CN113965233B

CN113965233B - 一种基于深度学习的多用户宽带毫米波通信资源分配方法

Info

Publication number: CN113965233B
Application number: CN202111224452.4A
Authority: CN
Inventors: 戚晨皓; 张鹏举
Original assignee: Southeast University
Current assignee: Southeast University
Priority date: 2021-10-19
Filing date: 2021-10-19
Publication date: 2022-07-26
Anticipated expiration: 2041-10-19
Also published as: CN113965233A

Abstract

本发明公开了一种基于深度学习的多用户宽带毫米波通信资源分配方法及系统，主要包括；在波束分配阶段，本发明提出了基于深度学习的波束分配方法，并且提出了一种冲突避免方法来处理得到的波束分配预测结果；在功率分配阶段，提出了基于深度学习的功率分配方法，并且提出了一个约束再分配方法来更新得到的功率分配矩阵；本发明考虑了波束冲突问题并提出了解决方法，极大降低了运算复杂度，和完美的分配结果相比只有轻微的准确率损失，准确率可达98.5％，并且本发明提出的方法可以使用较少的计算来完成多用户的功率分配，可实现实时处理，系统频谱效率性能获得2％左右的提升。

Description

一种基于深度学习的多用户宽带毫米波通信资源分配方法

技术领域

本发明涉及毫米波无线通信技术领域，特别是涉及一种基于深度学习的多用户宽带毫米波通信资源分配方法及系统。

背景技术

由于毫米波通信技术丰富的频谱资源和大规模MIMO技术较高的频谱效率，毫米波大规模MIMO系统可以带来系统吞吐量的大幅度提升，这是5G通信系统中最有前途的关键技术之一。在毫米波大规模MIMO系统中，预编码技术属于一项信号预处理技术。发射端利用信道状态信息(CSI)来预处理发送信号，使得接收端可以精确且有效地恢复信号，从而提高系统传输速率和链路可靠性，并降低接收端的功耗。因此，预编码技术在毫米波大规模MIMO系统中起着至关重要的作用。由于全数字预编码结构的高昂的成本和功耗，目前广泛使用混合预编码MIMO结构。通过模拟预编码和数字预编码的联合优化设计，混合式预编码技术不仅可以获得大型天线阵列的增益，还可以确保硬件设备的低成本和功耗。

与窄带毫米波大规模MIMO信道相比，宽带毫米波大规模MIMO信道是频率选择性的。通常采用正交频分复用(OFDM)技术来处理频率选择性信道。通过OFDM技术将频率选择性信道转换为多个频率平坦信道。因此，用于宽带毫米波信道的混合预编码器的设计是具有挑战性的，这与窄带信道有显着不同，不同的OFDM子载波上对于相同的基站码字具有不同等效信道增益分布。

基于完美的CSI和全数字预编码矩阵，目前相关学者已经提出了宽带多用户毫米波大规模MIMO系统中混合预编码设计的几种方法。在文献[1](X.Y.et al.,“Alternatingminimization algorithms for hybrid precoding in millimeter wave mimosystems,”IEEE J.Sel.Topics Signal Process.,vol.10,no.3,pp.485–500,2016.)中，考虑到混合预编码设计作为矩阵分子问题，提出了两种完全连接和部分连接结构的交替最小化算法。混合式预编码设计也可以作为稀疏的重建问题制定。因此，在文献[2](O.E.Ayach,S.Rajagopal,S.Abu-Surra,Z.Pi,andR.W.Heath,

“Spatially sparse precoding in millimeter wave mimo systems,”IEEETransactions on Wireless Communications,vol.13,no.3,pp.1499–1513,2014.)中提出了一种基于间接正交的匹配追踪 (SOMP)的空间稀疏预编码方法。在文献[3](A.Alkhateeb,G.Leus,and R.W.Heath,“Limited feedback hybrid precoding formulti-user millimeter wave systems,”IEEE Transactions on WirelessCommunications,vol.14,no.11,pp.6481–6494,2015.)中，提出了一种两级有限反馈多用户混合预编码预编码算法，其目的是最大化系统可实现的总和速率。在文献[4](X.Sun andC.Qi, “Codeword selection and hybrid precoding for multiuser millimeter-wavemassive mimo systems,” IEEE Commun.Letters,vol.23,no.2,pp.386–389,2019.)中，模拟预编码器设计被转换为旨在从码本选择相互不同的码字的分配问题，以实现不同用户实现最大的和速率，提出了一种基于匈牙利的算法。但是，文献[2]采用模拟预编码和数字模拟预编码来接近全数字预编码方案，但优化过程不完全消除多用户干扰；文献[3]不考虑波束冲突。发生波束冲突时，模拟预编码器矩阵是低秩，不能消除多用户干扰。文献[4]考虑光束冲突问题，基于匈牙利算法获得最佳波束分配结果。但是匈牙利算法的计算复杂性是O(n³)，这对于大量用户来说是不切实际的。然而，所有先前的工作[1]-[4]假设BS的功率同样为每个数据流分配，但等于功率分配策略不能实现能量的最佳使用。因此，在混合预编码设计之后，我们考虑旨在最大化系统能效(EE) 的功率分配优化问题。

最近，由于深度学习出色的解决复杂的非线性问题的能力，其在毫米波通信中的应用受到了广泛关注。文献[5](M.Lee,Y.Xiong,G.Y u,and G.Y.Li,“Deep neuralnetworks for linear sum assignment problems,”IEEE Wireless CommunicationsLetters,vol.7,no.6,pp. 962–965,2018.)使用机器学习方法解决分配问题，这被认为是分类问题，可以用DNN有效地解决。为了获得信道状态信息(CSI)，文献[6](W.Ma,C.Qi,Z.Zhang,and J.Cheng,“Sparse channel estimation and hybrid precoding usingdeep learning for millimeter wave massive mimo,” IEEE Transactions onCommunications,vol.68,no.5,pp.2838–2849,2020)提出了一种深度学习压缩感测信道估计方案，其具有比传统方案更好的性能。文献[7](X.Gao,S.Jin,C.-K.Wen,and G.Y.Li,“Comnet:Combination ofdeep learning and expert knowledge in ofdm receivers,”IEEE Commun.Letters,vol.22,no.12,pp.2627–2630,2018.)提出了一种模型驱动的深度学习方法，它将深度学习与传统算法结合起来解决OFDM的信道估计。为了实现最佳和充分利用功率资源，提出了一种基于DNN的功率控制方法，其旨在解决最大化衰落多用户干扰通道的总和率的非凸优化问题。文献[8](F.Liang,C.Shen,W.Yu,and F.Wu,“Towardsoptimal power control via ensembling deep neural networks,”IEEE Transactionson Communications,vol.68,no.3,pp. 1760–1776,2020.)使用CNN解决发射功率控制策略以最大化频谱效率。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度学习的多用户宽带毫米波通信资源分配方法及系统，该方法在资源分配中引入机器学习的框架，将资源分配问题分解为波束分配和功率分配两个子问题，并设计出两级级联的神经网络模型(DLPA-DLBA)来完成资源分配，极大地降低了运算复杂度并且系统频谱效率性能获得了2％的提升，首次在预编码设计阶段考虑功率分配问题，解决了现有资源分配方法运算复杂度高及功耗大的技术问题，同时支持多用户宽带毫米波的通信场景。

为了实现上述目的，本发明采用如下技术方案：

一种基于深度学习的多用户宽带毫米波通信资源分配方法，包括如下步骤：

步骤S1、构建用户端与基站端之间的宽带毫米波通信信道模型；

步骤S2、根据步骤S1中构建的通信信道模型，构建多用户宽带毫米波大规模MIMO通信资源分配过程的总优化问题，再通过引入净频谱效率，将该总优化问题分解为基于均等功率条件下的波束分配问题和功率分配问题；

步骤S3、采用基于深度学习的波束分配方法求解所述基于均等功率条件下的波束分配问题，其中，所述基于深度学习的波束分配方法具体包括：首先，通过建立预测波束分配的卷积神经网络模型，再根据波束扫描得到的结果矩阵与完美状态下的波束分配矩阵迭代训练该网络模型，得到波束分配模型，然后，将经过预处理得到的无干扰频谱效率矩阵，将作为所述波束分配模型的输入，预测得到第一波束分配矩阵，再对该第一波束分配矩阵进行波束冲突处理，用以避免波束冲突的发生，得到第二波束分配矩阵，最后，根据第二波束分配矩阵构建模拟预编码，再根据MMSE准则以及模拟预编码构建数字预编码；

步骤S4、采用基于深度学习的功率分配方法求解所述功率分配问题，其中，所述基于深度学习的功率分配方法具体包括：首先，设计用于功率分配的注水算法，并且构建预测功率分配的神经网络模型，再根据噪信比矩阵与注水算法得到的功率分配矩阵训练该网络模型，得到功率分配模型，然后，以经过预处理后的噪信比矩阵作为该功率分配模型输入，得到第一功率分配矩阵，最后，对该第一功率分配矩阵进行约束再分配，获取第二功率分配矩阵。

进一步的，所述步骤S1具体包括：

步骤S101、设置一个针对于多用户的宽带毫米波MIMO通信系统，该系统中，OFDM子载波的个数为U，基站采用部分全连接型混合预编码结构，配备N_RF个射频链路和N_BS根ULA天线，并且为每个子载波配备N_S个数据流，服务于K个用户，每个用户配备单个射频链路和单根天线，其中，在下行链路数据传输中，第u个OFDM子载波的系统传输模型表示为：

在公式(1)中，

表示数据符号矢量，服从总发射功率P_DL约束，即

s_k[u]表示基站在第u个OFDM子载波上发送给第k个用户的数据符号；

表示接收信号矢量，y_k[u]表示第k个用户在第u个OFDM子载波上接收到的信号；

表示基站第u个子载波的数字预编码矩阵，

表示基站端的模拟预编码矩阵，由于信号传输时AoA与AoD对于不同的OFDM子载波是相同的，即信号传输时的AoA与AoD与频率无关，因此模拟预编码矩阵F_RF对于每一个OFDM子载波都是相同的；信道矩阵

其中

表示基站与第k个用户之间的第u个OFDM子载波的下行宽带信道矢量；

表示噪声项，其各元素服从均值为0，方差为σ²的独立高斯分布；考虑到混合预编码不提供功率增益，需要对混合预编码进行功率约束，即

步骤S102、对于具有频率选择性衰落的宽带毫米波信道，在时域上，设定最大的延时抽头数为D，则基站与第k个用户在第d个延时抽头的信道表示为：

在公式(2)中，L_k表示基站和第k个用户之间的多径数目，α_l,k表示第l条路径的复增益，τ_l,k表示第l条路径的时延，φ_l,k表示第l条路径的AoD，且φ_l,k∈(-π/2,π/2],a(N_BS,φ_l,k)表示基站端的ULA天线阵列响应矢量，p(τ)表示在τ时刻观察到的脉冲成形滤波器，其中，该p(τ) 的表达式为：

在公式(3)中，β表示滚降系数，T_s表示采样周期。

进一步的，在所述步骤S2中，所述构建多用户宽带毫米波大规模MIMO通信资源分配过程的总优化问题，具体包括：

设计用户端与基站端的码本，其表达式为：

在公式(4)中，f_c(n)＝a(N_BS,-1+(2n-1)/N_BS)；

最终接收信号的表达式为：

在公式(5)中，

表示信号项，

表示干扰项，

表示噪声项；

在下行链路数据传输中，第k个用户在第u个OFDM子载波上的信号与干扰加噪声比SINR表示为：

在公式(6)中，[P]_u,k表示分配给第u个OFDM子载波上的第k个用户的功率，[P]_u,i表示分配给第u个OFDM子载波上的其他干扰用户的功率。

第k个用户在第u个OFDM子载波上的频谱效率示为：

R_k[u]＝log₂(1+SINR_k[u]) (7)

则，多用户宽带毫米波大规模MIMO通信资源分配过程的总优化问题的表达式为：

在公式(8)中，η表示能量效率，γ表示每个发射天线的功耗；式(8a)表示模拟预编码矩阵F_RF的每一列都是从基站端与用户端预定义好的DFT码本

中选取，每个码字代表一个波束方向；式(8b)表示服务于不同用户的基站码字各不相同，保证用户之间不存在波束冲突；式(8c)表示总发射功率为P_DL，所有数据流的功率满足总功率约束；式(8d)表示每个数据流的功率是非负的；式(8e)表示对混合预编码的功率约束，混合预编码不提供功率增益。

进一步的，在所述步骤S2中，所述通过引入净频谱效率，将该总优化问题分解为基于均等功率条件下的波束分配问题具体包括：

假设功率平均分配给每个数据流，由于公式(8)的分母是常数，公式(8)简化为：

引入净频谱效率，表达式为：

则，波束分配的优化目标构造为：

因此，优化问题(11)成为一个{0,1}整数规划问题，定义了一个矩阵

该矩阵T为无干扰频谱效率矩阵，其中[T]_k,n表示为:

其中，函数

定义为：

γ_k是一个阈值，给定第k个用户的候选码字数，表示为m_k(m_k>2)，将γ_k设置为所有获得的N_BS频谱效率的第m_k个最大值；

定义一个二进制矩阵

该二进制矩阵G为标签，如果第k个用户选择f_c(n)作为自己的码字，则[G]_k,n＝1；否则，[G]_k,n＝1；

因此优化问题(11)转化为：

。

进一步的，在所述步骤S3中，所述的预处理具体包括如下步骤：

首先，对无干扰频谱效率矩阵T中每一行的值进行降序排序，保留T的每一行的前m_k个值，并将剩余值设置为零；

然后，将T中的零列删除，得到

最后，通过填充

零列得到

进一步的，在所述步骤S3中，通过采用贪婪的冲突避免方法，来对所述第一波束分配矩阵进行波束冲突处理，所述贪婪的冲突避免方法具体包括：

如果检测到m个用户选择同一个码字即发生波束冲突时，将这m个用户再当做一个子系统，考虑每个用户的m_k个候选码字的情况下以最大化这m个用户的子系统频谱效率，直至没有波束冲突获得第二波束分配矩阵

对于

中的每个非零元素，其行索引和列索引分别表示为k和

因此码本

中的第

个码字服务于第k个用户即

进一步的，在所述步骤S3中，根据分配给每个用户的码字确定模拟预编码，

再根据

和MMSE准则获得数字预编码

进一步的，所述的功率分配问题具体为：

公式(8)中的优化问题重写为：

由于公式(15)的分母是常数，公式(15)简化为：

在公式(16)中，

是第u个OFDM子载波上第k个用户的等效信道增益；

由于(16b)的第一项为常数项，与功率无关，因此公式(16)简化为：

公式(17)为典型的不等式约束优化问题，采用KKT条件法，并使用拉格朗日函数来寻找最优值为：

其中μ是拉格朗日乘子，求解μ的数学方程为：

。

一种基于深度学习的多用户宽带毫米波通信资源分配系统，包括：

信道样本生成模块，用于生成随机变化的若干多用户宽带毫米波信道矩阵，根据主径的发射角计算出每个信道矩阵的最佳波束分配结果；

波束分配模块，根据信道环境获取多用户的波束分配集合；

波束分配网络参数设置模块，用于设置神经网络的参数以及波束分配过程中其他参数；

波束分配神经网络训练模块，神经网络的输入为预处理后的净频谱效率矩阵，输出为一个one-hot向量表示波束分配结果，从离线的样本数据库中选取若干个样本来更新网络参数；

波束分配神经网络预测模块，利用已训练好的网络预测不同信道环境下的波束分配结果；

波束冲突避免模块，检测神经网络预测得到的波束分配结果是否存在波束冲突，如果存在，以最大化和速率为优化目标避免波束冲突；

混合预编码矩阵确定模块，根据波束分配结果构造模拟预编码矩阵，基于MMSE准则获取数字预编码矩阵；

功率分配模块，在总功率的约束下，根据等效信道矩阵获取不同数据流的功率分配矩阵；

功率分配网络参数设置模块，用于设置神经网络的参数以及功率分配过程中其他参数；

功率分配神经网络训练模块，神经网络的输入为等效信道的噪信比矩阵，输出为该信道状态下不同数据流对应的功率，从离线的样本数据库中选取若干个样本来更新网络参数；

功率分配神经网络预测模块，波束分配神经网络预测模块，利用已训练好的网络预测不同信道环境下的功率分配结果；

功率约束再分配模块，检测神经网络预测得到的功率分配结果是否满足总功率约束，如果不满足，依据信道环境越好分配越多的功率为准则，对功率分配结果进行约束再分配；

最优波束和功率确定模块，用于获取信道对应的最优波束和功率分配结果，确定出最优资源分配结果

本发明的有益效果是：

1、本发明提出了基于深度学习的波束分配方法，并且为了避免波束冲突并最大限度地提高系统频谱效率，还提出了一种贪婪的冲突避免规则来更新

然后，基于最终处理得到的波束分配矩阵

来构建模拟预编码矩阵。本发明考虑了波束冲突问题，引入深度学习可以有效地解决波束分配问题，极大地降低了运算复杂度，只有轻微的准确性损失，准确度可达 98.5％。

2、本发明提出了基于深度学习的功率分配方法，并且还提出了一个约束再分配策略来更新

获得最终的功率分配矩阵

本发明提出的功率分配方法可以使用较少的运算来完成多用户的功率分配，可实现实时处理，频谱效率性能获得提升。

3.本发明提出的两级级联的神经网络模型(DLPA-DLBA)来完成资源分配，与目前最优的发明相比，极大地降低了运算复杂度并且系统频谱效率性能获得了2％的提升

附图说明

图1为实施例1中提供的宽带多用户毫米波大规模MIMO系统传输模型示意图；

图2为实施例1中提供的基于深度学习的多用户宽带毫米波通信资源分配方法的流程示意图；

图3为实施例1中提供的基于深度学习的波束分配方法的流程示意图；

图4为实施例1中提供的波束分配模型的结构示意图；

图5为实施例1中提供的基于深度学习的功率分配方法的流程示意图；

图6为实施例1中提供的功率分配模型的结构示意图；

图7为不同信噪比时系统频谱效率的比较示意图；

图8为不同用户数目时用户平均频谱效率的比较示意图；

图9为不同用户数目时运行时间的比较示意图；

图10为不同信噪比时系统频谱效率的比较示意图；

图11为不同用户数目时用户平均频谱效率的比较示意图；

图12为不同用户数目时运行时间的比较示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

实施例1

参见图1-图12，本实施例提供一种基于深度学习的多用户宽带毫米波通信资源分配方法，具体包括：

步骤S1、构建用户端与基站端之间的宽带毫米波通信信道模型。

具体的说，在本实施例中，该步骤S1具体包括：

在公式(1)中，

表示数据符号矢量，服从总发射功率P_DL约束，即

表示基站第u个子载波的数字预编码矩阵，

其中

表示噪声项，其各元素服从均值为0，方差为σ²的独立高斯分布。由图1可知，模拟预编码矩阵由移相器网络实现，因此它们中的每个元素都受到恒模约束，只能改变相位。考虑到混合预编码不提供功率增益，需要对混合预编码进行功率约束，即

在公式(2)中，L_k表示基站和第k个用户之间的多径数目，α_l,k表示第l条路径的复增益，τ_l,k表示第l条路径的时延，φ_l,k表示第l条路径的AoD，且φ_l,k∈(-π/2,π/2],a(N_BS,φ_l,k)表示基站端的ULA天线阵列响应矢量，p(τ)表示在τ时刻观察到的脉冲成形滤波器。

更具体的说，在本实施例中，p(τ)被建模为升余弦滤波器，具体表示为：

在公式(3)中，β表示滚降系数，T_s表示采样周期。

步骤S2、设计用户端与基站端的码本，根据设计的码本进行波束扫描，建立预测波束分配的卷积神经网络模型，再根据波束扫描得到的结果矩阵与完美状态下的波束分配矩阵训练该网络。

具体的说，在本实施例中，用户端与基站端的码本的表达式为：

在公式(4)中，f_c(n)＝a(N_BS,-1+(2n-1)/N_BS)；

具体的说，在本实施例中，最终接收信号的表达式为：

在公式(5)中，

表示信号项，

表示干扰项，

表示噪声项；

则，在下行链路数据传输中，第k个用户在第u个OFDM子载波上的信号与干扰加噪声比SINR表示为：

则，第k个用户在第u个OFDM子载波上的频谱效率示为：

R_k[u]＝log₂(1+SINR_k[u]) (7)

则，多用户宽带毫米波大规模MIMO通信资源分配过程表示为以下优化问题：

由于

之间存在耦合关系，因此公式(8)是一个典型的非凸多元混合整数非线性问题，很难找到最优解。因此采用分层设计思想通过引入净频谱效率将

解耦，然后将公式(8)分解为两个子问题：均等功率波束分配和功率分配。

具体的说，在本实施例的步骤S2中，首先考虑均等功率分配情况下的波束分配问题，本实施例提出了一种基于深度学习的波束分配(DLBA)方法，该DLBA方法主要包括码字选择和模拟预编码设计，具体包括：

首先，构建一个卷积神经网络模型，具体的模型结构如图4所示；

然后，利用根据信道主径AoD估计得到的波束分配结果来训练上述的卷积神经网络模型，得到训练好的卷积神经网络模型，也即是用于波束分配的卷积神经网络(BACNN)；

接着，进入在线部署阶段，使用经过预处理得到的无干扰(IF)频谱效率矩阵T，也即是 T'作为BACNN的输入，预测得到第一波束分配矩阵

在本实施例中，为了避免波束冲突并最大限度地提高系统频谱效率，本实施例提出了一种贪婪的冲突避免方法(具体请参见步骤 S3)来更新第一波束分配矩阵

得到第二波束分配矩阵

最后，基于上述的第二波束分配矩阵

来构建模拟预编码矩阵F_RF，再根据MMSE准则设计数字预编码

图3为上述一种基于深度学习的波束分配(DLBA)方法的流程示意图，波束分配的目标是从

中选择出K个互不相同的码字，形成模拟预编码矩阵F_RF，以达到最大的系统频谱效率。在这一阶段，假设功率平均分配给每个数据流。由于公式(8)的分母是常数，公式(8) 可以简化为：

对于公式(9)，需要遍历(N_BS)^K种码字组合来获得F_RF的最优解，并且由F_RF与

之间的耦合关系，需要首先求解

来计算每种码字组合的系统频谱效率，这将导致难以承受的运算复杂度。

为了降低运算复杂度，本实施例采用分层设计思想对F_RF与

进行解耦，引入净频谱效率，表达式为：

波束分配的优化目标可以构造为：

其中[T]_k,n表示为:

其中，函数

定义为：

γ_k是一个阈值，给定第k个用户的候选码字数，表示为m_k(m_k>2)，将γ_k设置为所有获得的N_BS频谱效率的第m_k个最大值。通过引入候选码字，当发生波束冲突时，每个用户可以有更多的选择。

定义一个二进制矩阵

用来存储波束分配结果。如果第k个用户选择f_c(n)作为自己的码字，则[G]_k,n＝1；否则，[G]_k,n＝1。因此优化问题(11)可以转化为：

更具体的说，在T输入到BACNN网络之前，对T进行一些预处理以满足网络模型的输入维度要求，并且使网络模型收敛更快，具体的预处理方法包括：

首先，对T的每一行的值进行降序排序，然后保留T的每一行的前m_k个值，并将剩余值设置为零；

然后，将T中的零列删除，因为这些码字不是任何用户的候选码字，因此得到

最后，因为T'的第二维度N'是一个变量，但网络模型的输入维度是恒定的，因此需要统一输入维度。经实践，发现km_k作为第二维度，在不会丢失输入信息前提下最大程度降低数据维度。通过填充

零列得到

此步骤的目的是减少存储开销并统一输入维度。

更具体的说，由于标签G是一个二进制矩阵，其每一行是一个one-hot向量，这与单标签分类问题的输出相同，将矩阵G的每一行连接起来获得一个二进制向量

这与多标签分类问题的输出相同，因此本实施例采用卷积神经网络(BACNN)，如图4所示，来解决多标签分类问题。

更具体的说，对于BACNN的输出

进行如下处理来获得最终的波束分配结果

包括：

首先，把向量

转换成矩阵

然后，移除最右边的

零列得到

最后，将

的每一行的最大值设置为1，剩余值设置为零，从而获得一个二进制矩阵

因此，

的每一行都是一个one-hot向量，这确保了约束条件(14a)。约束条件(14b)并没有得到保证，难以避免波束冲突。

步骤S3、将步骤S2中神经网络预测得到第一波束分配矩阵进行波束冲突处理，用以避免波束冲突的发生，得到第二波束分配矩阵；

具体的说，在本实施例的步骤S3中，需要采取措施来消除波束冲突减少干扰，因此，本实施例提出了一种贪婪的冲突避免方法，该方法的主要思想为如果检测到m个用户选择同一个码字即发生波束冲突时，将这m个用户再当做一个子系统，考虑每个用户的m_k个候选码字的情况下以最大化这m个用户的子系统频谱效率，直至没有波束冲突获得最终的波束分配结果

对于

中的每个非零元素，其行索引和列索引分别表示为k和

因此码本

中的第

个码字服务于第k个用户即

步骤S4、根据步骤S3中得到的第二波束分配矩阵构建模拟预编码，再根据MMSE准则以及模拟预编码构建数字预编码。

具体的说，在本实施例的步骤S4中，根据分配给每个用户的码字确定模拟预编码，

再根据

和MMSE准则获得数字预编码

步骤S5、首先设计用于功率分配的注水算法，并且构建预测功率分配的神经网络模型，然后再根据噪信比矩阵与注水算法得到的功率分配矩阵训练该网络模型，

具体的说，在本实施例的步骤S5中，再解决完等功率分配情况下的波束问题后，需要考虑功率分配问题，为此，本实施例中提出了一种基于深度学习功率分配(DLPA)方法，该DLPA方法主要包括功率分配和约束再分配。该DLPA方法的主要思路是：

首先，在离线训练阶段，利用根据注水算法得到的功率分配结果来训练本实施例提出的用于功率分配的深度神经网络(PADNN)；

然后，在在线测试阶段，使用经过离线训练好的PADNN预测得到第一功率分配矩阵

接着，使用提出的约束再分配方法确保预测得到第一功率分配矩阵

满足功率约束(8c)；

最后，得到第二功率分配结果

其中，图5展示了该DLPA方法的具体流程。

具体的说，经过上述的DLBA方法之后，得到了波束分配的最优结果F_RF和

因此，公式(8)中的优化问题只依赖于功率分配变量P。因此，公式(8)中的优化问题重写为：

由于公式(15)的分母是常数，公式(15)可以简化为：

在公式(16)中，

是第u个OFDM子载波上第k个用户的等效信道增益。

由于(16b)的第一项为常数项，与功率无关，因此公式(16)可简化为：

这是一个典型的不等式约束优化问题，本实施例中采用KKT条件法，并使用拉格朗日函数来寻找最优值为：

其中μ是拉格朗日乘子，求解μ的数学方程为：

可以看出，该功率分配优化方法没有具体的解析表达式。可采用WF方法解决这个问题，即利用二分搜索法，分别向上和下两个方向进行搜索，每次搜索的步长为上次的一半，直到找到满足要求的μ的近似解为止。另外该方法是迭代搜索的，运算复杂度高，只能得到近似结果。

步骤S6、将步骤S5中训练好的神经网络模型输出的第一功率分配矩阵进行约束再分配，获取第二功率分配矩阵；

具体的说，如图5所示，功率分配估计分为两个阶段：PADNN的离线训练和在线预测。 PADNN的输入为

由矩阵Q矢量化得到。PADNN的标签为

通过WF 方法获得。这可以看作是一个线性回归问题，采用深度神经网络来解决这个回归问题。

具体的说，需要采取措施来使预测的功率分配结果满足总功率约束(17a)。本实施例提出一种约束再分配方法，其主要思想为检测神经网络预测得到的功率分配结果

是否满足总功率约束，如果不满足，依据“信道环境越好分配越多的功率”为准则，对功率分配结果进行约束再分配，直至满足功率约束，获得最终的功率分配结果

实施例2

本实施例提供一种基于深度学习的多用户宽带毫米波通信资源分配系统，包括：

波束分配模块，根据信道环境获取多用户的波束分配集合；

波束分配神经网络训练模块，神经网络的输入为预处理后的净频谱效率矩阵，输出为一个one-hot向量表示波束分配结果，从离线的样本数据库中选取若干个样本来更新网络参数；波束分配神经网络预测模块，利用已训练好的网络预测不同信道环境下的波束分配结果；波束冲突避免模块，检测神经网络预测得到的波束分配结果是否存在波束冲突，如果存在，以最大化和速率为优化目标避免波束冲突；

功率分配神经网络训练模块，神经网络的输入为等效信道的噪信比矩阵，输出为该信道状态下不同数据流对应的功率，从离线的样本数据库中选取若干个样本来更新网络参数；功率分配神经网络预测模块，波束分配神经网络预测模块，利用已训练好的网络预测不同信道环境下的功率分配结果；

功率约束再分配模块，检测神经网络预测得到的功率分配结果是否满足总功率约束，如果不满足，依据“信道环境越好分配越多的功率”为准则，对功率分配结果进行约束再分配；

最优波束和功率确定模块，用于获取信道对应的最优波束和功率分配结果，经过本发明提出的两级级联网络架构，如图2所示，确定出最优资源分配结果；

下面结合仿真条件与结果对本发明做进一步的描述：

本发明所有关于机器学习的仿真代码均在Python 3.7的TensorFlow-GPU 1.7.0上仿真测试。为了更客观公平地比较不同算法，其他的算法也都是用Python语言实现的。所有的仿真代码都是在一个配置为6核处理器，16GB内存和NVIDIA GeForce GTX 1600Ti显卡的的电脑运行。

考虑一个多用户宽带毫米波大规模MIMO通信系统的下行链路，考虑一个多用户宽带毫米波大规模MIMO系统，基站配置N_RF个射频链路和N_BS根ULA天线，同时服务K个用户，每个用户配置单个射频链路和单根天线。在波束分配阶段，基站端使用的是DFT码本，设置基站端ULA天线数目N_BS＝128，OFDM子载波的个数U＝16。根据文献 [9](Rodriguez-FernandezJ,Gonzalez-Prelcic N,Venugopal K,et al.Frequency-domain compressive channelestimation for frequency-selective hybrid mmWave MIMO systems[J].IEEETransactions on Wireless Communications,2018,17(5):2946-2960.)提出的延时模型设置如下宽带毫米波信道参数，最大延时抽头数N_C＝4，采样周期T_s＝1/1760μs，滚降系数β＝0.25，基站与第k个用户之间的信道路径数目L_k＝4，其中包含一条复信道增益为

的LoS径以及多条复信道增益

的NLoS径，每条路径的AoD，即φ_l,k，服从(-π/ 2,π/2]上的均等分布，每条路径的时延τ_l,k服从[0,(N_c-1)T_s]上的均等分布。假设发送信号总功率P_DL＝1，在基于匈牙利算法的波束分配方法中，设置m_k＝4。数字预编码的设计基于 MMSE准则。仿真结果基于20000次随机信道生成。

如图4所示，本实施例中提出的用于解决波束分配的卷积神经网络(BACNN)，由卷积部分和完全连接部分组成。卷积部分由三个串联连接的子块组成。每个子块由卷积层，最大池化层和整流线性单元(Relu)层组成，表示为f_Re(x)＝max(0,x)。卷积层对输入数据进行二维卷积运算，设置卷积核二维尺寸为3×3，深度分别为C₁＝16，C₂＝32，C₃＝32。最大池化层用于压缩数据量并且提高计算速度，设置其尺寸为2×2。Relu单元保证了数据的非负性，使BACNN网络能够更好地处理非线性问题。此外，设置学习速率为指数衰减函数，其初始值为α＝0.001，每100个步骤衰减为原始的90％，训练批次大小batch_size＝200，零填充方法用于确保输入数据大小与卷积核尺寸匹配。最终将卷积部分的输出送入全连接部分，其由两个分别具有512和256个神经元的全连接层组成，输出层为一个只包含0,1,值的向量，每个元素的值对应波束分配结果。

图7-图9为考虑多用户宽带毫米波大规模MIMO通信系统的基于DLBA的波束分配的仿真结果。设置m_k＝4，这意味着每个用户有四个候选码字可以选择。设置

波束分配性能由系统频谱效率衡量，定义为式(11)，全数字预编码架构的性能是最优的，但由于其高昂的硬件成本难和严重的功耗，在实际工程中很难在大规模MIMO系统中实现，因此仅在仿真中将全数字预编码架构的系统频谱效率性能作为其他方案的上界。如图7所示，在K＝16的条件下，设置不同的信噪比，本实施例中提出的DLBA方案与一些现有方案的波束分配性能比较结果。从图7中可以看出，DLBA方案的波束分配性能几乎与Hungarian方案一致，但优于TS(Two-Stage,TS)和SOMP(Simultaneous OrthogonalMatching Pursuit,SOMP)方案。当SNR＝20dB时，本实施例提出的DLBA方案与TS和SOMP方案相比，分别有10.3％和38.75％的系统频谱效率性能提升，并且与Hungarian方案具有相当的性能。造成这样结果的原因为：TS方案不考虑波束冲突，当发生波束冲突时，无法消除多用户干扰。SOMP方案利用模拟预编码和数字预编码来接近全数字预编码方案，但优化过程不能完全消除多用户干扰。所提出的DLBA方案考虑了波束冲突问题，提出的冲突避免规则有效防止了波束冲突的发生，并完全消除了数字预编码设计阶段的多用户干扰。经过验证，Hungarian方案与通过利用AOD获得的波束分配结果相同，因此Hungarian方案的性能是完美的，本实施例所提出的方案只能具有与Hungarian方案相当的性能，但大大降低了计算复杂度。

如图8所示，在SNR＝15dB的情况下，针对不同用户数K，本实施例提出的DLBA方案与其他现有方案的平均系统频谱效率的性能比较结果。从图8中可以看出，随着K的增加，本实施例的方案的下降速度比TS方案和SOMP方案要慢，并且与Hungarian方案的下降速度相同。

如图9所示，在SNR＝15dB的情况下，针对不同用户数K，本实施例提出的DLBA方案与其他现有方案的运行时间对比结果。仿真环境考虑了噪声，从图9中可以看出，不同预编码方案的运行时间随着K的增加而增加。在这五种方案中，全数字预编码架构方案的运行时间最低，但在实际工程中它很难在大规模MIMO系统中实现，将其视为其他方案的下限。本实施例采用CNN网络中的多分类思路预测波束分配结果，而传统算法需要迭代搜索才能获得最优结果，因此对比其他方案中，本实施例的运行速度最快。特别是，本实施例所提出方案的精度只有轻微的降低，使用CNN网络可以大大提高时间效率，这表明本实施例所提出的方法具有明显的优势。

如图6所示，本实施例中提出的用于解决功率分配的全连接神经网络(PADNN)由一个输入层，三个隐藏层和一个输出层组成。设置三个隐藏层的神经元数目分别为8KU,32KU和 8KU。设置Relu函数为每层的激活函数，表示为f_Re(x)＝max(0,x)。此外，设置学习速率为指数衰减函数，其初始值为α＝0.001，每100个步骤衰减为原始的85％，训练批次大小为batch_size＝200，设置均方误差为网络的损失函数，表示为公式(20)。

图10-图12为考虑多用户宽带毫米波大规模MIMO通信系统的基于DLPA和 DLBA-DLPA的功率分配的仿真结果。由于EE式(8)的分母是常数项，在最终性能评估中只考虑其分子的优化，即系统频谱效率。如图10所示，在K＝16时，设置不同的信噪比，本实施例提出的DLBA-DLPA方案的性能与其他现有方案的系统频谱效率性能比较结果。设置 M_p＝8，这意味着在功率再分配阶段，我们可以重新调整最高或最低的M_p个值。从图10中可以看出，DLBA-DLPA方案的性能不如Hungarian-DLPA方案，但优于其他方案。产生该结果的原因为：Hungarian-EQ(Equal Power,EQ)方案假设基站端的功率均等分配给每个数据流，因此不能实现功率资源的充分发掘和利用。Hungarian-WF方案采用WF算法寻找功率分配的最优解，但WF算法只能通过二分搜索法得到式(19)的模糊最优解，且考虑到系统噪声，它不能保证全局最优。而Hungarian-DLPA方案既可以在波束分配阶段获得完美的波束分配结果，并基于WF算法获得较好的功率分配结果，为了满足总功率约束条件(17a)，本实施例提出了功率再分配方法，其主要思路：为高q值的数据流分配更多的功率，为低q值的数据流分配更少的功率，其中q为矩阵Q的元素。与Hungarian-DLPA方案相比，DLBA-DLPA 方案在波束分配阶段有轻微的系统频谱效率性能损失，这导致其最终的性能比 Hungarian-DLPA方案略差。

如图11所示，在SNR＝5dB的条件下，针对不同用户数K，本实施例提出的DLBA-DLPA方案与其他方案的平均系统频谱效率的性能比较结果。从图11中可以看出，随着K的增加，本实施例提出的Hungarian-DLPA和DLBA-DLPA方案的下降速度比其他方案慢。与图10 相比，它更清楚地显示了本实施例提出的方案的优点。

如图12所示，在SNR＝15dB的情况下，针对不同用户数K，本实施例提出的方案与其他现有方案的运行时间对比结果。仿真环境考虑了噪声，从图12中可以看出，不同预编码方案的运行时间随着K的增加而增加。本实施例提出的DLBA-DLPA方案在四种方案中运行时间最低，因为它在波束分配和功率分配阶段都引入了深度学习框架。另外本实施例提出的Hungarian-DLPA方案仅在功率分配阶段引入了深度学习框架，由于DLPA方案的运算复杂度较低，其运行时间几乎与Hungarian-EQ方案相同。由于传统算法需要迭代搜索来获得最优结果，对比其他方案，即使Hungarian-WF方案具有较好的性能但是它的运行时间大大增加。从仿真结果来看，本实施例提出的DLBA-DLPA方案具有最佳的系统频谱效率性能，而且极大地降低了运算复杂度，这表明本实施例具有明显的优势。

表1对比了SNR＝15dB，K＝16的情况下，四种不同资源分配方案的运行时间，从表中可以看出，本实施例提出的Hungarian-DLPA方案仅在功率分配阶段引入了深度学习框架，由于 DLPA方案的运算复杂度较低，其运行时间几乎与Hungarian-EQ方案相同。DLBA-DLPA的运行时间比Hungarian-WF的运行时间减少了85.3％左右，同时DLBA-DLPA的系统频谱性能与Hungarian-WF相比有2％左右的提升。

表1

算法名称	运行时间(ms)
		Hungarian-WF	718
Hungarian-DLPA	515
		Hungarian-EQ	510
DLBA-DLPA	105

根据以上的仿真结果，本发明提出的资源分配方案及装置在多用户宽带毫米波的信道环境下，系统频谱效率均高于其他现有方案，并且运算复杂度也极大地降低。因此在多用户宽带毫米波大规模MIMO的场景下，本发明提出的基于深度学习的通信资源分配方案能够在保证较高性能的前提下，极大地降低运算复杂度。

综上所述，本发明为宽带多用户毫米波大规模MIMO系统提出了基于深度学习的波束分配(DLBA)方案。DLBA方案包括数字预编码和模拟预编码。在离线训练阶段，使用基于LOS径的发射角(AOD)获得的完美波束分配结果在模拟环境中训练用于波束分配的卷积神经网络(BACNN)。在线部署阶段，将预处理得到的无干扰(IF)频谱效率矩阵T输入到训练好的BACNN来预测波束分配矩阵

为了避免波束冲突并最大限度地提高系统频谱效率，我们提出了一种贪婪的冲突避免规则来更新

然后，基于最终处理得到的波束分配矩阵

来构建模拟预编码矩阵。本发明考虑了波束冲突问题，引入深度学习可以有效地解决波束分配问题，极大地降低了运算复杂度，只有轻微的准确性损失，准确度可达98.5％。

本发明为宽带多用户毫米波大规模MIMO系统提出了基于深度学习的功率分配(DLPA) 方案。DLPA方案包括功率分配和约束再分配。在离线训练阶段，使用基于注水算法得到的功率分配结果在模拟环境中训练用于功率分配的深度神经网络(PADNN)。在线部署阶段，将计算得到的噪信比矩阵Q馈入训练好的PADNN来预测功率分配矩阵

为了满足总功率约束P_DL，我们提出了一个约束再分配策略来更新

获得最终的功率分配矩阵

本发明提出的两级级联的神经网络模型(DLPA-DLBA)来完成资源分配，与目前最优的发明相比，极大地降低了运算复杂度并且系统频谱效率性能获得了2％的提升。

本发明未详述之处，均为本领域技术人员的公知技术。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims

1.一种基于深度学习的多用户宽带毫米波通信资源分配方法，其特征在于，包括如下步骤：

步骤S3、采用基于深度学习的波束分配方法求解所述基于均等功率条件下的波束分配问题，其中，所述基于深度学习的波束分配方法具体包括：首先，通过建立预测波束分配的卷积神经网络模型，再根据波束扫描得到的结果矩阵与完美状态下的波束分配矩阵迭代训练该网络模型，得到波束分配模型，然后，将经过预处理得到的无干扰频谱效率矩阵作为所述波束分配模型的输入，预测得到第一波束分配矩阵，再对该第一波束分配矩阵进行波束冲突处理，用以避免波束冲突的发生，得到第二波束分配矩阵，最后，根据第二波束分配矩阵构建模拟预编码，再根据MMSE准则以及模拟预编码构建数字预编码；

步骤S4、采用基于深度学习的功率分配方法求解所述功率分配问题，其中，所述基于深度学习的功率分配方法具体包括：首先，设计用于功率分配的注水算法，并且构建预测功率分配的神经网络模型，再根据噪信比矩阵与注水算法得到的功率分配矩阵训练该用于预测功率分配的网络模型，得到功率分配模型，然后，以经过预处理后的噪信比矩阵作为该功率分配模型输入，得到第一功率分配矩阵，最后，对该第一功率分配矩阵进行约束再分配，获取第二功率分配矩阵；

其中，所述的净频谱效率，表达式为：

在该公式中，P_DL表示为总发射功率，

表示为基站与第k个用户在第u个延时抽头的信道表示，K表示为用户总数目，

表示为服务于第k个用户的码字，U表示为OFDM子载波总数目，σ²表示为系统的噪声功率，

表示为第k个用户在第u个OFDM子载波上的净频谱效率。

2.根据权利要求1所述的一种基于深度学习的多用户宽带毫米波通信资源分配方法，其特征在于，所述步骤S1具体包括：

步骤S101、设置一个针对于多用户的宽带毫米波MIMO通信系统，该系统中，OFDM子载波的个数为U，基站采用部分全连接型混合预编码结构，配备N_RF个射频链路和N_BS根ULA天线，并且为每个子载波配备N_S个数据流，服务于K个用户，每个用户配备单个射频链路和单根天线，k＝1，2，……，K，u＝1，2，……，U；其中，在下行链路数据传输中，第u个OFDM子载波的系统传输模型表示为：

在公式(1)中，

表示数据符号矢量，服从总发射功率P_DL约束，即

表示基站第u个子载波的数字预编码矩阵，

其中

F表示为Frobenius范数，S表示为任意的常数；

在公式(2)中，L_k表示基站和第k个用户之间的多径数目，α_l,k表示第l条路径的复增益，τ_l,k表示第l条路径的时延，φ_l,k表示第l条路径的AoD，且φ_l,k∈(-π/2,π/2],a(N_BS,φ_l,k)表示基站端的ULA天线阵列响应矢量，p(τ)表示在τ时刻观察到的脉冲成形滤波器，其中，该p(τ)的表达式为：