CN114389730B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114389730B
CN114389730B CN202111589145.6A CN202111589145A CN114389730B CN 114389730 B CN114389730 B CN 114389730B CN 202111589145 A CN202111589145 A CN 202111589145A CN 114389730 B CN114389730 B CN 114389730B
Authority
CN
China
Prior art keywords
user
beam forming
uplink
downlink
neural network
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
CN202111589145.6A
Other languages
English (en)
Other versions
CN114389730A (zh
Inventor
赵海涛
靳鑫
娄兴良
夏文超
倪艺洋
朱洪波
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202111589145.6A priority Critical patent/CN114389730B/zh
Publication of CN114389730A publication Critical patent/CN114389730A/zh
Application granted granted Critical
Publication of CN114389730B publication Critical patent/CN114389730B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/24—Cell structures
    • H04W16/28—Cell structures using beam steering
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了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，假定信道状态信息是已知的，在脏纸编码条件下，该方法按以下步骤进行：1)设计波束形成网络BFNet，BFNet包括两部分：深度神经网络模型和波束形成恢复模型；2)利用已知算法获得深度神经网络模型所需要的训练样本集，并进行优化训练；3)训练完成后，在深度神经网络模型中利用信道状态信息生成关键向量；4)在波束形成恢复模型中利用上下行链路对偶知识计算下行功率分配，利用信道状态信息、关键向量与下行功率构造波束成形矩阵。

Description

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
技术领域
本发明涉及多输入单输出(MISO)下行传输优化领域，具体地说，涉及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。
背景技术
下行波束形成是多用户多输入多输出系统中有效提高频谱利用率的主要技术，可以实现多天线的性能增益。波束形成技术有多种形式，在给定的功率约束下，最大限度地提高下行总传输速率是该领域的一个重要研究方向。然而，直接优化下行总传输速率是一个复杂的非凸问题。采用加权最小均方误差(WMMSE)迭代算法可以得到局部最优解，但是迭代过程引入的延迟也会使波束形成方案无法适应5G中高可靠性、低时延的场景。一些文章引入了基于信道状态信息直接计算波束形成向量的启发式波束形成算法，但这些技术性能不高，精度不高。延迟和性能之间的权衡似乎限制了波束形成技术及其实际应用的潜力。
发明内容
本发明所要解决的技术问题是提供一种基于深度学习的在脏纸编码条件下实现MISO下行总和速率最大化的波束形成设计方法，该方法采用脏纸编码和上下行链路对偶知识，有效降低了复杂度，在性能和复杂度上取得了良好的平衡。
本发明为解决上述技术问题采用以下技术方案：
一种基于深度学习的在脏纸编码条件下实现MISO下行总和速率最大化的波束形成设计方法，其特征在于，所述多输入单输出(MISO)下行传输场景中有一个配备M个天线的基站(BS)和K个单天线用户。假定信道状态信息是已知的，在使用脏纸编码时，假设预编码顺序为1...K。由于用户i对用户k(k＞i)的干扰是已知的，用户k的干扰对用户i的下行解调信干噪比(SINR)没有影响，所以用户i的SINR为：
其中hi∈CM×1为用户i与基站之间的信道，ui表示用户i的波束形成向量,σ2为加性高斯白噪声的方差。
具体的，该方法设计步骤如下：
步骤一、利用上行功率分配注水迭代算法，获得深度神经网络模型所需要的训练样本集，对深度神经网络模型进行优化训练；
步骤二、设计波束形成网络BFNet，BFNet包括两部分：深度神经网络模型和波束形成恢复模型；深度神经网络模型是一种全连接网络，用于预测关键特征向量；波束形成恢复模型利用专家知识进行波束成形向量的恢复；
步骤三、将信道状态信息送入训练完成后的深度神经网络模型，预测关键向量(即上行功率分配q＝[q1,...,qK]T)；
步骤四、将关键向量送入波束形成恢复模型中，利用上下行链路对偶知识计算下行功率分配，利用信道状态信息、关键向量与下行功率构造波束成形矩阵。
本发明采用以上技术方案与现有技术相比，利用在脏纸编码条件下上下行链路对偶的独特性，将下行链路问题转化为上行链路问题，并且利用深度深度神经网络，将计算复杂度从在线优化转移到离线训练，利用训练好的深度神经网络寻找波束形成的最优解，大大降低了计算复杂度和时延。
附图说明
图1为本发明的MISO系统模型图。；
图2为本发明的方法流程示意图；
图3为本发明的波束形成网络图；
图4为本发明实施例提供的系统总和速率与总功率约束关系图。
具体实施方式
为进一步了解本发明的内容,结合附图和具体实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。
本发明提供一种基于深度学习的在脏纸编码条件下实现MISO下行总和速率最大化的波束形成设计方法，该方法采用脏纸编码和上下行链路对偶知识，有效降低了复杂度，在性能和复杂度上取得了良好的平衡。
在一个实施例中，如图1所示，多输入单输出(MISO)下行传输场景中有一个配备M个天线的基站(BS)和K个单天线用户。假定信道状态信息是已知的，在使用脏纸编码时，假设预编码顺序为1...K。由于用户i对用户k(k＞i)的干扰是已知的，用户k的干扰对用户i的下行解调信干噪比(SINR)没有影响，所以用户i的SINR为：
其中hi∈CM×1为用户i与基站之间的信道，ui表示用户i的波束形成向量,σ2为加性高斯白噪声的方差。
在一个实施例中，如图2所示，提供的一种基于深度学习的在脏纸编码条件下实现MISO下行总和速率最大化的波束形成设计方法，该方法包括以下步骤：
步骤一、利用上行功率分配注水迭代算法，获得深度神经网络模型所需要的训练样本集，对深度神经网络模型进行优化训练；
步骤二、设计波束形成网络BFNet，BFNet包括两部分：深度神经网络模型和波束形成恢复模型；深度神经网络模型是一种全连接网络，用于预测关键特征向量；波束形成恢复模型利用专家知识进行波束成形向量的恢复；
步骤三、将信道状态信息送入训练完成后的深度神经网络模型，预测关键向量；
步骤四、将关键向量送入波束形成恢复模型中，利用上下行链路对偶知识计算下行功率分配，利用信道状态信息、关键向量与下行功率构造波束成形矩阵。
在一个实施例中，如图3所示，BFNet包括两部分：深度神经网络模型和波束形成恢复模型。其中深度神经网络模型利用信道状态信息生成关键向量，而波束形成恢复模型利用上下行链路对偶知识将关键向量转化成下行功率分配，然后利用信道状态信息、关键向量与下行功率分配构造波束成形矩阵。
在一个实施例中，步骤二中采用上行功率分配注水迭代算法，该算法可以利用信道状态信息计算使上行总和速率最大的上行功率分配。
在一个实施例中，步骤三中的关键向量为上行功率分配q＝[q1,...,qK]T，qi为用户i的上行功率分配。
在一个实施例中，步骤四中，根据上下行对偶知识，用户j在上行链路中达到的速率为：
其中用户j的上行解调信干噪比hj为用户j与基站之间的信道，uj表示用户j的波束形成向量，qj为用户j的上行功率分配，/>
利用矩阵知识，得到简化公式为：
其中将/>作为上行链路的有效信道，翻转该信道得到：
现在考虑用户j在下行链路中的速率，使用相反的编码顺序，得到：
当选择时，/>其中U＝[u1,u2,...,uK]为波束形成矩阵，Pm为功率约束， 分别是总功率约束下的下行总和速率和总功率约束下的上行总和速率。
其中下行功率分配也可以按照该方法计算：其中/>为/>的SVD分解。利用步骤三中获取的上行功率分配以及上述知识，计算下行功率分配。
在一个实施例中，步骤四中构建的波束成形矩阵U＝[u1,u2,...,uK]，具体为
其中I为单位矩阵，qk为用户k的上行功率分配，hk为用户k与基站之间的信道，运算符||||2代表2范数运算。
本实施例中利用上行功率分配注水迭代算法生成训练样本集。我们分别准备了20000个训练样本和5000个测试样本，每次训练读取100样本，共训练200次。深度神经网络模型包括三层全连接层，各层权重初始化为标准正太分布，偏置因子初始化为0，学习率大小为0.001。下行传输场景参数配置如表1所示：
表1下行传输场景参数配置
图4中展示了BFNet、加权最小均方误差算法(WMMSE)、迫零(ZF)以及正则迫零(RZF)四种方案下的下行总和速率。由此可见，当功率小于25dBm时，所提出的深度学习的性能总是接近于WMMSE算法，但在25dBm之后，所提出的深度学习的性能要优于WMMSE算法。由图4可以发现，本发明提出的一种基于深度学习的在脏纸编码条件下实现MISO下行总和速率最大化的波束形成设计方法可以同时兼顾性能与算法复杂度。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性,附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (5)

1.一种基于深度学习和脏纸编码的MISO系统波束形成设计方法，其特征在于，在脏纸编码条件下，该设计方法具体步骤如下：
步骤一、利用上行功率分配注水迭代算法，获得深度神经网络模型所需要的训练样本集，对深度神经网络模型进行优化训练；
步骤二、构建波束形成网络BFNet，包括训练完成后的深度神经网络模型和波束形成恢复模型；
步骤三、将信道状态信息送入训练完成后的深度神经网络模型，预测上行功率分配；
步骤四、将预测得到的上行功率分配送入波束形成恢复模型中，利用上下行链路对偶知识计算下行功率分配，进而利用信道状态信息、上行功率分配与下行功率构造波束成形矩阵；
步骤四中的上下行链路对偶知识具体为：
用户j在上行链路中达到的速率为：
其中用户j的上行解调信干噪比σ2为加性高斯白噪声的方差，hi、hj分别为用户i、用户j与基站之间的信道，ui、uj分别表示用户i、用户j的波束形成向量，qi、qj分别为用户i、用户j的上行功率分配；
利用矩阵知识，得到简化公式：
其中将/>作为上行场景的有效信道，翻转信道得到：
考虑用户j在下行链路中的速率，使用相反的编码顺序，得到：
其中为用户j在下行链路中的达到的速率，/>为用户j的下行解调信干噪比，pi、pj分别为用户i、用户j的下行功率分配；
当选择时，其中U＝[u1,u2,...,uK]为波束形成矩阵和Pm为功率约束，分别是总功率约束下的下行总和速率和总功率约束下的上行总和速率。
2.根据权利要求1所述的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，其特征在于，所述MISO下行传输场景中有一个配备M个天线的基站BS和K个单天线用户。
3.根据权利要求1所述的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，其特征在于，步骤一中的上行功率分配注水迭代算法利用信道状态信息计算使上行总和速率最大的上行功率分配，形成训练样本集。
4.根据权利要求1所述的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，其特征在于，步骤二中的深度神经网络模型是一种全连接网络。
5.根据权利要求1所述的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，其特征在于，步骤四中构建的波束成形矩阵为U＝[u1,u2,...,uK]，其中：
其中I为单位矩阵，qk为用户k的上行功率分配，hk为用户k与基站之间的信道，运算符||||2代表2范数运算。
CN202111589145.6A 2021-12-23 2021-12-23 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 Active CN114389730B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111589145.6A CN114389730B (zh) 2021-12-23 2021-12-23 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111589145.6A CN114389730B (zh) 2021-12-23 2021-12-23 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

Publications (2)

Publication Number Publication Date
CN114389730A CN114389730A (zh) 2022-04-22
CN114389730B true CN114389730B (zh) 2023-11-21

Family

ID=81198734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111589145.6A Active CN114389730B (zh) 2021-12-23 2021-12-23 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

Country Status (1)

Country Link
CN (1) CN114389730B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116260490B (zh) * 2023-05-16 2023-08-15 南京邮电大学 一种面向去蜂窝多天线系统的前传压缩与预编码方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109089321A (zh) * 2018-09-28 2018-12-25 西北工业大学 一种双频空中接入网的资源分配方法
CN109617584A (zh) * 2019-01-08 2019-04-12 南京邮电大学 一种基于深度学习的mimo系统波束成形矩阵设计方法
WO2020253690A1 (zh) * 2019-06-17 2020-12-24 浙江大学 一种基于近似消息传递算法的深度学习波束域信道估计方法
CN113489521A (zh) * 2021-05-26 2021-10-08 电子科技大学 反射面辅助无小区大规模mimo网络智能联合波束赋形方法
CN113765567A (zh) * 2021-09-08 2021-12-07 东南大学 基于深度学习的大规模mimo收发联合波束成形方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8958460B2 (en) * 2008-03-18 2015-02-17 On-Ramp Wireless, Inc. Forward error correction media access control system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109089321A (zh) * 2018-09-28 2018-12-25 西北工业大学 一种双频空中接入网的资源分配方法
CN109617584A (zh) * 2019-01-08 2019-04-12 南京邮电大学 一种基于深度学习的mimo系统波束成形矩阵设计方法
WO2020253690A1 (zh) * 2019-06-17 2020-12-24 浙江大学 一种基于近似消息传递算法的深度学习波束域信道估计方法
CN113489521A (zh) * 2021-05-26 2021-10-08 电子科技大学 反射面辅助无小区大规模mimo网络智能联合波束赋形方法
CN113765567A (zh) * 2021-09-08 2021-12-07 东南大学 基于深度学习的大规模mimo收发联合波束成形方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习的多用户Massive MIMO预编码方法;张智强;;移动通信(05);全文 *

Also Published As

Publication number Publication date
CN114389730A (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN101378277B (zh) 多用户预编码及调度方法和实现该方法的基站
Wong et al. A joint-channel diagonalization for multiuser MIMO antenna systems
Ngo et al. Energy and spectral efficiency of very large multiuser MIMO systems
CN108880774B (zh) 频分双工多用户大规模多天线系统及其下行导频信号长度设计方法
CN105703812B (zh) 一种导频时移大规模mimo系统中的下行预编码与基站功率控制方法
CN102546488B (zh) 基于有效信道参数半正交的干扰消除方法
CN101964695B (zh) 多用户多输入多输出下行链路预编码方法及系统
Aref et al. Deep learning-aided successive interference cancellation for MIMO-NOMA
CN110881010A (zh) 统计csi辅助的多用户noma下行传输方法
CN112039568B (zh) 基于不完全信道状态信息的大规模mimo系统跨层设计方法
Park et al. On the Pareto-optimal beam structure and design for multi-user MIMO interference channels
CN114389730B (zh) 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
Papazafeiropoulos et al. STAR-RIS assisted cell-free massive MIMO system under spatially-correlated channels
CN101227254A (zh) 一种在多入多出系统中v-blast的检测方法
CN107453797B (zh) 不依赖导频的多天线基站发射方法和设备
CN107659348B (zh) 一种基于slnr和thp混合自适应预编码设计方法
Cheng et al. On simultaneous wireless information and power transfer for receive spatial modulation
CN103607260B (zh) 基于mimo系统总干扰泄漏最小的预编码矩阵组的选择算法
CN103036656B (zh) 基于施密特正交化的双码本mu-mimo预编码方法
CN115065392A (zh) 脏纸编码条件下实现miso下行总和速率最大化的波束形成设计方法
Shi et al. Deep learning based robust precoder design for massive MIMO downlink
CN103765805B (zh) 一种多用户预编码方法和装置
Lu et al. Fast group detection for massive MIMOs
Zhang et al. Energy‐efficient pilot and data power allocation in massive multi‐user multiple‐input multiple‐output communication systems
Razavi et al. Interference alignment in K‐user multiple‐input–multiple‐output interference channels with partially coordinated receivers

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