CN113839697A - 一种基于深度学习的联合反馈和混合预编码设计方法 - Google Patents

一种基于深度学习的联合反馈和混合预编码设计方法 Download PDF

Info

Publication number
CN113839697A
CN113839697A CN202111110018.3A CN202111110018A CN113839697A CN 113839697 A CN113839697 A CN 113839697A CN 202111110018 A CN202111110018 A CN 202111110018A CN 113839697 A CN113839697 A CN 113839697A
Authority
CN
China
Prior art keywords
matrix
network
coding
deep learning
receiving end
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
Application number
CN202111110018.3A
Other languages
English (en)
Other versions
CN113839697B (zh
Inventor
孙强
赵欢
武宜阳
李飞洋
章嘉懿
杨永杰
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.)
Zhang Zaifeng
Original Assignee
Nantong 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 Nantong University filed Critical Nantong University
Priority to CN202111110018.3A priority Critical patent/CN113839697B/zh
Publication of CN113839697A publication Critical patent/CN113839697A/zh
Application granted granted Critical
Publication of CN113839697B publication Critical patent/CN113839697B/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
    • H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明涉及一种基于深度学习的联合反馈和混合预编码设计方法，首先计算出样本信道矩阵的最优预编码矩阵。将样本信道矩阵及其最优预编码矩阵作为数据集，设计深度学习模型并训练。将训练完成的深度学习模型拆分为压缩网络和编码网络两部分，压缩网络及其权重部署在接收端，编码网络及其权重部署在发送端。对于实时信道，接收端将信道矩阵输入压缩网络，得到压缩后的信道矩阵并反馈给发送端，发送端将压缩后的信道矩阵输入编码网络，得到实时信道的预编码矩阵。本发明利用深度学习技术，对信道状态信息进行压缩，接收端无需恢复原始信道信息即可进行预编码，既能得到较好的频谱效率，也减少了信道反馈的开销、预编码和硬件的复杂度。

Description

一种基于深度学习的联合反馈和混合预编码设计方法
技术领域
本发明涉及无线通信技术领域，具体为一种基于深度学习的联合反馈和混合预编码设计方法。
背景技术
随着无线技术的快速发展，30GHz到300GHz之间的毫米波频段受到越来越多的关注，由于毫米波频段丰富的频谱资源以及可以提高无线通信系统的吞吐量，下一代无线通信正朝着毫米波方向发展。此外，毫米波大规模MIMO被认为是提高无线通信系统吞吐量的潜在技术。毫米波大规模MIMO系统能够通过提供大阵列增益来提高频谱效率。然而，大规模天线、高分辨率模数转换器(ADC)/数模转换器(DAC)和全数字预编码方案将导致巨大的功耗和高昂的硬件成本。
目前，针对毫米波大规模MIMO系统提出混合预编码方案，该系统将空间处理分为射频(RF)域和数字基带(BB)域。混合预编码结构可以减少毫米波大规模MIMO系统所需的射频链数量，降低硬件开销，同时保持良好的性能。然而，不仅由于恒模约束使得混合预编码具有非凸性，而且混合预编码需要对变量进行联合优化，需要很高的计算开销，不适用于实际的通信系统。
在当前频分双工(FDD)MIMO系统中，用户端获取下行链路信道状态信息(ChannelState Information，CSI)，并通过反馈链路反馈给基站端，基站端通过反馈的CSI来对发送信息进行预编码，以减少多用户干扰，提高小区吞吐量。传统方法通常采用矢量量化或基于码本的方法来减少反馈开销。然而，这些方法所需的反馈开销与天线的数量成线性比例，在大规模MIMO系统中天线阵列数量众多的情况下，反馈开销会变得巨大，在实际通信系统中应用是不现实的。
为了将信道反馈和混合预编码问题进行联合优化，在取得良好性能的同时降低反馈开销以及混合预编码的复杂度，本发明提出了一种基于深度学习的联合反馈和混合预编码设计方法。
发明内容
本发明的目的在于提供一种基于深度学习的联合反馈和混合预编码设计方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于深度学习的联合反馈和混合预编码设计方法，包括以下步骤：
S1：接收端获取样本信道状态信息，计算样本信道矩阵的模拟、数字的预编码矩阵和组合矩阵。
S2：将样本信道矩阵及其预编码矩阵和组合矩阵作为数据集输入联合反馈和混合预编码的深度学习模型中训练。
S3：将训练完成的联合反馈和混合预编码的深度学习模型拆分为压缩网络和编码网络，将压缩网络及其权重部署在接收端，编码网络及其权重部署在发送端。
S4：接收端获取实时的信道状态信息，将实时信道矩阵输入压缩网络，得到压缩后的信道矩阵，将压缩后的信道矩阵反馈至发送端。
S5：发送端将接收到的反馈信息送入编码网络，得到实时信道矩阵的模拟、数字的预编码矩阵和组合矩阵，对发送数据进行混合预编码。
优选的，所述步骤S1中，样本信道矩阵的模拟、数字的预编码矩阵和组合矩阵计算方法如下：
T1、对信道矩阵
Figure BDA0003273788790000021
进行奇异值分解，得到H＝UΣVH,其中
Figure BDA0003273788790000022
分别为H的左奇异值矩阵和右奇异值矩阵，Σ是由H的奇异值降序组成的rank(H)×rank(H)矩阵，NT、NR分别表示发送端和接收端的天线数，rank(H)表示矩阵H的秩；取矩阵V的前NS列
Figure BDA0003273788790000031
NS为数据流数，即得到发送端的最优预编码矩阵Fopt＝V(1)；根据
Figure BDA0003273788790000032
求得接收端的最优组合矩阵Wopt，其中ρ为发送端功率，
Figure BDA0003273788790000033
为噪声功率，
Figure BDA0003273788790000034
为NS×NS的单位矩阵，()-1表示取逆，()H表示共轭转置；
T2、根据发送端天线的方向向量
Figure BDA0003273788790000035
构建发送端模拟预编码矩阵
Figure BDA0003273788790000036
的集合
Figure BDA0003273788790000037
其中
Figure BDA0003273788790000038
表示发送端的射频链路数，
Figure BDA0003273788790000039
qF＝1,...,QF，QF＝Nc×Nray，i＝1,...,Nc，j＝1,...,Nray，Nc、Nray分别是信道的簇和路径数量，方向向量aT(ΘT)的第n个元素
Figure BDA00032737887900000310
分别表示发送端的方位角和俯仰角，pn＝[xn,yn,zn]T为第n个发送天线的位置，
Figure BDA00032737887900000311
λ为波长，()T表示转置。
T3、根据接收端天线的方向向量
Figure BDA00032737887900000312
构建接收端模拟组合矩阵
Figure BDA00032737887900000313
的集合
Figure BDA00032737887900000314
其中
Figure BDA00032737887900000315
表示接收端的射频链路数，
Figure BDA00032737887900000316
qW＝1,...,QW，QW＝Nc×Nray，i＝1,...,Nc，j＝1,...,Nray，Nc、Nray分别是信道的簇和路径数量。方向向量aR(ΘR)的第n个元素
Figure BDA0003273788790000041
分别表示接收端的方位角和俯仰角，pn＝[xn,yn,zn]T为第n个接收天线的位置，
Figure BDA0003273788790000042
λ为波长，()T表示转置。
T4、从集合
Figure BDA0003273788790000043
的QF个元素中选择出
Figure BDA0003273788790000044
个构成发送端的模拟预编码矩阵
Figure BDA0003273788790000045
共有
Figure BDA0003273788790000046
种组合方式。由
Figure BDA0003273788790000047
计算出发送端的数字预编码矩阵
Figure BDA0003273788790000048
根据Wopt、FRF、FBB、H计算出频谱效率
Figure BDA0003273788790000049
共计算
Figure BDA00032737887900000416
次。在计算结果中选择出最大的频谱效率，将其对应的模拟预编码矩阵作为发送端最佳模拟预编码矩阵FRF，对应的数字预编码矩阵作为发送端最佳数字预编码矩阵FBB。
T5、从集合
Figure BDA00032737887900000410
中的QW个元素中选择出
Figure BDA00032737887900000411
个构成接收端的模拟组合矩阵WRF，共有
Figure BDA00032737887900000412
种组合方式，由
Figure BDA00032737887900000413
计算出接收端的数字组合矩阵
Figure BDA00032737887900000414
其中
Figure BDA00032737887900000415
根据Fopt、WRF、WBB、H计算出频谱效率
Figure BDA0003273788790000051
共计算
Figure BDA0003273788790000052
次。在计算结果中选择出最大的频谱效率，将其对应的模拟组合矩阵作为接收端最佳模拟组合矩阵WRF，对应的数字组合矩阵作为接收端最佳数字组合矩阵WBB。
优选的，所述步骤S2中，联合反馈和混合预编码的深度学习模型由卷积神经网络和全连接网络构成，包括一个输入层、两个卷积层和五个全连接层。在每个卷积层后都进行批量归一化(Batch Normalization)，激活函数为Relu(Rectified Linear Unit)，第一个全连接层的激活函数为Relu，第二个全连接层无激活函数。最后三个全连接层，其中前两个全连接层激活函数为Relu，激活函数后一层为dropout层，第三个全连接层为输出层，无激活函数和dropout层。
优选的，所述步骤S2中，联合反馈和混合预编码的深度学习模型，输入为信道矩阵H的实数部分Re{H}、虚数部分Im{H}和模|H|，其中Re{H}、Im{H}和|H|分别表示对信道矩阵H取实部、虚部和模；输出层的维度设置为
Figure BDA0003273788790000053
其中NT为发送端天线数，
Figure BDA0003273788790000054
为发送端射频链路数，NR为接收端天线数，
Figure BDA0003273788790000055
为接收端射频链路数，NS为数据流数。
优选的，所述步骤S2中，在联合反馈和混合预编码的深度学习模型学习过程中，损失函数为均方误差
Figure BDA0003273788790000056
其中
Figure BDA0003273788790000061
为深度学习网络训练过程中模型的输出数据，z＝[vecT(∠FRF),Re(vecT(FBB)),Im(vecT(FBB)),vecT(∠WRF),Re(vecT(WBB)),Im(vecT(WBB))]为深度学习网络训练过程中的数据集的标签，n为训练样本个数，∠表示将复数变换为角度，vecT()表示将矩阵向量化并转置，学习率为0.0005，衰减因子为0.9，epoch设置为200。
优选的，所述步骤S3中，将训练完成的深度学习模型拆分为压缩网络fcp和编码网络fen，其中fcp为神经网络的1-4层，fen为神经网络的5-8层。将fcp和fen的深度学习网络分别部署在系统的接收端和发送端，再将fcp和fen各层网络的权重Θcp、Θen加载到部署完成的网络中。
优选的，所述步骤S5中，深度学习模型输出为
Figure BDA0003273788790000062
∠表示将复数变换为角度，vecT()表示将矩阵向量化并转置。将
Figure BDA0003273788790000063
Figure BDA0003273788790000064
分别变换为
Figure BDA0003273788790000065
和
Figure BDA0003273788790000066
的矩阵形式，将角度变换为复数形式，即可得到
Figure BDA0003273788790000067
将
Figure BDA0003273788790000068
变换为
Figure BDA0003273788790000069
的矩阵形式，将实部与虚部结合，即可得到
Figure BDA00032737887900000610
将
Figure BDA00032737887900000611
变换为
Figure BDA00032737887900000612
的矩阵形式，将实部与虚部结合，即可得到
Figure BDA00032737887900000613
与现有技术相比，本发明的有益效果是：
(1)本发明利用深度学习技术，对反馈的信道状态信息进行压缩，降低了信道状态信息的维度，节省了反馈开销。
(2)本发明利用深度学习技术，对压缩的信道状态信息进行混合预编码，相较于传统的混合预编码方案，大幅降低了计算复杂度，同时具有较优的性能。
(3)本发明利用深度学习技术，将信道反馈与混合预编码进行联合优化，相较于对信道反馈和混合预编码进行单独优化的深度学习方案，本发明无需在基站端对信道信息进行恢复，减少了系统的计算开销，降低了硬件复杂度，并具有较好的性能。
附图说明
图1为本发明毫米波大规模MIMO的混合预编码系统示意图；
图2为本发明联合反馈和混合预编码的系统示意图；
图3为本发明提出的基于深度学习的联合反馈和混合预编码神经网络的结构图；
图4为本发明提出的基于深度学习的联合反馈和混合预编码设计方法的流程图。
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，都属于本发明保护的范围。
系统模型为单用户的毫米波大规模MIMO系统，如图1所示，发送端有NT个天线，NS个数据流，
Figure BDA0003273788790000071
个射频链路，满足
Figure BDA0003273788790000072
接收端有NR个天线，NS个数据流，
Figure BDA0003273788790000073
个射频链路，满足
Figure BDA0003273788790000074
发送信号
Figure BDA0003273788790000075
经过数字预编码矩阵
Figure BDA0003273788790000076
处理，再通过模拟预编码矩阵
Figure BDA0003273788790000077
处理，最后传输到发射天线上，模拟预编码矩阵具有恒模限制，因此
Figure BDA0003273788790000081
总功率约束为
Figure BDA0003273788790000082
考虑窄带块衰落信道，则接收端收到的信号为
Figure BDA0003273788790000083
其中
Figure BDA0003273788790000084
为信道矩阵，在毫米波传输中，信道可以建模为Saleh-Valenzuela(SV)模型：
Figure BDA0003273788790000085
其中
Figure BDA0003273788790000086
Figure BDA0003273788790000087
分别表示到达角和离开角，
Figure BDA0003273788790000088
表示发送端的方位角和俯仰角，
Figure BDA0003273788790000089
表示接收端的方位角和俯仰角，
Figure BDA00032737887900000810
为归一化分量，αij为信道的复值增益，i＝1,...,Nc，j＝1,...,Nray，Nc、Nray分别是信道的簇和路径数量。接收端天线方向向量的第n个分量
Figure BDA00032737887900000811
其中pn＝[xn,yn,zn]T为第n个接收天线的位置，
Figure BDA00032737887900000812
发送端天线方向向量的第n个分量
Figure BDA00032737887900000813
其中pn＝[xn,yn,zn]T为第n个接收天线的位置，
Figure BDA00032737887900000814
信号被接收端接收后，经模拟组合矩阵和数字组合矩阵处理，得到信号
Figure BDA00032737887900000815
即
Figure BDA00032737887900000816
其中
Figure BDA00032737887900000817
为模拟组合矩阵，具有恒模限制
Figure BDA00032737887900000818
为数字组合矩阵。因此系统的频谱效率为
Figure BDA00032737887900000819
在混合预编码中，FRF、WRF、FBB、WBB的优化问题可以表示为：
Figure BDA0003273788790000091
Figure BDA0003273788790000092
Figure BDA0003273788790000093
和
Figure BDA0003273788790000094
表示模拟预编码矩阵和模拟组合矩阵满足恒模限制的可行集。
发送端在进行预编码之前，需要在信道反馈阶段接收来自接收端反馈的信道状态信息，根据实时反馈的信息来对发送信号进行预编码。而在大规模MIMO系统中，由于天线数量众多，信道矩阵
Figure BDA0003273788790000095
维度很大，接收端在反馈之前需要对H进行压缩。如图2所示，在信道的每个相干时间内，接收端估计出下行信道矩阵
Figure BDA0003273788790000096
将
Figure BDA0003273788790000097
输入接收端的压缩器fcp，得到压缩后的码字
Figure BDA0003273788790000098
即
Figure BDA0003273788790000099
压缩后的码字经反馈信道反馈回发送端，发送端将
Figure BDA00032737887900000910
输入编码器fen，得到四个预编码矩阵FRF、WRF、FBB、WBB，即
{FRF,WRF,FBB,WBB}＝fen(s)
发送端根据编码器得到的预编码矩阵对发送信号进行预编码。
基于以上系统，本发明提供的一种基于深度学习的联合反馈和混合预编码设计方法的步骤如图4所示，下面对步骤进行详细说明。
预编码矩阵的获取：
1、对信道矩阵
Figure BDA00032737887900000911
进行奇异值分解，得到H＝UΣVH,其中
Figure BDA00032737887900000912
分别为H的左奇异值矩阵和右奇异值矩阵，Σ是由H的奇异值降序组成的rank(H)×rank(H)矩阵，NT、NR分别表示发送端和接收端的天线数，rank(H)表示矩阵H的秩；取矩阵V的前NS列
Figure BDA0003273788790000101
NS为数据流数，即得到发送端的最优预编码矩阵Fopt＝V(1)；根据
Figure BDA0003273788790000102
求得接收端的最优组合矩阵Wopt，其中ρ为发送端功率，
Figure BDA0003273788790000103
为噪声功率，
Figure BDA0003273788790000104
为NS×NS的单位矩阵，()-1表示取逆，()H表示共轭转置；
2、根据发送端天线的方向向量
Figure BDA0003273788790000105
构建发送端模拟预编码矩阵
Figure BDA0003273788790000106
的集合
Figure BDA0003273788790000107
其中
Figure BDA0003273788790000108
表示发送端的射频链路数，
Figure BDA0003273788790000109
qF＝1,...,QF，QF＝Nc×Nray，i＝1,...,Nc，j＝1,...,Nray，Nc、Nray分别是信道的簇和路径数量，方向向量aT(ΘT)的第n个元素
Figure BDA00032737887900001010
分别表示发送端的方位角和俯仰角，pn＝[xn,yn,zn]T为第n个发送天线的位置，
Figure BDA00032737887900001011
λ为波长，()T表示转置。
3、根据接收端天线的方向向量
Figure BDA00032737887900001012
构建接收端模拟组合矩阵
Figure BDA00032737887900001013
的集合
Figure BDA00032737887900001014
其中
Figure BDA00032737887900001015
表示接收端的射频链路数，
Figure BDA00032737887900001016
qW＝1,...,QW，QW＝Nc×Nray，i＝1,...,Nc，j＝1,...,Nray，Nc、Nray分别是信道的簇和路径数量。方向向量aR(ΘR)的第n个元素
Figure BDA0003273788790000111
分别表示接收端的方位角和俯仰角，pn＝[xn,yn,zn]T为第n个接收天线的位置，
Figure BDA0003273788790000112
λ为波长，()T表示转置。
4、从集合
Figure BDA0003273788790000113
的QF个元素中选择出
Figure BDA0003273788790000114
个构成发送端的模拟预编码矩阵
Figure BDA0003273788790000115
共有
Figure BDA0003273788790000116
种组合方式。由
Figure BDA0003273788790000117
计算出发送端的数字预编码矩阵
Figure BDA0003273788790000118
根据Wopt、FRF、FBB、H计算出频谱效率
Figure BDA0003273788790000119
共计算
Figure BDA00032737887900001110
次。在计算结果中选择出最大的频谱效率，将其对应的模拟预编码矩阵作为发送端最佳模拟预编码矩阵FRF，对应的数字预编码矩阵作为发送端最佳数字预编码矩阵FBB。
5、从集合
Figure BDA00032737887900001111
中的QW个元素中选择出
Figure BDA00032737887900001112
个构成接收端的模拟组合矩阵WRF，共有
Figure BDA00032737887900001113
种组合方式，由
Figure BDA00032737887900001114
计算出接收端的数字组合矩阵
Figure BDA00032737887900001115
其中
Figure BDA00032737887900001116
根据Fopt、WRF、WBB、H计算出频谱效率
Figure BDA0003273788790000121
共计算
Figure BDA0003273788790000122
次。在计算结果中选择出最大的频谱效率，将其对应的模拟组合矩阵作为接收端最佳模拟组合矩阵WRF，对应的数字组合矩阵作为接收端最佳数字组合矩阵WBB。
深度学习模型的搭建：
所述联合反馈和混合预编码的深度学习模型如图3所示，深度学习模型由卷积神经网络和全连接网络构成，包括一个输入层、两个卷积层和五个全连接层。在每个卷积层后都进行批量归一化(Batch Normalization)，激活函数为Relu(Rectified Linear Unit)，第一个全连接层的激活函数为Relu，第二个全连接层无激活函数。最后三个全连接层，其中前两个全连接层激活函数为Relu，激活函数后一层为dropout层，第三个全连接层为输出层，无激活函数和dropout层。输入为信道矩阵H的实数部分Re{H}、虚数部分Im{H}和模|H|，其中Re{H}、Im{H}和|H|分别表示对信道矩阵H取实部、虚部和模。输出层的维度设置为
Figure BDA0003273788790000123
其中NT为发送端天线数，
Figure BDA0003273788790000124
为发送端射频链路数，NR为接收端天线数，
Figure BDA0003273788790000125
为接收端射频链路数，NS为数据流数。
深度学习网络的训练：
因为深度学习网络的输出为四个预编码矩阵，所以可看作有监督的回归问题，将计算出的信道的预编码矩阵作为标签，使用均方误差(MSE,Mean Squared Error)作为回归问题的损失函数，其中
Figure BDA0003273788790000131
Figure BDA0003273788790000132
为深度学习网络训练过程中模型的输出数据，z＝[vecT(∠FRF),Re(vecT(FBB)),Im(vecT(FBB)),vecT(∠WRF),Re(vecT(WBB)),Im(vecT(WBB))]为深度学习网络训练过程中的数据集的标签，n为训练样本个数，∠表示将复数变换为角度，vecT()表示将矩阵向量化并转置，学习率设置为0.0005，衰减因子为0.9，epoch设置为200。
模型的拆分与权重的加载：
将训练完成的深度学习模型拆分为压缩网络fcp和编码网络fen，其中fcp为神经网络的1-4层，fen为神经网络的5-8层。将fcp和fen的深度学习网络分别部署在系统的接收端和发送端，再将fcp和fen各层网络的权重Θcp、Θen加载到部署完成的网络中。
实时信道信息的混合预编码：
发送端发送导频信号，接收端收到来自发送端的导频信号，并根据导频信号估计出下行的实时信道矩阵
Figure BDA0003273788790000133
将
Figure BDA0003273788790000134
作为压缩网络的输入，对信道矩阵进行压缩。压缩网络输出得到码字
Figure BDA0003273788790000135
其中M为信道矩阵压缩后的码字长度。接收端将压缩后的s反馈给发送端。
发送端将反馈的s输入编码网络，编码网络输出
Figure BDA0003273788790000136
其中∠表示将复数变换为角度，vecT()表示将矩阵向量化并转置。将
Figure BDA0003273788790000137
Figure BDA0003273788790000141
分别变换为
Figure BDA0003273788790000142
和
Figure BDA0003273788790000143
的矩阵形式，将角度变换为复数形式，即可得到
Figure BDA0003273788790000144
将
Figure BDA0003273788790000145
变换为
Figure BDA0003273788790000146
的矩阵形式，将实部与虚部结合，即可得到
Figure BDA0003273788790000147
将
Figure BDA0003273788790000148
变换为
Figure BDA0003273788790000149
的矩阵形式，将实部与虚部结合，即可得到
Figure BDA00032737887900001410
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (7)

1.一种基于深度学习的联合反馈和混合预编码设计方法，其特征在于，包括以下步骤：
S1：接收端获取样本信道状态信息，计算样本信道矩阵的模拟、数字的预编码矩阵和组合矩阵；
S2：将样本信道矩阵及其预编码矩阵和组合矩阵作为数据集输入联合反馈和混合预编码的深度学习模型中训练；
S3：将训练完成的联合反馈和混合预编码的深度学习模型拆分为压缩网络和编码网络，将压缩网络及其权重部署在接收端，编码网络及其权重部署在发送端；
S4：接收端获取实时的信道状态信息，将实时信道矩阵输入压缩网络，得到压缩后的信道矩阵，将压缩后的信道矩阵反馈至发送端；
S5：发送端将接收到的反馈信息送入编码网络，得到实时信道矩阵的模拟、数字的预编码矩阵和组合矩阵，对发送数据进行混合预编码。
2.根据权利要求1所述的一种基于深度学习的联合反馈和混合预编码设计方法，其特征在于，所述步骤S1中，样本信道矩阵的模拟、数字的预编码矩阵和组合矩阵计算方法如下：
T1、对信道矩阵
Figure FDA0003273788780000011
进行奇异值分解，得到H＝UΣVH,其中
Figure FDA0003273788780000012
分别为H的左奇异值矩阵和右奇异值矩阵，Σ是由H的奇异值降序组成的rank(H)×rank(H)矩阵，NT、NR分别表示发送端和接收端的天线数，rank(H)表示矩阵H的秩；取矩阵V的前NS列
Figure FDA0003273788780000013
NS为数据流数，即得到发送端的最优预编码矩阵Fopt＝V(1)；根据
Figure FDA0003273788780000014
求得接收端的最优组合矩阵Wopt，其中ρ为发送端功率，
Figure FDA0003273788780000021
为噪声功率，
Figure FDA0003273788780000022
为NS×NS的单位矩阵，()-1表示取逆，()H表示共轭转置；
T2、根据发送端天线的方向向量
Figure FDA0003273788780000023
构建发送端模拟预编码矩阵
Figure FDA0003273788780000024
的集合
Figure FDA0003273788780000025
其中
Figure FDA0003273788780000026
表示发送端的射频链路数，
Figure FDA0003273788780000027
Nc、Nray分别是信道的簇和路径数量，方向向量aT(ΘT)的第n个元素
Figure FDA0003273788780000028
Figure FDA0003273788780000029
分别表示发送端的方位角和俯仰角，pn＝[xn,yn,zn]T为第n个发送天线的位置，
Figure FDA00032737887800000210
λ为波长，()T表示转置；
T3、根据接收端天线的方向向量
Figure FDA00032737887800000211
构建接收端模拟组合矩阵
Figure FDA00032737887800000212
的集合
Figure FDA00032737887800000213
其中
Figure FDA00032737887800000214
表示接收端的射频链路数，
Figure FDA00032737887800000215
Nc、Nray分别是信道的簇和路径数量；方向向量aR(ΘR)的第n个元素
Figure FDA00032737887800000216
Figure FDA00032737887800000217
分别表示接收端的方位角和俯仰角，pn＝[xn,yn,zn]T为第n个接收天线的位置，
Figure FDA00032737887800000218
λ为波长，()T表示转置；
T4、从集合
Figure FDA0003273788780000031
的QF个元素中选择出
Figure FDA0003273788780000032
个构成发送端的模拟预编码矩阵
Figure FDA0003273788780000033
共有
Figure FDA0003273788780000034
种组合方式；由
Figure FDA0003273788780000035
计算出发送端的数字预编码矩阵
Figure FDA0003273788780000036
根据Wopt、FRF、FBB、H计算出频谱效率
Figure FDA0003273788780000037
共计算
Figure FDA0003273788780000038
次；在计算结果中选择出最大的频谱效率，将其对应的模拟预编码矩阵作为发送端最佳模拟预编码矩阵FRF，对应的数字预编码矩阵作为发送端最佳数字预编码矩阵FBB；
T5、从集合
Figure FDA0003273788780000039
中的QW个元素中选择出
Figure FDA00032737887800000310
个构成接收端的模拟组合矩阵WRF，共有
Figure FDA00032737887800000311
种组合方式，由
Figure FDA00032737887800000312
计算出接收端的数字组合矩阵
Figure FDA00032737887800000313
其中
Figure FDA00032737887800000314
根据Fopt、WRF、WBB、H计算出频谱效率
Figure FDA00032737887800000315
共计算
Figure FDA00032737887800000316
次；在计算结果中选择出最大的频谱效率，将其对应的模拟组合矩阵作为接收端最佳模拟组合矩阵WRF，对应的数字组合矩阵作为接收端最佳数字组合矩阵WBB。
3.根据权利要求1所述的一种基于深度学习的联合反馈和混合预编码设计方法，其特征在于，所述步骤S2中，联合反馈和混合预编码的深度学习模型由卷积神经网络和全连接网络构成，包括一个输入层、两个卷积层和五个全连接层；在每个卷积层后都进行批量归一化，激活函数为Relu，第一个全连接层的激活函数为Relu，第二个全连接层无激活函数，最后三个全连接层，其中前两个全连接层激活函数为Relu，激活函数后一层为dropout层，第三个全连接层为输出层，无激活函数和dropout层。
4.根据权利要求1所述的一种基于深度学习的联合反馈和混合预编码设计方法，其特征在于，所述步骤S2中，联合反馈和混合预编码的深度学习模型，输入为信道矩阵H的实数部分Re{H}、虚数部分Im{H}和模|H|，其中Re{H}、Im{H}和|H|分别表示对信道矩阵H取实部、虚部和模；输出层的维度设置为
Figure FDA0003273788780000041
其中NT为发送端天线数，
Figure FDA0003273788780000042
为发送端射频链路数，NR为接收端天线数，
Figure FDA0003273788780000043
为接收端射频链路数，NS为数据流数。
5.根据权利要求1所述的一种基于深度学习的联合反馈和混合预编码设计方法，其特征在于，所述步骤S2中，在联合反馈和混合预编码的深度学习模型学习过程中，损失函数为均方误差
Figure FDA0003273788780000044
其中
Figure FDA0003273788780000045
为深度学习网络训练过程中模型的输出数据，z＝[vecT(∠FRF),Re(vecT(FBB)),Im(vecT(FBB)),vecT(∠WRF),Re(vecT(WBB)),Im(vecT(WBB))]为深度学习网络训练过程中的数据集的标签，n为训练样本个数，∠表示将复数变换为角度，vecT()表示将矩阵向量化并转置，学习率为0.0005，衰减因子为0.9，epoch设置为200。
6.根据权利要求1所述的一种基于深度学习的联合反馈和混合预编码设计方法，其特征在于，所述步骤S3中，将训练完成的深度学习模型拆分为压缩网络fcp和编码网络fen，其中fcp为神经网络的1-4层，fen为神经网络的5-8层；将fcp和fen的深度学习网络分别部署在系统的接收端和发送端，再将fcp和fen各层网络的权重Θcp、Θen加载到部署完成的网络中。
7.根据权利要求1所述的一种基于深度学习的联合反馈和混合预编码设计方法，其特征在于，所述步骤S5中，深度学习模型输出为
Figure FDA0003273788780000051
∠表示将复数变换为角度，vecT()表示将矩阵向量化并转置。将
Figure FDA0003273788780000052
Figure FDA0003273788780000053
分别变换为
Figure FDA0003273788780000054
和
Figure FDA0003273788780000055
的矩阵形式，将角度变换为复数形式，即可得到
Figure FDA0003273788780000056
将
Figure FDA0003273788780000057
变换为
Figure FDA0003273788780000058
的矩阵形式，将实部与虚部结合，即可得到
Figure FDA0003273788780000059
将
Figure FDA00032737887800000510
变换为
Figure FDA00032737887800000511
的矩阵形式，将实部与虚部结合，即可得到
Figure FDA00032737887800000512
CN202111110018.3A 2021-09-23 2021-09-23 一种基于深度学习的联合反馈和混合预编码设计方法 Active CN113839697B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111110018.3A CN113839697B (zh) 2021-09-23 2021-09-23 一种基于深度学习的联合反馈和混合预编码设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111110018.3A CN113839697B (zh) 2021-09-23 2021-09-23 一种基于深度学习的联合反馈和混合预编码设计方法

Publications (2)

Publication Number Publication Date
CN113839697A true CN113839697A (zh) 2021-12-24
CN113839697B CN113839697B (zh) 2022-06-28

Family

ID=78960433

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111110018.3A Active CN113839697B (zh) 2021-09-23 2021-09-23 一种基于深度学习的联合反馈和混合预编码设计方法

Country Status (1)

Country Link
CN (1) CN113839697B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114448478A (zh) * 2022-02-25 2022-05-06 北京京东方传感技术有限公司 信号传输方法、装置、电子设备及存储介质
CN114844541A (zh) * 2022-04-22 2022-08-02 南通大学 一种基于深度学习的混合预编码和反馈方法
CN115085782A (zh) * 2022-06-15 2022-09-20 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
CN116112044A (zh) * 2022-08-09 2023-05-12 西安电子科技大学 基于神经网络的高能效混合预编码方法
WO2024007191A1 (zh) * 2022-07-06 2024-01-11 Oppo广东移动通信有限公司 模型训练方法及装置、样本数据生成方法及装置、电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130003812A1 (en) * 2009-12-30 2013-01-03 Ivano Salvatore Collotta Method for selecting a precoding matrix in a multiple input multiple outpu ("mimo") system
CN110557177A (zh) * 2019-09-05 2019-12-10 重庆邮电大学 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法
US20210126669A1 (en) * 2019-10-29 2021-04-29 GenXComm, Inc. Self-interference mitigation in in-band full-duplex communication systems
CN113193893A (zh) * 2021-04-30 2021-07-30 东南大学 毫米波大规模mimo智能混合波束成形设计方法
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
CN113422627A (zh) * 2021-05-31 2021-09-21 北京邮电大学 一种基于自适应梯度反向传播的混合预编码方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130003812A1 (en) * 2009-12-30 2013-01-03 Ivano Salvatore Collotta Method for selecting a precoding matrix in a multiple input multiple outpu ("mimo") system
CN110557177A (zh) * 2019-09-05 2019-12-10 重庆邮电大学 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法
US20210126669A1 (en) * 2019-10-29 2021-04-29 GenXComm, Inc. Self-interference mitigation in in-band full-duplex communication systems
CN113193893A (zh) * 2021-04-30 2021-07-30 东南大学 毫米波大规模mimo智能混合波束成形设计方法
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
CN113422627A (zh) * 2021-05-31 2021-09-21 北京邮电大学 一种基于自适应梯度反向传播的混合预编码方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
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 (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114448478A (zh) * 2022-02-25 2022-05-06 北京京东方传感技术有限公司 信号传输方法、装置、电子设备及存储介质
CN114844541A (zh) * 2022-04-22 2022-08-02 南通大学 一种基于深度学习的混合预编码和反馈方法
CN115085782A (zh) * 2022-06-15 2022-09-20 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
WO2024007191A1 (zh) * 2022-07-06 2024-01-11 Oppo广东移动通信有限公司 模型训练方法及装置、样本数据生成方法及装置、电子设备
CN116112044A (zh) * 2022-08-09 2023-05-12 西安电子科技大学 基于神经网络的高能效混合预编码方法

Also Published As

Publication number Publication date
CN113839697B (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
CN113839697B (zh) 一种基于深度学习的联合反馈和混合预编码设计方法
CN112737985B (zh) 基于深度学习的大规模mimo信道联合估计和反馈方法
CN108712196B (zh) 低分辨率毫米波大规模mimo混合预编码系统和方法
CN112260737B (zh) 总能效与最小能效权衡的多波束卫星通信鲁棒预编码方法
CN107046434B (zh) 大规模mimo系统模数混合预编码方法
CN108736943B (zh) 一种适用于大规模mimo系统的混合预编码方法
CN111147113B (zh) 一种能效保障的多波束卫星通信鲁棒预编码方法
CN107809275B (zh) 一种基于毫米波mimo系统的有限反馈混合预编码方法
CN110943768B (zh) 一种毫米波大规模mimo系统的混合预编码码本联合设计方法
CN110365388B (zh) 一种低复杂度毫米波多播波束成形方法
CN113193893B (zh) 毫米波大规模mimo智能混合波束成形设计方法
CN113972939A (zh) 基于双时间尺度和深度学习的天线系统预编码方法和装置
CN112564757A (zh) 一种深度学习1-bit压缩叠加信道状态信息反馈方法
CN112600596A (zh) 基于张量并行压缩的毫米波系统信道反馈方法
CN115865145A (zh) 一种基于Transformer的大规模MIMO信道状态信息反馈方法
CN114900398A (zh) 非理想csi的irs辅助云接入网下行的波束成形方法
CN114844541B (zh) 一种基于深度学习的混合预编码和反馈方法
CN112054826A (zh) 一种基于中间信道的单用户低复杂度混合预编码方法
CN101873203B (zh) Mimo中继系统中基于码书预编码的信号发送方法
CN115085782B (zh) 基于深度学习的智能反射面联合反馈和混合预编码方法
Corroy et al. Distributed compressed sensing for the MIMO MAC with correlated sources
Bandi et al. Sparsity-aided low-implementation cost based on-board beamforming design for high throughput satellite systems
CN112468201B (zh) 一种基于毫米波大规模mimo天线系统的重叠子连接混合预编码方法
CN115333900B (zh) 一种基于深度学习的无人机协同信道估计与csi反馈方法
CN114696878B (zh) 一种基于混合预编码和信道估计的联合设计方法和装置

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: 20240221

Address after: Room 605, Building 2, Urban Huacheng, Chongchuan District, Nantong City, Jiangsu Province, 226000

Patentee after: Zhang Zaifeng

Country or region after: China

Address before: 226019 Jiangsu Province, Nantong City Chongchuan District sik Road No. 9

Patentee before: NANTONG University

Country or region before: China

TR01 Transfer of patent right