21 | Intel Corporation | Techniques for high frequency wireless communication |
-
2021
- 2021-08-23 CN CN202110966553.2A patent/CN113691288B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110650103A (zh) * | 2019-09-18 | 2020-01-03 | 北京理工大学 | 利用冗余字典加强稀疏性的透镜天线阵列信道估计方法 |
Non-Patent Citations (3)
Title |
---|
Machine Learning Based Hybrid Precoding for MmWave MIMO-OFDM with Dynamic Subarray;Yiwei Sun 等;《2018 IEEE Globecom Workshops (GC Wkshps)》;20190219;全文 * |
RSSI-Based Hybrid Beamforming Design with Deep Learning;Hamed Hojatian 等;《ICC 2020 - 2020 IEEE International Conference on Communications (ICC)》;20200727;全文 * |
毫米波通信系统中信道估计即混合预编码技术研究;王浩;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20210415;第I136-295页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113691288A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113691288B (zh) | 基于深度学习的联合导频、反馈、多用户混合编码方法 | |
CN102130752B (zh) | 获取预编码矩阵指示以及预编码矩阵的方法和装置 | |
CN107135024B (zh) | 一种低复杂度的混合波束赋形迭代设计方法 | |
CN110557177A (zh) | 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法 | |
EP2412117B1 (en) | Adaptive precoding codebooks for wireless communications | |
CN107332596B (zh) | 一种基于迫零的毫米波通信系统混合预编码方法 | |
EP2388931A2 (en) | Method and system for mixed analog/digital beamforming in wireless communication systems | |
CN110212959B (zh) | 一种毫米波mimo-ofdm通信系统的混合预编码能效优化方法 | |
CN107294590B (zh) | 一种基于上行训练的数模混合波束赋形方法 | |
CN108023620A (zh) | 应用于毫米波频段的大规模mimo系统混合预编码方法 | |
JP5666581B2 (ja) | Mu−mimo通信システムの送信機のためのプリコーディング方法 | |
CN108471325B (zh) | 一种稀疏射频/基带混合预编码方法 | |
KR20130014454A (ko) | 무선 통신 시스템에서 기저대역 프로세싱 및 무선 주파수 빔 스티어링을 컴바이닝하는 장치 및 방법 | |
EP2399346A1 (en) | Method and system for analog beamforming in wireless communication systems | |
CN112671438B (zh) | 大规模mimo中基于虚拟子阵列的模拟预编码系统及方法 | |
CN109167622A (zh) | 一种毫米波大规模mimo系统混合预编码方法 | |
CN112118033B (zh) | 多用户大规模mimo系统的非线性混合预编码设计方法 | |
KR20210101582A (ko) | 무선 통신 시스템에서 머신 러닝 기반 제한된 피드백 방법 및 장치 | |
US20240163880A1 (en) | Deep-learning for distributed channel feedback and precoding | |
CN107086886A (zh) | 大规模mimo系统融合迫零与泰勒级数展开的双层预编码设计 | |
CN108712198B (zh) | 一种基于子带等效信道矩阵条件数的混合预编码方法 | |
CN111953393A (zh) | 大规模mimo混合预编码器及匹配关系 | |
Turan et al. | A versatile low-complexity feedback scheme for FDD systems via generative modeling | |
Song et al. | Machine learning enhanced CSI acquisition and training strategy for FDD massive MIMO | |
Khademi et al. | Zero-forcing pre-equalization with transmit antenna selection in 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 |