CN113765567B - 基于深度学习的大规模mimo收发联合波束成形方法 - Google Patents

基于深度学习的大规模mimo收发联合波束成形方法 Download PDF

Info

Publication number
CN113765567B
CN113765567B CN202111052920.4A CN202111052920A CN113765567B CN 113765567 B CN113765567 B CN 113765567B CN 202111052920 A CN202111052920 A CN 202111052920A CN 113765567 B CN113765567 B CN 113765567B
Authority
CN
China
Prior art keywords
vector
receiving end
beam forming
neural network
transmitting
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
CN202111052920.4A
Other languages
English (en)
Other versions
CN113765567A (zh
Inventor
高西奇
王闻今
王一彪
是钧超
王亚飞
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.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202111052920.4A priority Critical patent/CN113765567B/zh
Publication of CN113765567A publication Critical patent/CN113765567A/zh
Application granted granted Critical
Publication of CN113765567B publication Critical patent/CN113765567B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/08—Learning methods
    • 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
    • H04B7/0426—Power distribution
    • H04B7/043—Power distribution using best eigenmode, e.g. beam forming or beam steering
    • 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
    • H04B7/0452—Multi-user MIMO systems
    • 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
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
    • H04W52/241—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account channel quality metrics, e.g. SIR, SNR, CIR, Eb/lo

Landscapes

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

Abstract

本发明公开了基于深度学习的大规模多输入多输出(multiple input multiple output,MIMO)收发联合波束成形方法，其中发送端(基站)利用各接收端(用户端)的瞬时信道信息，依据所有接收端的发送功率和最小化准则，通过通用深度学习框架和通用深度神经网络结构，实现低复杂度的发送端和接收端波束成形方法；深度学习框架首先通过深度神经网络结构计算最优的下行接收端功率分配向量，进而通过深度神经网络结构或者基于信道矩阵特征值分解的启发式算法计算接收端的波束成形方向向量，最后通过最优解结构直接计算出发送端的波束成形向量；该低复杂度深度学习框架将收发波束成形联合设计问题分解为计算下行功率分配向量和计算收发端波束成形向量两个子问题。本发明能够使发送功率值近乎最佳的发送功率，并具有较低的计算复杂度。

Description

基于深度学习的大规模MIMO收发联合波束成形方法
技术领域
本发明涉及无线通信收发波束成形的联合设计，尤其涉及利用深度学习的大规模MIMO收发联合波束成形方法。
背景技术
近年来，人们对无线传输的质量需求有了明显的提升，通过在发送端，即基站(base station,BS)，和接收端，即用户，联合进行波束成形设计，以在一定服务质量(quality of service，QoS)的前提下降低发送功率问题(QoS-constrained powerminimization，QCPM)，以不同形式引起了广泛兴趣。
对于多输入单输出(multiple input single output,MISO)系统，上述QCPM问题能够在可接受的复杂度下全局求解。然而，在大规模MIMO系统中，由于天线数量众多，QCPM问题是没有全局最优解的，难以解决。为了近似地解决这个问题，目前主要分为两大类方法。一类基于干扰消除，可以消除多用户干扰，但是这些算法总是将发送和接收端的波束成形限制为迫零(zero forcing,ZF)波束成形，因此总是产生简单的次优解；另一类是基于上下行链路对偶定理，通过收发波束成形器的迭代更新来得到最优解很好的近似。
现有的迭代算法可以获得接近最优的性能，但是在大规模MIMO系统中，收发波束成形向量具有很高的维度，这导致其计算复杂度极高，需要进一步降低复杂度才能应用于实际系统。
发明内容
技术问题：本发明的目的是提供一种基于深度学习的大规模MIMO收发联合波束成形方法，以克服现有技术的不足，在一定服务质量约束条件下达到近乎最优的发送功率，并降低复杂度。
技术方案：为实现上述发明目的，本发明(一种基于深度学习的大规模MIMO收发联合波束成形方法)采用如下技术方案：
发送端利用各接收端的瞬时信道状态信息(channel state information,CSI)，依据所有接收端的发送功率最小化准则，利用通用深度学习框架和通用深度神经网络结构，以较低的复杂度执行如下步骤：
第一步：计算下行接收端的功率分配向量；
第二步：计算接收端的波束成形方向向量：使用深度神经网络结构直接预测接收端的波束成形方向向量，或者直接对CSI进行特征值分解，将最大特征值对应的特征向量作为接收端的波束成形方向向量；
第三步：利用所得到的接收端的波束成形方向向量和接收端功率分配向量，通过最优解结构计算出发送端的波束成形向量；
其中，训练深度神经网络结构所用的数据集由数据生成算法生成。
所述的深度学习框架包括：
利用信道矩阵、接收端移动参数、噪声功率、信干燥比，基于训练好的深度神经网络结构计算下行接收端功率分配向量；
利用信道矩阵、接收端移动参数、噪声功率、信干燥比，基于训练好的深度神经网络结构计算接收端波束成形方向向量；
利用信道矩阵的特征值分解，将最大特征值对应的特征向量作为接收端波束成形方向向量；
通过最优解结构直接计算发送端的波束成形向量。
所述的所有接收端的发送功率最小化等效为服务质量约束下的功率最小化问题，其阈值为原问题迭代得到的最优解对应的最小发送功率，且满足每个接收端对应的信干燥比解耦至约束。
所述通用深度神经网络结构由卷积神经网络(convolutional neural network,CNN)和全连接神经网络(fully connected neural network,FNN)连接而成，先由CNN提取信道矩阵的隐式特征，再将该隐式特征和信干燥比一起作为FNN的输入预测目标结果。
所述通用深度神经网络结构训练所需的数据集由基于传统迭代算法的数据生成算法生成。
所述的下行接收端的功率分配向量计算为基于深度神经网络结构的预测过程，该深度神经网络结构以信道状态信息CSI和信干燥比为输入，输出下行各接收端的功率分配向量。
所述的接收端波束成形方向向量，其计算方法采用如下两种中的一种：
a.基于深度神经网络结构直接预测接收端波束成形方向向量，该深度神经网络结构以信道状态信息CSI和信干燥比为输入，输出各接收端的波束成形方向向量；
b.通过对信道矩阵进行特征值分解得到最大特征值对应的特征向量，直接以最大特征值对应的特征向量作为各接收端的波束成形方向向量。
所述的计算发送端波束成形向量，其过程是：得到接收端功率分配向量和波束成形方向向量后，通过最优解结构直接计算出发送端的波束成形向量。
所述生成深度神经网络结构训练所需数据集的数据生成算法包括：在不同噪声功率、约束条件、移动速度、接收端分布环境下，生成足够的信道矩阵样本。每一组信道矩阵样本的生成，包含如下步骤：
1)通过迭代算法求解最优的收发波束成形向量；
2)通过得到的收发波束成形向量计算最优解对应的接收端波束成形方向向量和下行功率分配向量；
3)将该信道矩阵、噪声功率、约束条件、移动参数、接收端波束成形方向向量和下行功率分配向量组合为一个样本。
有益效果：与现有技术相比，本发明具有如下优点：
(1)提出了一种通用深度神经网络结构，通过将迭代求解问题转化为参数学习问题，降低计算复杂度。对于目标参数，使用深度神经网络结构进行计算。一旦神经网络得到很好的训练，目标向量可以作为神经网络的输出立即计算出来，以接近最优的性能降低计算复杂度。
(2)提出了一种通用深度学习框架，通过深度学习框架求解收发波束成形器，取代了迭代求解收发波束成形的方法，降低计算复杂度。通过计算下行接收端的功率分配向量，计算接收端的波束成形方向向量，利用所得到的接收端的波束成形向量和最优解结构计算发送端的波束成形向量，以较低的复杂度求解收发波束成形向量。
(3)通过将接收端波束成形方向向量计算转化为启发式特征分解问题，提出了一种通用方法降低计算复杂度。通过对信道矩阵进行特征分解得到最大特征值对应的特征向量，直接以最大特征值对应的特征向量作为各接收端的波束成形方向向量，极大降低了接收端波束成形方向向量的计算复杂度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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表明本发明的一些实施例，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实施例的附图。
图1为大规模MIMO收发联合波束成形通用深度学习框架的示意图。
图2为大规模MIMO收发联合波束成形通用深度神经网络结构的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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、完整的描述。
本发明实施例公开的基于深度学习的大规模MIMO收发联合波束成形方法中，发送端配备大规模一维或二维天线阵列，利用各接收端的瞬时信道状态信息，依据一定服务质量约束下的发送功率最小化准则，通过通用深度学习框架和通用深度神经网络结构，在较低复杂度的情况下，第一步计算下行接收端的功率分配向量，第二步计算接收端的波束成形方向向量，并通过归一化计算出接收端的波束成形向量，第三步利用所得到的接收端的波束成形向量和最优解结构计算发送端的波束成形向量；在第二步中，可以使用深度神经网络结构直接预测接收端的波束成形方向向量，也可以直接使用基于CSI特征值分解的最大特征值对应的特征向量方向作为接收端的波束成形方向向量。
所述的瞬时信道信息通过各个接收端周期性发送的导频信号获取。将所述的所有接收端的发送功率最小化问题等效为服务质量约束的QCPM问题，其阈值为原问题迭代得到的最优解对应的最小发送功率，且满足每个接收端对应的信干燥比解耦至约束。
所述的通用深度学习框架具体为：1)计算下行接收端的功率分配向量；2)计算接收端的波束成形方向向量；3)利用所得到的接收端的波束成形向量和接收端的功率分配向量，通过最优解结构计算发送端的波束成形向量。
接收端的波束成形方向向量计算方法包括：1)基于深度神经网络结构直接预测接收端波束成形方向向量，该神经网络结构以信道状态信息CSI和信干燥比为输入，输出各接收端的波束成形方向向量；2)通过信道矩阵特征分解得到最大特征值对应的特征向量，直接以最大特征值对应的特征向量作为各接收端的波束成形方向向量。
所述的深度神经网络结构由卷积神经网络CNN和全连接神经网络FNN连接而成，先由CNN提取信道矩阵的隐式特征，再将该隐式特征和信干燥比一起作为FNN的输入预测目标结果。
数据生成算法包括：1)在不同噪声功率、约束条件、移动速度、接收端分布环境下，生成足够信道矩阵样本，对于每一组信道矩阵样本，重复步骤2-4；2)通过迭代算法求解最优的收发波束成形向量；3)通过得到的收发波束成形向量计算最优解对应的接收端波束成形方向向量和下行功率分配向量；4)将该信道矩阵、噪声功率、约束条件、移动参数、接收端波束成形方向向量和下行功率分配向量组合为一个样本。
下面结合具体实施场景对本发明实施例的方法做进一步的介绍，本发明方法不对具体场景做限定，对于与本发明示例性场景外的其他实施，本领域技术人员可以依据本发明的技术思路利用现有知识根据具体场景做适应性调整。
1)系统配置
考虑一个由一个基站和K个用户组成的多用户MIMO系统，基站为发送端，用户为接收端。基站(base station，BS)配备Mv×Mh均匀面板天线阵列(uniform planar array，UPA)，其中Mυ和Mh分别表示每个垂直列和水平行的天线数量，因此基站处的天线数Mt为Mt＝MvMh。每个用户都配备N根天线。
2)信号模型
为了简单起见，假设BS给目标用户k发送单流信号sk。BS利用发送波束成形器向目标用户k发送单流信号sk，则第k个用户的接收信号为/> 则yk可以表示为：
其中，表示信道矩阵，/>为目标用户j对应的发送端波束成形器，sj为BS给目标用户j发送的单流信号，/>为元素满足独立同分布/>的噪声向量，/>为第k个用户的噪声功率，K为总用户数，N为每个用户配备的天线数。
另一方面，第k个用户利用接收波束成形器来估计其接收到的数据/>第k个用户的估计接收数据可以表示为：
其中，表示第k个用户估计的接收数据，
3)问题建模及其迭代最优解方法
针对一般情况，目标是设计收发波束成形器u1，...，uK，v1，...，vK，在服务质量约束下最小化发送率。将信干燥比(signal to interference plus noise ratio，SINR)作为QoS约束条件，用户k的信干燥比SINRk定义为：
则上述QCPM问题可以表述为：
其中，表示优化u，v以最小化目标；式中下标均表示对应的用户；γk＞0，k＝1，...，K表示用户k的SINR约束，K为总用户数；/>表示接收波束成形器的集合，表示为u＝[u1，...，uK]；/>表示发送波束成形器集合，表示为v＝[v1，...，vK]；AH表示矩阵A的共轭转置；||A||表示对矩阵A求范数；|x|表示对x求模；x2表示对x取平方。
因为问题(4)很难直接求解，因此一般使用收发端波束成形向量的迭代优化来求得近似的最优解。计算迭代最优解的具体步骤如下：
输入：Hk，γk，k＝1，...K。其中，γk表示用户k的信干燥比约束，K为总用户数。
步骤1：设置定点迭代次数N＞0，初始化发送波束成形器vk，k＝1，...，K，下行功率分配向量上行功率分配向量/> 为随机值。重复步骤2-6，直到满足收敛条件。
步骤2：计算接收端波束成形向量
其中，表示接收端k的波束成形方向向量，/>为/>归一化之前的中间值，(A)-1表示对矩阵A求逆。
步骤3：执行定点迭代(7)-(8)N次，计算每个用户的下行功率分配λk
其中，γ为计算过程的中间矩阵；式中下标表示对应的用户，如λk表示第k个用户的功率分配。
步骤4：依据最优解结构计算发送端波束成形方向向量
其中，表示发送端对应用户k的波束成形方向向量，/>为/>归一化之前的中间值。
步骤5：求解线性方程计算上行功率分配μk：
其中，μk表示第k个用户的上行功率分配；式中下标表示对应的用户。
步骤6：计算发送端波束成形向量vk：
4)通用深度学习框架和通用深度神经网络结构
上述迭代算法可以获得接近最优的性能，但是在大规模MIMO系统中，收发波束成形向量具有很高的维度，这导致其计算复杂度极高，需要进一步降低才能应用于实时系统。因此我们利用深度学习框架将迭代过程转化为参数预测过程，如图1所示，其中的深度神经网络结构如图2所示。
该通用深度学习框架可以分为三个部分：1.从信道矩阵中学习得到关键特征，通过关键特征预测得到下行功率分配向量；2.从信道矩阵中学习得到关键特征，通过关键特征预测得到下行接收端波束成形方向向量；或者依据信道矩阵的启发式特征分解得到信道矩阵最大特征值对应的特征向量作为下行接收端波束成形方向向量；3.通过最优解结构计算得到发送端波束成形向量。
该深度神经网络结构由卷积神经网络CNN和全连接神经网络FNN连接而成，先由CNN提取信道矩阵的隐式特征，再将该隐式特征和信干燥比一起作为FNN的输入预测目标结果。因此，定义
其中，H表示所有用户信道组成的矩阵，X表示所有用户信道拆分成实部和虚部后组成的矩阵，AT表示矩阵A的转置，了(·)分别表示取实部和虚部。假设所有用户的SINR约束均为γ，则将{X，γ}作为深度神经网络结构的输入。在不同信噪比的样本下，信道矩阵中可以包含噪声功率。由此构建由CNN和FNN组成的深度神经网络结构，输入矩阵X包含了原始信道矩阵的实数和虚数部分。CNN将信道矩阵编码为隐式特征，FNN结合SINR将隐式特征解码为需要预测的目标值。深度神经网络结构的函数fζ表示为：
ζ＝fζ(x，γ；w) (15)
其中，w为所有的权重和偏差参数组成的向量，ζ为深度神经网络结构的预测结果。将预测接收端波束成形方向向量的深度神经网络结构函数表示/>预测下行功率分配向量λ的深度神经网络结构函数表示为fλ。
通用深度学习框架的具体步骤如下：
输入：Hk，γk，k＝1，...K
步骤1：通过(13)(14)构建深度神经网络结构输入{x，γ}。
步骤2：
方式1：通过深度神经网络结构预测接收端波束成形方向向量
方式2：通过启发式特征分解方法计算接收端波束成形方向向量
其中，τk表示用户k对应信道的最大特征值，max.eigenvalue(A)表示取矩阵A的最大特征值，max.eigenvector(A)表示取矩阵A的最大特征值对应的特征向量。
步骤3：通过深度神经网络结构预测下行功率分配λk
λk＝fλ(X，γ；w)，k＝1，...，K (19)
步骤4：依据最优解结构计算发送端波束成形方向向量
其中，表示发送端k的波束成形方向向量，/>为/>归一化之前的中间值。
步骤5：求解线性方程计算上行功率分配μk：
其中，μk表示第k个用户的上行功率分配；式中下标表示对应的用户。
步骤6：计算发送端波束成形向量vk：
5)数据集生成及训练
深度神经网络结构所需的训练数据由现有的最优迭代方法获得。给定信道矩阵和相关参数，采用现有的迭代方法，计算出最优的下行功率分配向量λ＝[λ1...，λK]以及最优的接收端波束成形方向向量k＝1，...，K。
数据生成算法具体步骤如下：
步骤1：初始化i＝0，上标·(i)代表第i个样本；
步骤2：生成信道矩阵和SINR约束γ(i)。
步骤3：执行计算迭代最优解的算法，得到接收端波束成形方向向量和对应的下行功率分配/>k＝1，...，K。
步骤4：组合γ(i)，k＝1，...，K作为第i个输入样本。
步骤5：组合k＝1，...，K作为第i个样本对应的标签。设置i＝i+1.
步骤6：重复步骤2-5直至数据集构建完成。
用上述方法生成数据集训练的目标是最小化损失函数
其中，表示当前训练批样本的平均均方误差损失，/>表示数据集/>中的样本个数，ζ(i)为第i个样本的实际标签，/>为第i个样本的预测值。在训练过程中，采用dropout以避免过拟合，并采用自适应矩估计(adaptive moment estimation，ADAM)算法来训练神经网络，以得到权重向量w。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种基于深度学习的大规模MIMO收发联合波束成形方法，其特征在于，所述方法中：发送端通过各接收端的瞬时信道状态信息CSI，依据所有接收端的发送功率最小化准则，利用通用深度学习框架和通用深度神经网络结构，以较低的复杂度，执行以下步骤：
第一步：计算下行接收端的功率分配向量；
第二步：计算接收端的波束成形方向向量：使用深度神经网络结构直接预测接收端的波束成形方向向量，或者直接对CSI进行特征值分解，将最大特征值对应的特征向量作为接收端的波束成形方向向量；
第三步：利用所得到的接收端的波束成形方向向量和接收端的功率分配向量，通过最优解结构计算出发送端的波束成形向量；
其中，训练深度神经网络结构所用的数据集由数据生成算法生成；
所述的下行接收端的功率分配向量计算为基于深度神经网络结构的预测过程，该深度神经网络结构以信道状态信息CSI和信干燥比为输入，输出下行各接收端的功率分配向量。
2.根据权利要求1所述的基于深度学习的大规模MIMO收发联合波束成形方法，其特征在于：所述的深度学习框架包括：
利用信道矩阵、接收端移动参数、噪声功率、信干燥比，基于训练好的深度神经网络结构计算下行接收端功率分配向量；
利用信道矩阵、接收端移动参数、噪声功率、信干燥比，基于训练好的深度神经网络结构计算接收端波束成形方向向量；
利用信道矩阵的特征值分解，将最大特征值对应的特征向量作为接收端波束成形方向向量；
通过最优解结构直接计算发送端的波束成形向量。
3.根据权利要求1所述的基于深度学习的大规模MIMO收发联合波束成形方法，其特征在于：所述的所有接收端的发送功率最小化等效为服务质量约束下的功率最小化问题，其阈值为原问题迭代得到的最优解对应的最小发送功率，且满足每个接收端对应的信干燥比解耦至约束。
4. 根据权利要求1所述的基于深度学习的大规模MIMO收发联合波束成形方法，其特征在于：所述通用深度神经网络结构由卷积神经网络CNN和全连接神经网络 FNN连接而成，先由CNN提取信道矩阵的隐式特征，再将该隐式特征和信干燥比一起作为FNN的输入预测目标结果。
5.根据权利要求1所述的基于深度学习的大规模MIMO收发联合波束成形方法，其特征在于：所述通用深度神经网络结构训练所需的数据集由基于传统迭代算法的数据生成算法生成。
6.根据权利要求1所述的基于深度学习的大规模MIMO收发联合波束成形方法，其特征在于：所述的接收端波束成形方向向量，其计算方法采用如下两种中的一种：
a. 基于深度神经网络结构直接预测接收端波束成形方向向量，该深度神经网络结构以信道状态信息CSI和信干燥比为输入，输出各接收端的波束成形方向向量；
b. 通过对信道矩阵进行特征值分解得到最大特征值对应的特征向量，直接以最大特征值对应的特征向量作为各接收端的波束成形方向向量。
7.根据权利要求1所述的基于深度学习的大规模MIMO收发联合波束成形方法，其特征在于：所述的计算发送端波束成形向量，其过程是：得到接收端功率分配向量和波束成形方向向量后，通过最优解结构直接计算出发送端的波束成形向量。
8.根据权利要求1所述的基于深度学习的大规模MIMO收发联合波束成形方法，其特征在于：所述生成深度神经网络结构训练所需数据集的数据生成算法包括：在不同噪声功率、约束条件、移动速度、接收端分布环境下，生成足够的信道矩阵样本，每一组信道矩阵样本的生成，包含如下步骤：
1）通过迭代算法求解最优的收发波束成形向量；
2）通过得到的收发波束成形向量计算最优解对应的接收端波束成形方向向量和下行功率分配向量；
3）将该信道矩阵、噪声功率、约束条件、移动参数、接收端波束成形方向向量和下行功率分配向量组合为一个样本。
CN202111052920.4A 2021-09-08 2021-09-08 基于深度学习的大规模mimo收发联合波束成形方法 Active CN113765567B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111052920.4A CN113765567B (zh) 2021-09-08 2021-09-08 基于深度学习的大规模mimo收发联合波束成形方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111052920.4A CN113765567B (zh) 2021-09-08 2021-09-08 基于深度学习的大规模mimo收发联合波束成形方法

Publications (2)

Publication Number Publication Date
CN113765567A CN113765567A (zh) 2021-12-07
CN113765567B true CN113765567B (zh) 2024-02-02

Family

ID=78794090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111052920.4A Active CN113765567B (zh) 2021-09-08 2021-09-08 基于深度学习的大规模mimo收发联合波束成形方法

Country Status (1)

Country Link
CN (1) CN113765567B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114389730B (zh) * 2021-12-23 2023-11-21 南京邮电大学 一种基于深度学习和脏纸编码的miso系统波束形成设计方法
CN114844537B (zh) * 2022-04-29 2024-02-02 东南大学 深度学习辅助鲁棒大规模mimo收发联合方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110518945A (zh) * 2019-08-20 2019-11-29 东南大学 一种基于深度学习与sdr算法的mimo检测方法及装置
WO2021103325A1 (zh) * 2019-11-28 2021-06-03 东南大学 毫米波/太赫兹网络大规模mimo无线传输方法
CN113193896A (zh) * 2021-04-23 2021-07-30 西安交通大学 一种最大化两接收端和速率的波束成形神经网络决策方法
CN113300746A (zh) * 2021-05-24 2021-08-24 内蒙古大学 毫米波mimo天线与混合波束成形优化方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110518945A (zh) * 2019-08-20 2019-11-29 东南大学 一种基于深度学习与sdr算法的mimo检测方法及装置
WO2021103325A1 (zh) * 2019-11-28 2021-06-03 东南大学 毫米波/太赫兹网络大规模mimo无线传输方法
CN113193896A (zh) * 2021-04-23 2021-07-30 西安交通大学 一种最大化两接收端和速率的波束成形神经网络决策方法
CN113300746A (zh) * 2021-05-24 2021-08-24 内蒙古大学 毫米波mimo天线与混合波束成形优化方法及系统

Also Published As

Publication number Publication date
CN113765567A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
Qi et al. Integrating sensing, computing, and communication in 6G wireless networks: Design and optimization
CN113765567B (zh) 基于深度学习的大规模mimo收发联合波束成形方法
CN111865378B (zh) 基于深度学习的大规模mimo下行预编码方法
CN109510676B (zh) 一种基于量子计算的无线信道预测方法
US8606175B2 (en) RF relay of full-duplex and method for removing interference of EM level thereof
CN101867462A (zh) 一种基于最小总误码率的多基站协作线性预编码方法
EP3185434B1 (en) Method and device for beamforming
CN102882570B (zh) 移动通信网络下设备间通信的最优收发联合处理方法
KR102510513B1 (ko) 심층 학습 기반의 빔포밍 방법 및 이를 위한 장치
CN101252418A (zh) 多天线传输系统中利用信道统计信息的自适应传输方法
CN113765553A (zh) 一种基于机器学习的多波束卫星通信系统鲁棒预编码方法
WO2022184010A1 (zh) 信息上报方法、装置、第一设备及第二设备
Palhares et al. Iterative AP selection, MMSE precoding and power allocation in cell‐free massive MIMO systems
CN114285444A (zh) 一种去蜂窝大规模mimo系统的功率优化方法
CN105680965A (zh) 无线携能通信收发机模型获得方法和装置
CN109936399B (zh) 一种基于深度神经网络的不可信中继网络天线选择方法
CN111107023A (zh) 在大规模mimo中基于光滑范数的压缩感知信道估计方法
CN106850020A (zh) 非理想信道状态下mimo系统中基于组合干扰对齐方法
TWI741619B (zh) 多輸入輸出系統之參數估測方法
CN106982085B (zh) 多小区mimo系统中块对角化辅助的鲁棒收发机设计方法
CN117240331A (zh) 一种基于图神经网络的无蜂窝网络下行预编码设计方法
CN114844537B (zh) 深度学习辅助鲁棒大规模mimo收发联合方法
CN103236878B (zh) 一种基于最大比合并接收矢量估计的协调波束赋形方法
CN111901019A (zh) 一种毫米波大规模mimo系统的模拟预编码设计方法
CN115549745B (zh) Ris相移设计方法、装置、计算机设备及存储介质

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