CN113972939A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113972939A
CN113972939A CN202111056767.2A CN202111056767A CN113972939A CN 113972939 A CN113972939 A CN 113972939A CN 202111056767 A CN202111056767 A CN 202111056767A CN 113972939 A CN113972939 A CN 113972939A
Authority
CN
China
Prior art keywords
dnn
time
scale
matrix
precoding
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
CN202111056767.2A
Other languages
English (en)
Other versions
CN113972939B (zh
Inventor
胡棋昱
蔡云龙
康凯
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202111056767.2A priority Critical patent/CN113972939B/zh
Publication of CN113972939A publication Critical patent/CN113972939A/zh
Priority to PCT/CN2022/102833 priority patent/WO2023035736A1/zh
Application granted granted Critical
Publication of CN113972939B publication Critical patent/CN113972939B/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
    • 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
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

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

Abstract

本申请提出了一种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，该方法包括：构建长时间尺度DNN和短时间尺度DNN，构建的深度神经网络分别包括与大规模毫米波多输入多输出系统的收发机对应的多个子网络；通过训练数据对构建的深度神经网络进行训练；获取待传输的信号，通过训练完成的长时间尺度DNN进行高维导频估计和高维信道反馈，通过短时间尺度DNN进行低维导频估计和低维信道反馈；通过长时间尺度DNN根据高维原始信道矩阵进行模拟预编码和数字预编码，并通过短时间尺度DNN根据低维等效信道矩阵进行数字预编码。该方法可以降低信令开销，提高系统的鲁棒性，且对系统中的各个模块进行联合设计，降低了计算复杂度。

Description

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
技术领域
本申请涉及无线通信技术领域，尤其涉及一种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。
背景技术
随着无线网络的发展，无线数据业务爆发性地增长。为了应对随之而来的挑战，新一代的5G通信网络需要提供更大的带宽，更高的频谱效率，以及容纳更多的用户。而5G网络的兴起，伴随着用户数量及其所传输的数据量显著增大。其中，毫米波通信由于其巨大的带宽而被认为是5G无线网络中满足高数据速率传输要求的关键技术之一。毫米波的波长较短，使得系统可以部署数量足够多的阵列天线，其中大规模MIMO系统可以提供足够大的阵列增益，用于空间复用，从而提高系统容量，缓解无线电频谱短缺。但大规模MIMO系统在应用中需要进行预编码。然而，传统的全数字预编码需要为每个天线配置射频链路，成本高、能耗高。
相关技术中，为了解决这一问题，通常是采用混合模数预编码，即通过移相器将大量天线连接到较少的射频链路上。此外，信道估计和信道反馈是混合预编码设计中的两个重要问题。信道估计的方法主要有两类：(1)直接估计信道本身，比如最小二乘法；(2)用压缩感知的方法估计出信道参数，再根据这些参数对信道进行恢复。信道反馈方案主要分为两类：(1)利用信道状态信息的时空相关性来降低反馈开销；(2)基于码本的反馈方案。针对上述混合预编码系统，模拟预编码和数字预编码需要被精心设计，来逼近全数字预编码系统的性能。
然而，申请人发现，上述技术中，混合预编码系统大多将每个模块分开进行设计，每个模块具有较高的复杂度，存在诸如计算复杂度高、无法实时应用、需要对问题进行精确的数学建模和对抗环境变化的鲁棒性较差等问题。并且，已有的混合预编码算法大多数是基于高维瞬时信道的基础上提出的，在大规模天线场景下，获取高维信道矩阵会导致巨大的信令开销，造成严重的传输延迟和信道失配。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的第一个目的在于提出一种基于双时间尺度和深度学习的天线系统预编码方法，该方法基于双时间尺度进行混合预编码，其中长时间尺度的模拟预编码基于信道统计特性得到，短时间尺度的数字预编码根据低维实时等效信道矩阵优化得到，可以降低信令开销，提高对由于传输延迟引起的信道失配的鲁棒性。并且，该方法通过深度学习框架对通信系统中的各个模块进行联合设计，实现端到端性能优化，提高了大规模MIMO系统的通信性能，并降低了混合预编码的计算复杂程度。
本申请的第二个目的在于提出一种基于双时间尺度和深度学习的天线系统预编码装置。
本申请的第三个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的，本申请的第一方面实施例提出了一种基于双时间尺度和深度学习的天线系统预编码方法，包括以下步骤：
构建长时间尺度深度神经网络DNN和短时间尺度深度神经网络DNN，其中，长时间尺度DNN和短时间尺度DNN分别包括与大规模毫米波多输入多输出MIMO系统的收发机对应的多个子网络，所述多个子网络包括：接收端的信道估计子网络和信道反馈子网络，以及发送端的导频设计子网络和混合预编码子网络；
获取具有不同信噪比的训练数据，并通过所述训练数据对所述长时间尺度DNN和短时间尺度DNN进行训练，以优化网络参数；
获取待传输的信号，通过训练完成的所述长时间尺度DNN进行高维导频估计和高维信道反馈，以恢复高维原始信道矩阵，并通过训练完成的所述短时间尺度DNN进行低维导频估计和低维信道反馈，以获取低维等效信道矩阵；
通过所述长时间尺度DNN根据所述高维原始信道矩阵进行模拟预编码和数字预编码，并通过所述短时间尺度DNN根据所述低维等效信道矩阵进行数字预编码，以完成信号传输。
可选地，在本申请的一个实施例中，该方法还包括：根据信道统计特性将时间轴划分多个超帧，并将每个所述超帧划分为第一预设数量的帧，每个所述帧包括第二预设数量的时隙，根据所述超帧确定所述长时间尺度，并根据所述时隙确定短时间尺度。
可选地，在本申请的一个实施例中，对所述长时间尺度DNN和短时间尺度DNN进行训练，包括：根据双时间尺度的帧结构，交替训练所述长时间尺度DNN和所述短时间尺度DNN，其中，所述短时间尺度DNN的数字预编码矩阵在每个帧除最后一个时隙外的每个时隙，基于所述低维等效信道进行更新，所述长时间尺度DNN的模拟预编码矩阵和数字预编码矩阵在每个帧的最后一个时隙，基于所述高维等效信道进行更新。
可选地，在本申请的一个实施例中，根据深度神经网络中二进制神经元的输出构建所述信道反馈子网络，所述对所述长时间尺度DNN和短时间尺度DNN进行训练，还包括：将导频信息设置为所述导频设计子网络的训练参数，通过随机梯度下降学习所述导频设计子网络的目标训练参数；通过sigmoid函数的估计器近似二进制神经元的梯度，并通过随机梯度下降训练所述信道反馈子网络。
可选地，在本申请的一个实施例中，通过以下公式进行高维导频估计：
Figure BDA0003254960720000031
其中，
Figure BDA0003254960720000032
是接收端接收到的导频信号矩阵，
Figure BDA0003254960720000033
是发送端发送的训练导频，
Figure BDA0003254960720000034
Figure BDA0003254960720000035
是模拟预编码矩阵，
Figure BDA0003254960720000036
H是待估计的高维原始信道，
Figure BDA0003254960720000037
是模拟接收矩阵
Figure BDA0003254960720000038
的共轭转置矩阵，
Figure BDA0003254960720000039
N是高斯噪声矩阵，
Figure BDA00032549607200000310
选取所述训练导频、所述模拟预编码矩阵和所述模拟接收矩阵为所述信道估计子网络的训练参数。
可选地，在本申请的一个实施例中，通过以下公式进行高维信道反馈：
Figure BDA00032549607200000311
其中，q是反馈比特，
Figure BDA00032549607200000312
表示导频信号矩阵
Figure BDA00032549607200000313
的向量化结果，
Figure BDA00032549607200000314
是向量
Figure BDA00032549607200000315
实部、虚部分开的表示，
Figure BDA00032549607200000316
Figure BDA00032549607200000317
是长时间尺度DNN的训练参数，σr是长时间尺度DNN第r层的非线性激活函数，sgn(·)是长时间尺度DNN二值层的激活函数。
可选地，在本申请的一个实施例中，混合预编码子网络包括模拟发送端预编码模块、数字发送端预编码模块、模拟接收端预编码模块、数字接收端预编码模块和解调模块，所述根据所述高维原始信道进行模拟预编码，包括：
将所述高维原始信道矩阵的实部和虚部分别输入至所述模拟发送端预编码模块和模拟接收端预编码模块，以输出发送端和接收端的模拟编码器相位；计算出满足恒模约束的复数向量；通过以下公式对所述满足恒模约束的复数向量进行转化操作，生成模拟预编码矩阵：
Figure BDA00032549607200000318
其中，
Figure BDA00032549607200000319
其中，FRF是发送端模拟预编码矩阵，WRF是接收端模拟预编码矩阵，
Figure BDA00032549607200000320
表示将向量转换成矩阵的操作，
Figure BDA00032549607200000321
是发送端的模拟编码器相位，
Figure BDA00032549607200000322
是接收端的模拟编码器相位，Nt是发送端天线的数目，Nr是接收端天线的数目。
可选地，在本申请的一个实施例中，训练数据包括高维原始信道矩阵样本、高斯噪声和待发送的数据标签，所述对所述长时间尺度DNN进行训练，还包括：通过滑动平均或滑动窗的方式获取高维原始信道矩阵样本，所述滑动平均是将所述长时间尺度DNN的模拟发送端预编码模块和模拟接收端预编码模块当前的输出和距离当前最近的上一时刻的输出做进行加权平均。
为达上述目的，本申请的第二方面实施例提出了一种基于双时间尺度和深度学习的天线系统预编码装置，包括以下模块：
构建模块，用于构建长时间尺度深度神经网络DNN和短时间尺度深度神经网络DNN，其中，长时间尺度DNN和短时间尺度DNN分别包括与大规模毫米波多输入多输出MIMO系统的收发机对应的多个子网络，所述多个子网络包括：接收端的信道估计子网络和信道反馈子网络，以及发送端的导频设计子网络和混合预编码子网络；
训练模块，用于获取具有不同信噪比的训练数据，并通过所述训练数据对所述长时间尺度DNN和短时间尺度DNN进行训练，以优化网络参数；
获取模块，用于获取待传输的信号，通过训练完成的所述长时间尺度DNN进行高维导频估计和高维信道反馈，以恢复高维原始信道矩阵，并通过训练完成的所述短时间尺度DNN进行低维导频估计和低维信道反馈，以获取低维等效信道矩阵；
编码模块，用于通过所述长时间尺度DNN根据所述高维原始信道矩阵进行模拟预编码和数字预编码，并通过所述短时间尺度DNN根据所述低维等效信道矩阵进行数字预编码，以完成信号传输。
为达上述目的，本申请的第三方面实施例提出了一种非临时性计算机可读存储介质，其中，所述非临时性计算机可读存储介质存储有计算机程序；所述计算机程序被处理器执行时实现如上第一方面所示的基于双时间尺度和深度学习的天线系统预编码方法。
本申请的实施例提供的技术方案至少带来以下有益效果：本申请基于双时间尺度进行混合预编码，其中长时间尺度的模拟预编码基于信道统计特性得到，短时间尺度的数字预编码根据低维实时等效信道矩阵优化得到，从而可以降低信令开销，提高对由于传输延迟引起的信道失配的鲁棒性。并且，该方法通过深度学习框架对通信系统中的各个模块进行联合设计，实现端到端性能优化，该深度学习框架在优化端到端通信系统的过程中以数据驱动的方式隐式学习信道的统计特性，不需要精确的信道数学模型，且深度神经网络的计算可以并行化，提高了大规模MIMO系统的通信性能，并降低了混合预编码的计算复杂程度。另外，基于本申请的双时间尺度的方法，实际应用中本申请大多数时间只需要估计低维等效信道矩阵，从而可以大大降低由于传输时延导致的信道误差。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例提出的一种基于双时间尺度和深度学习的天线系统预编码方法的流程示意图；
图2为本申请实施例提出的一种混合预编码毫米波MIMO系统的结构示意图；
图3为本申请实施例提出的一种混合预编码毫米波MIMO系统的通信示意图；
图4为本申请实施例提出的一种双时间尺度帧的结构示意图；
图5为本申请实施例提出的一种用于毫米波MIMO系统的端到端双时间尺度DNN的结构示意图；
图6为本申请实施例提出的一种混合预编码设计框架及其数据传输示意图；
图7为本申请实施例提出的一种缓存容量为3的滑动窗示意图。
图8为本申请实施例提出的一种集中式训练DNN的帧结构的结构示意图；
图9为本申请实施例提出的一种分布式训练DNN的帧结构的结构示意图；
图10为本申请实施例提出的一种双时间尺度DNN和传统方案在不同信噪比下的误码率的对比示意图；
图11为本申请实施例提出的一种双时间尺度DNN和传统方案在不同反馈比特数下的误码率的对比示意图；
图12为本申请实施例提出的一种双时间尺度DNN和传统方案在不同导频长度下的误码率的对比示意图；
图13为本申请实施例提出的一种端到端双尺度毫米波MIMO系统通信过程的示意图；
图14为本申请实施例提出的一种基于双时间尺度和深度学习的天线系统预编码装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
目前，已有的双时间尺度算法计算复杂度高，且不能对通信系统中的各个模块进行联合设计。虽然相关技术中可以通过优化算法进行优化，但仍存在诸如计算复杂度高、无法实时应用、需要对问题进行精确的数学建模、对抗环境变化的鲁棒性较差、通信模块之间的分别设计等问题。而本申请通过深度学习技术进行大规模MIMO系统中各模块的联合设计，相比优化算法，深度学习的计算复杂度较低、不需要对问题进行精确的数学建模、对抗误差的鲁棒性较好、通信模块可以联合设计，且端到端的深度学习框架适用于本系统中各模块的联合设计。首先，与传统通信系统各模块单独设计不同，深度学习框架可以联合设计所有模块，实现端到端性能优化。其次，深度学习框架在优化端到端通信系统的过程中以数据驱动的方式隐式学习信道的统计特性，不需要精确的信道数学模型。再者，DNN的计算可以并行化，计算复杂度远低于传统优化算法。
下面参考附图描述本发明实施例所提出的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。
图1为本申请实施例提出的一种基于双时间尺度和深度学习的天线系统预编码方法的流程示意图，如图1所示，该方法包括以下步骤：
步骤101，构建长时间尺度深度神经网络DNN和短时间尺度深度神经网络DNN，其中，长时间尺度DNN和短时间尺度DNN分别包括与大规模毫米波多输入多输出MIMO系统的收发机对应的多个子网络，多个子网络包括：接收端的信道估计子网络和信道反馈子网络，以及发送端的导频设计子网络和混合预编码子网络。
具体的，本申请先构建深度神经网络(deep neural network,简称DNN)，基双时间尺度将该DNN分为两部分，即构建长时间尺度深度神经网络DNN和短时间尺度深度神经网络DNN。其中，长时间尺度DNN用于进行高维导频估计和反馈高维原始信道，根据恢复出来的高维信道优化模拟预编码和数字预编码，短时间尺度DNN用于进行低维导频估计和反馈低维等效信道，根据恢复出来的低维信道优化数字预编码。
其中，长时间尺度DNN和短时间尺度DNN中的每个均封装了与大规模毫米波多输入多输出(multiple-in multiple-out，简称MIMO)系统的收发机的所有模块，即长时间尺度DNN和短时间尺度DNN中包含相当于MIMO系统的接收端的信道估计和信道反馈的子网络，以及发送端的导频设计和混合预编码的子网络。也就是说，部署了本申请的DNN后的混合预编码毫米波MIMO系统，在接收端基于DNN进行信道估计、信道量化和信道反馈，以及在发送端进行导频设计和混合预编码优化，具体而言，在接收端将接收到的导频信号映射为反馈比特，接着在发送端将接收到的反馈比特映射为混合预编码矩阵。
为了更加清楚的说明本申请构建的深度神经网络的结构，下面先结合图2对本申请的混合预编码毫米波MIMO系统进行详细说明。
如图2所示，该系统的发送端装配有Nt根发送天线和
Figure BDA0003254960720000061
条射频链路，发送Ns个数据流至接收端，其中，
Figure BDA0003254960720000071
接收端(可以是用户端)装配有Nr根接收天线和
Figure BDA0003254960720000072
条射频链路，其中，
Figure BDA0003254960720000073
在发送端，射频链路连接着一个移相器网络，将
Figure BDA0003254960720000074
个数字输出信号变为Nt个经过编码的模拟信号。类似地，在接收端，Nr根接收天线连接着一个移相器网络以及
Figure BDA0003254960720000075
条射频链路。
其中，发送端传输Ns个并行的数据
Figure BDA0003254960720000076
由Ns×log2M维的0-1比特组成。然后，这些数据根据M维调制方式被映射为符号
Figure BDA0003254960720000077
符号向量s满足
Figure BDA0003254960720000078
这些符号先经过数字发送预编码
Figure BDA0003254960720000079
的处理，再经过模拟预编码
Figure BDA00032549607200000710
经过编码的信号可以写成x＝FRFFBBs。其中FRF表示仅能调整相位，并通过移相器网络实现的模拟预编码矩阵，因此需要符合恒模约束
Figure BDA00032549607200000711
数字预编码矩阵FBB需要经过功率归一化
Figure BDA00032549607200000712
使得发送端的功率约束满足，其中，PT表示最大的传输功率。经过预编码的信号x经过一个窄带快衰落信道，接收端接收到的符号矢量
Figure BDA00032549607200000713
可以表示成z＝HFRFFBBs+n，其中
Figure BDA00032549607200000714
表示信道矩阵，
Figure BDA00032549607200000715
为加性高斯噪声。类似地，在接收端，接收信号需要经过接收端模拟编码
Figure BDA00032549607200000716
以及数字编码
Figure BDA00032549607200000717
的处理。检测到的信号可以写成
Figure BDA00032549607200000718
其中WRF需要满足恒模约束
Figure BDA00032549607200000719
最终，检测到的信号r被解调用于恢复Ns个数据流，产生恢复比特
Figure BDA00032549607200000720
进一步的，下面结合图3对该系统的通信过程进行说明。如图3所示，该系统的通信过程包括信道估计、信道反馈和混合预编码。需要说明的是，在本申请实施例中，以基站为发送端，而发送端需要获得信道矩阵H来进行混合预编码。因此，在传输数据之前，需要发送导频来对信道进行估计。
具体的，发送端先发送长度为L的导频矩阵
Figure BDA00032549607200000721
然后接收端接收到的导频信号
Figure BDA00032549607200000722
其中，
Figure BDA00032549607200000723
和
Figure BDA00032549607200000724
分别表示模拟发送导频和模拟接收导频，它们的列从离散傅里叶变换(DFT)矩阵选出以满足恒模约束，
Figure BDA00032549607200000725
表示高斯白噪声矩阵，
Figure BDA00032549607200000726
在实际应用中，发送端根据时间顺序依次发送导频矩阵中的导频，且发送导频矩阵的第l次传输
Figure BDA00032549607200000727
(
Figure BDA00032549607200000728
的第l列，在本申请实施例中传输次数与导频矩阵的列数一一对应)需要满足功率约束，
Figure BDA0003254960720000081
接收端从接收到的信号
Figure BDA0003254960720000082
当中估计出信道H，并从中提取出有用的信息，比如，到达角度、信道增益等，然后将这些信息压缩为B比特反馈给发送端
Figure BDA0003254960720000083
其中，B是根据实际需要预设的比特量，映射
Figure BDA0003254960720000084
表示反馈方案。
需要说明的是，在上述系统中，对每个高维原始信道联合设计数模混合预编码需要大量的开销，且计算复杂度和硬件成本较高。为此，本申请提出了一种双时间尺度方案，以同时考虑高维原始信道和信道统计特性。
在本申请一个实施例中，根据信道统计特性将时间轴划分多个超帧，并将每个超帧划分为第一预设数量的帧，每个帧包括第二预设数量的时隙，根据超帧确定长时间尺度，并根据时隙确定短时间尺度。下面结合图4进行详细说明
如图4所示，在本申请实施例中，对于一个特定的超帧，假设在此期间信道统计特性固定不变。该超帧由Tf个帧组成，每帧又分为Ts个时隙，在该示例中，第一预设数量即为Tf个，第二预设数量即为Ts个，高维原始信道在每个时隙内保持不变。基于这种划分，在本申请实施例中的长时间尺度是信道统计特性在每一个超帧都是固定不变的，一个超帧包含Tf个帧，而短时间尺度的高维原始信道H假定在每个时隙固定不变。
需要说明的是，由于等效信道矩阵
Figure BDA0003254960720000085
的维度远低于高维原始信道矩阵H，因此，在本申请实施例中通过发送导频，在每个时隙获得低维等效信道矩阵Heq，并且，由于在大规模MIMO场景中，在每个时隙获取实时的高维原始信道矩阵H会导致大量的信令开销，所以本申请在每帧中仅获取一个高维原始信道矩阵样本H。因此，本申请实施例中假设接收端能够在每一帧获取一个完整的高维原始信道矩阵样本，并且能够在每个时隙获取实时的低维等效信道矩阵Heq，模拟和数字预编码矩阵需要分别基于H和Heq，在不同的时间尺度进行优化。如图3所示，长时间尺度的模拟预编码矩阵{FRF,WRF}在每帧的最后一个时刻，基于估计得到的高维原始信道矩阵H进行更新，以实现多天线阵列增益。而短时间尺度的数字预编码矩阵{FBB,WBB}在每个时隙中，基于估计得到的低维等效信道矩阵Heq进行更新，以实现空间复用增益，而短时间尺度的更新数字预编码矩阵时，{FRF,WRF}固定不变。由此，通过该双时间尺度的方法对混合预编码矩阵进行更新时，在大多数时间只需要估计低维等效信道矩阵，从而可以大大降低由于传输时延导致的信道误差。
步骤102，获取具有不同信噪比的训练数据，并通过训练数据对长时间尺度DNN和短时间尺度DNN进行训练，以优化网络参数。
其中，在训练阶段，本申请通过不同信噪比的训练数据对长时间尺度DNN和短时间尺度DNN进行离线训练的目的是获得DNN中各个子网络的训练参数，通过获得的训练参数优化DNN的网络参数，便于后续在实际应用中通过固定优化后的网络参数进行预测。
在本申请一个实施例中，不同信噪比的训练数据包括训练样本{H,n,Sb}，即高维原始信道矩阵样本、高斯噪声和待发送的数据标签。在实际应用中，可以通过不同方式获取训练数据。
作为一种可能的实现方式，可以根据系统实际应用的场景获取历史数据，通过调用数据库中预先存储的大规模毫米波MIMO系统之前进行通信时产生的历史数据，作为训练数据。
作为另一种可能的实现方式，可以对规模毫米波MIMO系统的信道进行建模，根据建立的信道模型实时获取训练数据。举例而言，建立窄带毫米波信道模型，该窄带毫米波信道模型包含Ncl个簇，每个簇包含Nray条传播路径。每一条路径包含信道的发送、接收方向(发送角、到达角)，以及路径复增益。信道矩阵表示为：
Figure BDA0003254960720000091
其中，
Figure BDA0003254960720000092
为第i簇中第l条路径的复增益，
Figure BDA0003254960720000093
和
Figure BDA0003254960720000094
分别表示接收端和发送端的到达角和发送角。
Figure BDA0003254960720000095
和
Figure BDA0003254960720000096
分别表示接收和发送导向矢量。对于一个包含N根天线的线性阵列和角度φ，导向矢量可以写作：
Figure BDA0003254960720000097
其中，d和λ分别表示相邻天线之间的距离和载波的波长。在建立的信道模型后，假设信道和噪声具有某一特定的分布，相应地根据统计特性产生信道和噪声样本，并收集产生的信道和噪声样本。由此，可以通过建立的信道模型实时生成训练数据。
进一步的，在获取训练数据后，在本申请实施例中，可以以二元交叉熵(binarycross-entropy，简称BCE)为目标损失函数，通过随机梯度下降SGD迭代更新训练参数。采用BCE作为本申请实施例训练阶段的损失函数时，二元交叉熵可通过如下公式表示:
Figure BDA0003254960720000098
其中，
Figure BDA0003254960720000101
表示训练数据集，Sb表示传输符号矩阵，由维度为Ns×log2M的0-1比特组成。
Figure BDA0003254960720000102
代表恢复出的符号矩阵，表示传输的比特为1的概率。由于
Figure BDA0003254960720000103
是DNN的输出，可以表示为DNN训练参数的函数，本申请中最大化BCE相当于最大化可达速率。
而训练集的误码率(bit-error rate,简称BER)可以表示为:
Figure BDA0003254960720000104
其中，当
Figure BDA0003254960720000105
时，
Figure BDA0003254960720000106
否则，
Figure BDA0003254960720000107
更进一步的，由于本申请采用双时间尺度的预编码方法，在本申请实施例中进行上述随机梯度下降训练时，可以根据双时间尺度的帧结构，交替训练长时间尺度DNN和短时间尺度DNN，其中，短时间尺度DNN的数字预编码矩阵在每个帧除最后一个时隙外的每个时隙，基于低维等效信道进行更新，长时间尺度DNN的模拟预编码矩阵和数字预编码矩阵在每个帧的最后一个时隙，基于高维等效信道进行更新。
具体而言，在每一帧的前Ts-1个时隙训练短时间尺度DNN，输入为{H,FRF,WRF,n,Sb}，其中模拟预编码矩阵{FRF,WRF}是通过长时间尺度DNN计算得到的。在每一帧的最后一个时隙，训练长时间尺度DNN，输入为{H,n,Sb}，即长时间尺度DNN在每一帧训练一次，短时间尺度DNN在每一时隙训练一次，两者交替训练直至收敛。在后续实际应用时的预测阶段，DNN输出混合预编码的原理同上，具体而言，在每一帧的前Ts-1个时隙，发送的是导频
Figure BDA0003254960720000108
短时间尺度DNN输出数字预编码矩阵{FBB,WBB}。在每一帧的最后一个时隙，发送的是导频
Figure BDA0003254960720000109
长时间尺度DNN输出混合预编码(包括数字、模拟)矩阵{FBB,FRF,WBB,WRF}。
为了更加清楚的描述本申请对长时间尺度DNN和短时间尺度DNN进行训练的方案，下面结合图5和图6对DNN中的各个训练阶段进行详细说明，包括：导频训练阶段、信道反馈训练阶段和混合预编码设计训练阶段。其中，在各个训练阶段进行的训练，可以看作是对相应的子网络进行的训练，比如，在导频训练阶段即是对导频设计子网络进行训练，信道反馈训练阶段是对信道估计子网络和信道反馈子网络进行训练等。
具体而言，如图5所示，该针对毫米波MIMO系统的端到端双时间尺度DNN包括长时间尺度DNN10和短时间尺度DNN20，在混合预编码设计阶段，DC-NN和DP-NN可以共享学习参数。首先，在导频训练阶段，接收端需要在每一帧的前Ts-1个时隙估计低维等效信道矩阵Heq，在每一帧的最后一个时隙估计高维原始信道矩阵H。
其中，对长时间尺度DNN进行导频训练时，为了估计高维原始信道矩阵H，发送端发送训练导频
Figure BDA0003254960720000111
以及模拟预编码矩阵(在信道估计阶段称作模拟导频矩阵)
Figure BDA0003254960720000112
其中L表示导频长度。然后，接收到的导频信号矩阵经过模拟接收矩阵
Figure BDA0003254960720000113
表示为
Figure BDA0003254960720000114
其中，
Figure BDA0003254960720000115
表示高斯噪声矩阵。即在本申请实施例中对长时间尺度DNN进行导频训练时，长时间尺度DNN的输入和输出分别为H和
Figure BDA0003254960720000116
其中，H为获取的训练数据。
需要说明的是，为了设计适配当前信道统计特性的最佳导频，以使得对高维原始信道矩阵H的估计更准确，本申请实施例中选取参数集
Figure BDA0003254960720000117
代替DNN网络中的参数作为训练参数，即在本申请中将上述导频信息设为导频设计子网络训练参数，相比较采用DNN网络中的参数作为训练参数，本申请采用的高斯导频以及
Figure BDA0003254960720000118
等通过DFT矩阵中选出来的导频，训练得到的导频参数
Figure BDA0003254960720000119
可以实现更好的信道估计性能，更适配信道统计特性。并且，为了保证模拟导频
Figure BDA00032549607200001110
满足恒模约束，在本申请实施例中将这两个矩阵的每一个元素设为训练参数的同时，在每次训练完成后除以自身的模
Figure BDA00032549607200001111
此外，为了确保导频矩阵满足功率约束，本申请实施例还通过放缩
Figure BDA00032549607200001112
使得
Figure BDA00032549607200001113
其中
Figure BDA00032549607200001114
为第l次传输的导频，即矩阵
Figure BDA00032549607200001115
的第l列。
对短时间尺度DNN进行导频训练时，为了估计低维等效信道矩阵Heq，发送端发送训练导频矩阵
Figure BDA00032549607200001116
接收端接收到
Figure BDA00032549607200001117
其中
Figure BDA00032549607200001118
Figure BDA00032549607200001119
为高斯噪声矩阵。本申请的短时间尺度DNN的输入和输出分别为Heq和
Figure BDA00032549607200001120
其中，Heq为获取的训练数据。
需要说明的是，为了设计适配当前信道统计特性的最佳导频，以使得对等效信道矩阵Heq的估计更准确，本申请设置训练参数为
Figure BDA00032549607200001121
在信道估计阶段，和长时间尺度DNN不同，短时间尺度DNN的模拟编码器{FRF,WRF}并非通过训练得到的，而是和上一帧在数据传输阶段使用的模拟编码器相同。即短时间尺度DNN估计的是等效信道
Figure BDA0003254960720000121
模拟编码器{FRF,WRF}为等效信道的一部分，并且，本申请还通过缩放
Figure BDA0003254960720000122
使得导频满足功率约束。
其次，在信道反馈训练阶段，在每一帧的前Ts-1个时隙，接收端反馈量化之后的低维等效信道矩阵Heq，在每一帧的最后一个时隙，接收端反馈量化之后的高维原始信道矩阵H。
其中，对长时间尺度DNN进行信道反馈训练时，在每一帧的最后一个时隙，首先，接收端基于接收到的导频信号矩阵
Figure BDA0003254960720000123
估计高维原始信道矩阵H。然后，接收端从中提取出有用的信息并将其量化为B比特反馈给发送端，用于后续混合预编码设计。这两步可以用一个R层的全连接DNN实现，即接收端的反馈比特可以通过以下公式进行表示：
Figure BDA0003254960720000124
其中，q∈{±1}B,
Figure BDA0003254960720000125
表示导频信号矩阵
Figure BDA0003254960720000126
的向量化结果，DNN的输入为向量
Figure BDA0003254960720000127
实部、虚部分开的表示
Figure BDA0003254960720000128
Figure BDA0003254960720000129
表示训练参数，σr代表第r层的非线性激活函数。符号函数sgn(·)为最后一层(二值层)的激活函数，用于产生反馈比特向量q(q的每一个元素取值都为0或1)。
对短时间尺度DNN进行信道反馈训练时，低维等效信道矩阵Heq的反馈流程类似上述长时间尺度DNN的反馈流程。具体的，在每一帧的前Ts-1个时隙，接收端首先基于接收到的导频信号矩阵
Figure BDA00032549607200001210
估计出低维等效信道矩阵Heq，并从中提取出有用的信息，并将其量化为Beq比特反馈给发送端，用于后续数字预编码设计。这两步可以用一个Req层的全连接DNN实现，即接收端的反馈比特可以通过以下公式进行表示：
Figure BDA00032549607200001211
其中，
Figure BDA00032549607200001212
表示矩阵
Figure BDA00032549607200001213
的向量化结果，DNN的输入为向量
Figure BDA00032549607200001214
实部、虚部分开的表示
Figure BDA00032549607200001215
Figure BDA00032549607200001216
表示DNN的训练参数，符号函数sgn(·)为最后一层(二值层)的激活函数，用于产生反馈比特向量
Figure BDA00032549607200001217
(qeq的每一个元素取值都为0或1)，由此，针对二进制进制神经元的离散输出，通过sigmoid函数的估计器近似二进制神经元的梯度，便于后续通过随机梯度下降训练信道反馈子网络，使基于梯度的训练成为可能。而由于反馈向量qeq的维度要远小于q的维度，因为Heq的维度远小于H的维度，因此，在本申请实施例中可以使用更少层数和参数数量的DNN来获得qeq。
再者，在混合预编码设计训练阶段，在每一帧的前Ts-1个时隙，本申请基于qeq使用短时间尺度DNN来更新数字预编码矩阵{FBB,WBB}，在每一帧的最后一个时隙，基于q使用长时间尺度DNN来更新数字和模拟预编码矩阵{FRF,FBB,WRF,WBB}。
其中，对长时间尺度DNN进行混合预编码设计训练时，在每一帧的最后一个时隙，发送端收到反馈比特q来恢复高维原始信道矩阵
Figure BDA0003254960720000131
然后，发送端基于恢复出的
Figure BDA0003254960720000132
用DNN设计混合预编码矩阵{FRF,FBB,WRF,WBB}。如图5所示，该DNN包括了5个子网络，模拟发送端预编码网络(analog precoder NN，AP-NN)，数字发送端预编码网络(digital precoder NN，DP-NN)，模拟接收端预编码网络(analog combiner NN，AC-NN)，数字接收端预编码网络(digital combiner NN，DC-NN)，以及解调网络。具体而言，在本申请一个实施例中，先将恢复出的信道矩阵
Figure BDA0003254960720000133
的实部、虚部分开存储，成为一个实数矩阵，然后，分别将实部和虚部输入AP-NN和AC-NN，通过AP-NN和AC-NN分别输出发送端和接收端的模拟编码器相位
Figure BDA0003254960720000134
和
Figure BDA0003254960720000135
由此可以通过以下公式计算出满足恒模约束的复数向量：
Figure BDA0003254960720000136
然后，通过以下公式生成模拟预编码矩阵：
Figure BDA0003254960720000137
其中，
Figure BDA0003254960720000138
表示将向量转换成矩阵的操作，Nt是发送端天线的数目，Nr是接收端天线的数目。进而，根据原始信道矩阵
Figure BDA0003254960720000139
和得到的模拟预编码矩阵{FRF,WRF}计算出低维等效信道矩阵
Figure BDA00032549607200001310
进一步的，参照上述过程，将等效信道矩阵
Figure BDA00032549607200001311
实部、虚部分开存储，成为一个实数矩阵，输入DP-NN和DC-NN，分别输出发送端和接收端的数字编码器
Figure BDA0003254960720000141
(实部虚部分开存储)。则可以通过以下公式生成数字预编码矩阵：
Figure BDA0003254960720000142
再通过下述公式进行功率归一化，以得到最终的数字预编码矩阵，同时保证功率约束满足：
Figure BDA0003254960720000143
其中，对短时间尺度DNN进行混合预编码设计训练时，在每一帧的前Ts-1个时隙，发送端收到反馈比特qeq，用于恢复低维等效信道矩阵
Figure BDA0003254960720000144
然后，基于恢复出来的信道矩阵
Figure BDA0003254960720000145
发送端设计数字预编码矩阵{FBB,WBB}，此时模拟预编码矩阵{FRF,WRF}固定不变(直接采用上一帧最后一个时隙，长时间尺度DNN计算得到的模拟预编码矩阵)。如图5所示，短时间尺度DNN包含DP-NN和DC-NN，分别用于产生发送端和接收端数字预编码矩阵FBB和WBB，其产生矩阵的原理可参照上述对长时间尺度DNN进行混合预编码设计训练时的步骤，此处不再赘述。
在训练过程中，DNN信号流如图5中的信号流程图所示，整个过程模拟了发送信号Sb经过发送端混合预编码{FRF,FBB}、信道衰落H、噪声n、接收端混合预编码{WRF,WBB}，接收端恢复出该信号的过程。在本申请中将训练样本{H,n,Sb}输入DNN，产生混合预编码矩阵，最终得到接收信号r。将接收信号r实部、虚部分开，r被转换为一个实值向量，输入解调网络，产生恢复信号
Figure BDA0003254960720000146
进而，根据Sb和
Figure BDA0003254960720000147
通过上述的最小化端到端二元交叉熵，并通过随机梯度下降迭代更新DNN的训练参数的方式完成训练。
由此，本申请实施例通过获取的训练数据对长时间尺度DNN和短时间尺度DNN进行离线训练后，获得了DNN中各个子网络的训练参数，并固定优化后的训练参数，便于后续在预测阶段基于确定的网络参数进行预测。
步骤103，获取待传输的信号，通过训练完成的长时间尺度DNN进行高维导频估计和高维信道反馈，以恢复高维原始信道矩阵，并通过训练完成的短时间尺度DNN进行低维导频估计和低维信道反馈，以获取低维等效信道矩阵。
步骤104，通过长时间尺度DNN根据高维原始信道矩阵进行模拟预编码和数字预编码，并通过短时间尺度DNN根据低维等效信道矩阵进行数字预编码，以完成信号传输。
其中，待传输的信号即发送端实际要发送的并行的数据。
具体实施时，在预测阶段，可参照上述预测阶段中的实现方式，通过训练完成的长时间尺度DNN进行高维导频估计和高维信道反馈，以恢复高维原始信道矩阵，并通过训练完成的短时间尺度DNN进行低维导频估计和低维信道反馈，以获取低维等效信道矩阵。然后通过长时间尺度DNN根据高维原始信道矩阵进行模拟预编码和数字预编码，并通过短时间尺度DNN根据低维等效信道矩阵进行数字预编码。即基于确定的训练参数，在接收端将接收到的导频信号映射为反馈比特，接着在发送端将接收到的反馈比特映射为混合预编码矩阵，具体实现原理和实现过程可参照上述预测阶段中的方案，此处不再赘述，即通过上述训练阶段的方案得到的固定优化后的训练参数和设计混合预编码器矩阵后，在预测阶段，图6所示的信号流中的各个模块被DNN产生的混合预编码矩阵所替代，对于待传输的实际要发送的数据，将优化后的参数代入上述实施例中的各个公式进行信道估计、信道反馈和混合预编码设计，从而通过训练好的网络进行信道估计、信道反馈和混合预编码设计后，在接收端可以准确恢复出该传输的信号。
需要说明的是，本申请在信道反馈训练阶段，是对带有离散输出0-1变量的DNN进行训练，由于二值层(输出为0或1，即采用符号函数sgn(x)作为激活函数)的导数几乎处处为0，在原点不可导，现有的反向传播方式没有办法直接用于训练二值层之前的层。因此，在本申请一个实施例中，在梯度反向传播的过程中，用光滑处处可导的函数来逼近符号函数。具体而言，采用2sigm(x)-1函数来替代符号函数sgn(x)，其中sigm(x)＝1/(1+exp(-x))表示sigmoid函数。并且，为了取得更好的训练效果，在本申请实施例中还采用逐步逼近的方法，即随着训练过程的进行，缓慢增加替代函数的斜率，使得替代函数逐步逼近符号函数。由此，在训练初始阶段，该DNN训练可按普通DNN一样，比较容易快速地达到相关效果。在该网络训练达到预设效果后，再增加替代函数的斜率，从而避免出现数值不稳定的现象，使得训练更稳定收敛更快。其中，替代函数的表达式为：
Figure BDA0003254960720000151
其中，α(i)为第i个epoch的参数，需要满足α(i)≥α(i-1)。
在本申请一个实施例中，为了提升双时间尺度混合预编码的性能，针对模拟预编码矩阵，可以通过滑动平均或滑动窗的方式获取高维原始信道矩阵样本，该滑动平均是将长时间尺度DNN的模拟发送端预编码模块和模拟接收端预编码模块当前的输出和距离当前最近的上一时刻的输出做进行加权平均。
具体而言，在通过滑动平均的方式获取高维原始信道矩阵样本时，长时间尺度变量(模拟预编码器){FRF,WRF}需要适配信道的统计特性。因此，长时间尺度变量的优化需要基于足够多的高维原始信道样本H，然而，由于每一帧只能获得一个样本H。为此，在本申请实施例中，使用滑动平均的方式使得信道样本H得到充分的利用，即对DNN当前输出的结果和上一个时刻的结果做一个加权平均，通过如下公式进行加权平均：
Figure BDA0003254960720000161
其中，
Figure BDA0003254960720000162
和
Figure BDA0003254960720000163
分别表示当前时刻的发送端模拟编码器相位和上一帧AP-NN的输出，
Figure BDA0003254960720000164
和
Figure BDA0003254960720000165
分别表示当前时刻的接收端模拟编码器相位和上一帧AC-NN的输出。{γt,t＝1,2,…,Tf}表示滑动平均的步长序列，需要满足下述条件：
Figure BDA0003254960720000166
Figure BDA0003254960720000167
在通过滑动窗的方式获取高维原始信道矩阵样本时，为了使得长时间尺度变量更好地适配信道统计特性并充分利用信道样本H，本申请实施例提出使用具有一定缓存容量D的滑动窗
Figure BDA0003254960720000168
来存储之前若干帧恢复出来的高维原始信道样本H，如图7所示，在第t帧输入AC-NN和AP-NN网络的矩阵，为从第t-D+1帧到第t帧所有的信道样本，即
Figure BDA0003254960720000169
图7所示的滑动窗缓存容量为3，在本申请的一些实施例中，还可以根据实际需要确定缓存容量。
还需说明的是，本本申请实施例提出的双时间尺度DNN的训练方式可以分为集中式和分布式两种，可以采用其中任一中方式进行训练。为了适应不同的训练方式，本申请还分别针对集中式和分布式训练设计了相应的帧结构，以完成训练。
具体而言，图8展示的是集中式训练的帧结构设计。在DNN正式使用部署之前，需要对其进行集中式的离线训练。训练完成之后，需要将接收端对应的DNN(包括结构和参数)分发到用户端。在使用过程中，一个帧包含了若干个时隙，一个时隙的结构由如下四部分组成：指示比特、导频符号、反馈比特、传输数据。其中，指示比特表征当前时隙是使用长时间尺度DNN还是短时间尺度DNN、当前信道统计特性是否改变、以及信道变化速度是否有所改变。当信道统计特性发生改变，由于一般在短时间内不会发生较大的变化，可以在之前训练的基础上，使用新的信道样本进行微调(在线训练)，训练若干时隙之后，即可恢复使用。如果信道变化速度改变，需要自适应调整帧和时隙的长度。当信道变化速度变快，帧和时隙长度需要缩短，以此来获得更多的高维原始信道样本，以跟踪信道的变化。
图9展示的是分布式训练的帧结构设计。与集中式训练的帧结构区别在于，在DNN正式使用部署之前，需要对其进行分布式的离线训练，此过程包含基站(发送端)和用户(接收端)的DNN输入输出、梯度信息等交互。训练完成之后，可以直接部署使用，不需要进行将DNN(包括结构和参数)分发到用户端的过程。
由此，本申请基于双时间尺度进行混合预编码，并通过深度学习框架对通信系统中的各个模块进行联合设计，实现端到端性能优化。为了更加清楚的说明本申请实施例的预编码方法的有益效果，下面结合在实际应用获取的本申请的基于双时间尺度和深度学习的天线系统预编码方法和现有技术中的预编码方案的测试效果进行对比，其中，图10比较了双时间尺度DNN和传统方案在不同信噪比下的误码，图11比较了双时间尺度DNN和传统方案在不同反馈比特数下的误码率，图12比较了双时间尺度DNN和传统方案在不同导频长度下的误码率。因此可以看出，相比较传统方案，本申请的双时间尺度DNN可以显著降低信道反馈开销以及导频长度，同时保持较好的误码率性能。
综上所述，本申请实施例的基于双时间尺度和深度学习的天线系统预编码方法，基于双时间尺度进行混合预编码，其中长时间尺度的模拟预编码基于信道统计特性得到，短时间尺度的数字预编码根据低维实时等效信道矩阵优化得到，从而可以降低信令开销，提高对由于传输延迟引起的信道失配的鲁棒性。并且，该方法通过深度学习框架对通信系统中的各个模块进行联合设计，实现端到端性能优化，该深度学习框架在优化端到端通信系统的过程中以数据驱动的方式隐式学习信道的统计特性，不需要精确的信道数学模型，且深度神经网络的计算可以并行化，提高了大规模MIMO系统的通信性能，并降低了混合预编码的计算复杂程度，提高了误码率性能。
为了更加清楚的说明本申请端到端双尺度毫米波MIMO系统通信过程，下面结合图13，以一个具体的实施例进行详细描述:
如图13所示，本申请实施例的基于双时间尺度混合预编码的MIMO系统通信过程中，在每一帧的前Ts-1个时隙中，发送端发送导频矩阵
Figure BDA0003254960720000171
接收端根据接收到的导频信号估计出低维等效信道矩阵Heq，并对其进行量化，并将量化之后的信道信息qeq反馈给发送端。随后，发送端根据反馈的结果恢复出低维等效信道矩阵
Figure BDA0003254960720000172
并设计数字预编码器{FBB,WBB}，同时保持模拟预编码器{FRF,WRF}不变。最后，按照如图6所示的信号流进行数据传输。在每一帧的最后一个时隙，发送端首先发送训练导频和模拟导频
Figure BDA0003254960720000174
接收端根据接收到的导频信号恢复出高维原始信道H，并对其进行量化，并将量化后的结果q位反馈给发送端。接着，发送端根据反馈的结果恢复出
Figure BDA0003254960720000173
并设计混合预编码器{FBB,FRF,WBB,WRF}。最后,传输实际要发送的数据s。由于Heq的维度远小于H，反馈信息qeq的维度比q的维度小很多。
为了提高本申请的基于双时间尺度和深度学习的天线系统预编码方法的适用性，还可以对本申请基于双时间尺度混合预编码的MIMO系统拓展到其他不同类型的系统，以适应不同应用场景下的需要。
具体而言，在本申请一个实施例中，在本申请的该网络通过较少的步骤的拓展到TDD系统，其中，只需要省去上述实施例中的MIMO系统中信道反馈部分，充分利用信道互易性即可。在本实施例中，由于原基于双时间尺度混合预编码的MIMO系统，是基站发送导频，用户接收导频并估计出下行信道，将该信道量化之后反馈给基站，基站根据反馈比特，恢复出该下行信道做预编码，而在TDD中只需要作如下修改：去掉信道反馈部分，把基站发送导频改为用户发送导频，其他网络结构都不变。则相应的具体流程为。用户发送导频，基站估计出上行信道，根据信道互易性，可以直接得到下行信道，根据该下行信道直接做预编码。
在本申请的另一个实施例中，本申请基于双时间尺度混合预编码的MIMO系统还可以简单扩展到OFDM系统。举例而言，以1024个子载波的OFDM系统为例，扩展后的OFDM系统的信道相当于存在上述实施例中所述的系统中的1024个信道(每个子载波都有的信道)，则把这些信道作为样本数据输入本申请的长时间尺度深度神经网络DNN和短时间尺度深度神经网络DNN中进行训练即可，即如果待扩展的OFDM包含1024子载波，则重复执行上述步骤101至步骤104，重复执行1024遍即可得到扩展的OFDM系统。
为了实现上述实施例，本申请还提出了一种基于双时间尺度和深度学习的天线系统预编码装置。
图14为本申请实施例提出的一种基于双时间尺度和深度学习的天线系统预编码装置的结构示意图。如图14所示，该装置包括构建模块100、训练模块200、获取模块300和编码模块400。
其中，构建模块100，用于构建长时间尺度深度神经网络DNN和短时间尺度深度神经网络DNN，其中，长时间尺度DNN和短时间尺度DNN分别包括与大规模毫米波多输入多输出MIMO系统的收发机对应的多个子网络，多个子网络包括：接收端的信道估计子网络和信道反馈子网络，以及发送端的导频设计子网络和混合预编码子网络。
训练模块200，用于获取具有不同信噪比的训练数据，并通过训练数据对长时间尺度DNN和短时间尺度DNN进行训练，以优化网络参数。
获取模块300，用于获取待传输的信号，通过训练完成的长时间尺度DNN进行高维导频估计和高维信道反馈，以恢复高维原始信道矩阵，并通过训练完成的短时间尺度DNN进行低维导频估计和低维信道反馈，以获取低维等效信道矩阵。
编码模块400，用于通过长时间尺度DNN根据高维原始信道矩阵进行模拟预编码和数字预编码，并通过短时间尺度DNN根据低维等效信道矩阵进行数字预编码，以完成信号传输。
在本申请一个实施例中，构建模块100还用于根据信道统计特性将时间轴划分多个超帧，并将每个超帧划分为第一预设数量的帧，每个帧包括第二预设数量的时隙，根据超帧确定长时间尺度，并根据时隙确定短时间尺度。
在本申请一个实施例中，训练模块200还用于根据双时间尺度的帧结构，交替训练长时间尺度DNN和短时间尺度DNN，其中，短时间尺度DNN的数字预编码矩阵在每个帧除最后一个时隙外的每个时隙，基于低维等效信道进行更新，长时间尺度DNN的模拟预编码矩阵和数字预编码矩阵在每个帧的最后一个时隙，基于高维等效信道进行更新。
在本申请一个实施例中，训练模块200还用于将导频信息设置为导频设计子网络的训练参数，通过随机梯度下降学习导频设计子网络的目标训练参数；通过sigmoid函数的估计器近似二进制神经元的梯度，并通过随机梯度下降训练信道反馈子网络。
在本申请一个实施例中，训练模块200还用于通过以下公式进行高维导频估计：
Figure BDA0003254960720000191
其中，
Figure BDA0003254960720000192
是接收端接收到的导频信号矩阵，
Figure BDA0003254960720000193
是发送端发送的训练导频，
Figure BDA0003254960720000194
Figure BDA0003254960720000195
是模拟预编码矩阵，
Figure BDA0003254960720000196
H是待估计的高维原始信道，
Figure BDA0003254960720000197
是模拟接收矩阵
Figure BDA0003254960720000198
的共轭转置矩阵，
Figure BDA0003254960720000199
N是高斯噪声矩阵，
Figure BDA00032549607200001910
选取训练导频、模拟预编码矩阵和模拟接收矩阵为信道估计子网络的训练参数。
在本申请一个实施例中，训练模块200还用于通过以下公式进行高维信道反馈：
Figure BDA00032549607200001911
其中，q是反馈比特，
Figure BDA00032549607200001912
表示导频信号矩阵
Figure BDA00032549607200001913
的向量化结果，
Figure BDA00032549607200001914
是向量
Figure BDA00032549607200001915
实部、虚部分开的表示，
Figure BDA00032549607200001916
Figure BDA00032549607200001917
是长时间尺度DNN的训练参数，σr是长时间尺度DNN第r层的非线性激活函数，sgn(·)是长时间尺度DNN二值层的激活函数。
在本申请一个实施例中，混合预编码子网络包括模拟发送端预编码模块、数字发送端预编码模块、模拟接收端预编码模块、数字接收端预编码模块和解调模块，所述编码模块400还用于：将高维原始信道矩阵的实部和虚部分别输入至模拟发送端预编码模块和模拟接收端预编码模块，以输出发送端和接收端的模拟编码器相位；计算出满足恒模约束的复数向量；通过以下公式对满足恒模约束的复数向量进行转化操作，生成模拟预编码矩阵：
Figure BDA0003254960720000201
其中，
Figure BDA0003254960720000202
其中，FRF是发送端模拟预编码矩阵，WRF是接收端模拟预编码矩阵，
Figure BDA0003254960720000203
表示将向量转换成矩阵的操作，
Figure BDA0003254960720000204
是发送端的模拟编码器相位，
Figure BDA0003254960720000205
是接收端的模拟编码器相位，Nt是，Nr是。
在本申请一个实施例中，训练模块200还用于通过滑动平均或滑动窗的方式获取高维原始信道矩阵样本，滑动平均是将长时间尺度DNN的模拟发送端预编码模块和模拟接收端预编码模块当前的输出和距离当前最近的上一时刻的输出做进行加权平均。
综上所述，本申请实施例的基于双时间尺度和深度学习的天线系统预编码装置，基于双时间尺度进行混合预编码，其中长时间尺度的模拟预编码基于信道统计特性得到，短时间尺度的数字预编码根据低维实时等效信道矩阵优化得到，从而可以降低信令开销，提高对由于传输延迟引起的信道失配的鲁棒性。并且，该装置通过深度学习框架对通信系统中的各个模块进行联合设计，实现端到端性能优化，该深度学习框架在优化端到端通信系统的过程中以数据驱动的方式隐式学习信道的统计特性，不需要精确的信道数学模型，且深度神经网络的计算可以并行化，提高了大规模MIMO系统的通信性能，并降低了混合预编码的计算复杂程度，提高了误码率性能。
为了实现上述实施例，本发明还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请第一方面实施例所述的一种基于双时间尺度和深度学习的天线系统预编码方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于双时间尺度和深度学习的天线系统预编码方法，其特征在于，包括以下步骤：
构建长时间尺度深度神经网络DNN和短时间尺度深度神经网络DNN，其中，长时间尺度DNN和短时间尺度DNN分别包括与大规模毫米波多输入多输出MIMO系统的收发机对应的多个子网络，所述多个子网络包括：接收端的信道估计子网络和信道反馈子网络，以及发送端的导频设计子网络和混合预编码子网络；
获取具有不同信噪比的训练数据，并通过所述训练数据对所述长时间尺度DNN和短时间尺度DNN进行训练，以优化网络参数；
获取待传输的信号，通过训练完成的所述长时间尺度DNN进行高维导频估计和高维信道反馈，以恢复高维原始信道矩阵，并通过训练完成的所述短时间尺度DNN进行低维导频估计和低维信道反馈，以获取低维等效信道矩阵；
通过所述长时间尺度DNN根据所述高维原始信道矩阵进行模拟预编码和数字预编码，并通过所述短时间尺度DNN根据所述低维等效信道矩阵进行数字预编码，以完成信号传输。
2.根据权利要求1所述的方法，其特征在于，根据信道统计特性将时间轴划分多个超帧，并将每个所述超帧划分为第一预设数量的帧，每个所述帧包括第二预设数量的时隙，根据所述超帧确定所述长时间尺度，并根据所述时隙确定短时间尺度。
3.根据权利要求2所述的方法，其特征在于，所述对所述长时间尺度DNN和短时间尺度DNN进行训练，包括：
根据双时间尺度的帧结构，交替训练所述长时间尺度DNN和所述短时间尺度DNN，其中，所述短时间尺度DNN的数字预编码矩阵在每个帧除最后一个时隙外的每个时隙，基于所述低维等效信道进行更新，所述长时间尺度DNN的模拟预编码矩阵和数字预编码矩阵在每个帧的最后一个时隙，基于所述高维等效信道进行更新。
4.根据权利要求3所述的方法，其特征在于，根据深度神经网络中二进制神经元的输出构建所述信道反馈子网络，所述对所述长时间尺度DNN和短时间尺度DNN进行训练，还包括：
将导频信息设置为所述导频设计子网络的训练参数，通过随机梯度下降学习所述导频设计子网络的目标训练参数；
通过sigmoid函数的估计器近似二进制神经元的梯度，并通过随机梯度下降训练所述信道反馈子网络。
5.根据权利要求4所述的方法，其特征在于，通过以下公式进行高维导频估计：
Figure FDA0003254960710000021
其中，
Figure FDA0003254960710000022
是接收端接收到的导频信号矩阵，
Figure FDA0003254960710000023
是发送端发送的训练导频，
Figure FDA0003254960710000024
Figure FDA0003254960710000025
是模拟预编码矩阵，
Figure FDA0003254960710000026
H是待估计的高维原始信道，
Figure FDA0003254960710000027
是模拟接收矩阵
Figure FDA0003254960710000028
的共轭转置矩阵，
Figure FDA0003254960710000029
N是高斯噪声矩阵，
Figure FDA00032549607100000210
选取所述训练导频、所述模拟预编码矩阵和所述模拟接收矩阵为所述信道估计子网络的训练参数。
6.根据权利要求1所述的方法，其特征在于，通过以下公式进行高维信道反馈：
Figure FDA00032549607100000211
其中，q是反馈比特，
Figure FDA00032549607100000212
表示导频信号矩阵
Figure FDA00032549607100000213
的向量化结果，
Figure FDA00032549607100000214
是向量
Figure FDA00032549607100000215
实部、虚部分开的表示，
Figure FDA00032549607100000216
Figure FDA00032549607100000217
是长时间尺度DNN的训练参数，σr是长时间尺度DNN第r层的非线性激活函数，sgn(·)是长时间尺度DNN二值层的激活函数。
7.根据权利要求1所述的方法，其特征在于，所述混合预编码子网络包括模拟发送端预编码模块、数字发送端预编码模块、模拟接收端预编码模块、数字接收端预编码模块和解调模块，所述根据所述高维原始信道进行模拟预编码，包括：
将所述高维原始信道矩阵的实部和虚部分别输入至所述模拟发送端预编码模块和模拟接收端预编码模块，以输出发送端和接收端的模拟编码器相位；
计算出满足恒模约束的复数向量；
通过以下公式对所述满足恒模约束的复数向量进行转化操作，生成模拟预编码矩阵：
Figure FDA00032549607100000218
其中，
Figure FDA00032549607100000219
其中，FRF是发送端模拟预编码矩阵，WRF是接收端模拟预编码矩阵，
Figure FDA00032549607100000220
表示将向量转换成矩阵的操作，
Figure FDA00032549607100000221
是发送端的模拟编码器相位，
Figure FDA00032549607100000222
是接收端的模拟编码器相位，Nt是发送端天线的数目，Nr是接收端天线的数目。
8.根据权利要求1-7任一项所述的方法，其特征在于，所述训练数据包括高维原始信道矩阵样本、高斯噪声和待发送的数据标签，对所述长时间尺度DNN进行训练，还包括：通过滑动平均或滑动窗的方式获取高维原始信道矩阵样本，所述滑动平均是将所述长时间尺度DNN的模拟发送端预编码模块和模拟接收端预编码模块当前的输出和距离当前最近的上一时刻的输出做进行加权平均。
9.一种基于双时间尺度和深度学习的天线系统预编码装置，其特征在于，包括：
构建模块，用于构建长时间尺度深度神经网络DNN和短时间尺度深度神经网络DNN，其中，长时间尺度DNN和短时间尺度DNN分别包括与大规模毫米波多输入多输出MIMO系统的收发机对应的多个子网络，所述多个子网络包括：接收端的信道估计子网络和信道反馈子网络，以及发送端的导频设计子网络和混合预编码子网络；
训练模块，用于获取具有不同信噪比的训练数据，并通过所述训练数据对所述长时间尺度DNN和短时间尺度DNN进行训练，以优化网络参数；
获取模块，用于获取待传输的信号，通过训练完成的所述长时间尺度DNN进行高维导频估计和高维信道反馈，以恢复高维原始信道矩阵，并通过训练完成的所述短时间尺度DNN进行低维导频估计和低维信道反馈，以获取低维等效信道矩阵；
编码模块，用于通过所述长时间尺度DNN根据所述高维原始信道矩阵进行模拟预编码和数字预编码，并通过所述短时间尺度DNN根据所述低维等效信道矩阵进行数字预编码，以完成信号传输。
10.一种非临时性计算机可读存储介质，其上存储有计算机程序，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1-8中任一所述的基于双时间尺度和深度学习的天线系统预编码方法。
CN202111056767.2A 2021-09-09 2021-09-09 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 Active CN113972939B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111056767.2A CN113972939B (zh) 2021-09-09 2021-09-09 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
PCT/CN2022/102833 WO2023035736A1 (zh) 2021-09-09 2022-06-30 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111056767.2A CN113972939B (zh) 2021-09-09 2021-09-09 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

Publications (2)

Publication Number Publication Date
CN113972939A true CN113972939A (zh) 2022-01-25
CN113972939B CN113972939B (zh) 2022-07-12

Family

ID=79586477

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111056767.2A Active CN113972939B (zh) 2021-09-09 2021-09-09 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

Country Status (2)

Country Link
CN (1) CN113972939B (zh)
WO (1) WO2023035736A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114553643A (zh) * 2022-04-24 2022-05-27 杭州电子科技大学 双时间尺度协同感知的毫米波智能超表面信道估计方法
CN114553274A (zh) * 2022-01-27 2022-05-27 北京理工大学 基于对抗学习的安全自预编码机优化方法
CN114696878A (zh) * 2022-02-23 2022-07-01 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
WO2023035736A1 (zh) * 2021-09-09 2023-03-16 浙江大学 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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109743268A (zh) * 2018-12-06 2019-05-10 东南大学 基于深度神经网络的毫米波信道估计和压缩方法
CN109921882A (zh) * 2019-02-20 2019-06-21 深圳市宝链人工智能科技有限公司 一种基于深度学习的mimo解码方法、装置及存储介质
CN110099016A (zh) * 2019-05-14 2019-08-06 东南大学 一种基于深度学习网络的毫米波稀疏阵面信道估计方法
CN110855585A (zh) * 2019-09-30 2020-02-28 北京交通大学 一种毫米波大规模mimo系统的信道估计方法
US20210067397A1 (en) * 2019-09-03 2021-03-04 Cisco Technology, Inc. Orthogonal frequency-division multiplexing equalization using deep neural network
CN112737985A (zh) * 2020-12-25 2021-04-30 东南大学 基于深度学习的大规模mimo信道联合估计和反馈方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107332598B (zh) * 2017-06-26 2020-06-16 浙江理工大学 一种基于深度学习的mimo系统联合预编码和天线选择方法
WO2020092391A1 (en) * 2018-10-29 2020-05-07 Board Of Regents, The University Of Texas System Low resolution ofdm receivers via deep learning
US11411794B2 (en) * 2019-03-15 2022-08-09 Telefonaktiebolaget Lm Ericsson (Publ) Artificial neutral network precoding for massive MIMO systems
CN113162666B (zh) * 2021-04-19 2022-04-26 北京科技大学 一种面向智慧钢铁的大规模mimo混合预编码方法及装置
CN113972939B (zh) * 2021-09-09 2022-07-12 浙江大学 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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109743268A (zh) * 2018-12-06 2019-05-10 东南大学 基于深度神经网络的毫米波信道估计和压缩方法
CN109921882A (zh) * 2019-02-20 2019-06-21 深圳市宝链人工智能科技有限公司 一种基于深度学习的mimo解码方法、装置及存储介质
CN110099016A (zh) * 2019-05-14 2019-08-06 东南大学 一种基于深度学习网络的毫米波稀疏阵面信道估计方法
US20210067397A1 (en) * 2019-09-03 2021-03-04 Cisco Technology, Inc. Orthogonal frequency-division multiplexing equalization using deep neural network
CN110855585A (zh) * 2019-09-30 2020-02-28 北京交通大学 一种毫米波大规模mimo系统的信道估计方法
CN112737985A (zh) * 2020-12-25 2021-04-30 东南大学 基于深度学习的大规模mimo信道联合估计和反馈方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIHAN CHEN; AN LIU; YUNLONG CAI; VINCENT K. N. LAU; MIN-JIAN ZHA: "Randomized Two-Timescale Hybrid Precoding for Downlink Multicell Massive MIMO Systems", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING ( VOLUME: 67, ISSUE: 16, AUG.15, 15 2019)》 *
陈晞涵: "面向大规模阵列天线系统的多尺度在线随机优化算法设计", 《信息科技》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023035736A1 (zh) * 2021-09-09 2023-03-16 浙江大学 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
CN114553274A (zh) * 2022-01-27 2022-05-27 北京理工大学 基于对抗学习的安全自预编码机优化方法
CN114553274B (zh) * 2022-01-27 2023-03-31 北京理工大学 基于对抗学习的安全自预编码机优化方法
CN114696878A (zh) * 2022-02-23 2022-07-01 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
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
CN114553643A (zh) * 2022-04-24 2022-05-27 杭州电子科技大学 双时间尺度协同感知的毫米波智能超表面信道估计方法

Also Published As

Publication number Publication date
WO2023035736A1 (zh) 2023-03-16
CN113972939B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN113972939B (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
CN111630787B (zh) 基于深度学习的mimo多天线信号传输与检测技术
CN112737985B (zh) 基于深度学习的大规模mimo信道联合估计和反馈方法
CN107135024B (zh) 一种低复杂度的混合波束赋形迭代设计方法
CN110912598A (zh) 基于长短时注意力机制的大规模mimo系统csi反馈方法
CN108199753B (zh) 一种毫米波通信中基于迭代最小的预编码方法
CN111835406B (zh) 适用于多波束卫星通信的能效谱效权衡的鲁棒预编码方法
CN111713035B (zh) 基于人工智能的mimo多天线信号传输与检测技术
CN110138427B (zh) 基于部分连接的大规模多输入多输出混合波束赋形算法
CN111988073B (zh) 面向宽带毫米波通信系统半动态子阵混合结构的设计方法
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
CN107566305A (zh) 一种低复杂度的毫米波系统信道估计方法
CN110519029B (zh) 蜂窝与v2v混合大规模mimo导频复用信道获取方法
KR20210101582A (ko) 무선 통신 시스템에서 머신 러닝 기반 제한된 피드백 방법 및 장치
CN108259397A (zh) 基于自适应正则化子空间追踪压缩感知算法的大规模mimo系统信道估计
CN113824478A (zh) 离散透镜天线阵列辅助的宽带毫米波多用户大规模mimo上行频谱效率优化方法
CN113438002A (zh) 基于lstm的模拟波束切换方法、装置、设备及介质
CN102684837B (zh) 协作多点联合传输中协方差矩阵的动态更新方法
CN113381790A (zh) 一种基于ai的环境知识辅助的无线信道反馈方法
CN113193893B (zh) 毫米波大规模mimo智能混合波束成形设计方法
CN112929304A (zh) 一种环境知识库辅助的无线信道获取方法
CN114844541B (zh) 一种基于深度学习的混合预编码和反馈方法
CN110113084A (zh) Mimo闭环传输系统的信道预测方法
CN116436551A (zh) 信道信息传输方法及装置
CN113824477A (zh) 离散透镜天线阵列辅助的多用户大规模mimo优化方法

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