CN114448474A - 多天线信道矩阵预测方法、装置和电子设备 - Google Patents
多天线信道矩阵预测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN114448474A CN114448474A CN202011224500.5A CN202011224500A CN114448474A CN 114448474 A CN114448474 A CN 114448474A CN 202011224500 A CN202011224500 A CN 202011224500A CN 114448474 A CN114448474 A CN 114448474A
- Authority
- CN
- China
- Prior art keywords
- antenna
- channel matrix
- transceiver
- information
- antenna array
- 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
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0204—Channel estimation of multiple channels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radio Transmission System (AREA)
Abstract
本发明实施例提供一种多天线信道矩阵预测方法、装置和电子设备,该方法获取参考天线阵元、场景信息、传播机制和收发信机部署信息,基于参考天线阵元、场景信息、传播机制和收发信机部署信息,进行射线跟踪仿真,获取与参考天线阵元对应的参考信道的传递函数和多径信息;将参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息输入至多天线信道矩阵预测模型,得到对应的信道矩阵预测结果。在基于子信道间存在相关性的前提下,结合机器学习与射线跟踪,实现高效的大规模MIMO信道矩阵预测,减少射线跟踪仿真的计算时长、提升计算资源利用率。
Description
技术领域
本发明涉及无线通信技术领域,尤其涉及一种多天线信道矩阵预测方法、装置和电子设备。
背景技术
为满足5G通信发展面临的呈指数增长的无线传输速率需求和信息技术的低能耗需求,以多用户多输入多输出(Multi-Input Multi-Output,MIMO)和波束赋形(Beamforming)为代表的多天线传输技术从有效提升空间自由度,效率优先的系统优化准则等方面,提升移动通信的频谱效率问题和低功率低能耗问题。因此多天线传输信道的准确预测、是准确评估波束赋形等算法的前提,对推动5G移动系统发展至关重要。多天线技术的信道仿真关键在于配置天线阵列属性及获取信道矩阵。
射线跟踪是基于真实场景模型的传播预测技术,它能基于场景中的物体几何关系跟踪直射、反射、散射、透射、衍射等重要的多径传播,并能基于场景中物体的材质信息,依据不同传播模型进行电磁计算。因此,当场景的几何与材料参数定义准确时,给定收发信机的部署,射线跟踪较传统的随机模型能更准确的预测接收信号强度和相位。但是,由于需要做大量的计算机几何计算,射线跟踪的计算复杂度比随机信道模型更高。射线跟踪的加速方法一直是计算机与通信领域的研究热点,在算法层面,降维法、空间分割法和射线发射法等都是广泛应用的研究成果。近年来,随着高性能计算和GPU硬件计算资源的发展,射线跟踪的计算效率有了更大幅的提升,使得大型复杂场景、大量采样点的高效射线跟踪仿真已成为现实。
但是,在大规模MIMO条件下,在具体的某个场景中由于散射物的数量有限,信道向量间往往存在一定的相关性。如果采用前述加速方法,利用射线跟踪仿真大规模MIMO的信道矩阵时只能视所有信道向量互相无关,为每个信道单独调用射线跟踪在独立的CPU线程中进行仿真。在这种仿真方法下,不仅会违背通信事实损失精度,并且,计算效率和对计算资源的利用都不是最优的。
发明内容
针对现有技术存在的上述技术问题,本发明实施例提供一种多天线信道矩阵预测方法、装置和电子设备。
第一方面,本发明实施例提供一种多天线信道矩阵预测方法,包括:
获取参考天线阵元、场景信息、传播机制和收发信机部署信息,基于所述参考天线阵元、场景信息、传播机制和收发信机部署信息,进行射线跟踪仿真,获取与所述参考天线阵元对应的参考信道的传递函数和多径信息;
将所述参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息输入至多天线信道矩阵预测模型,得到对应的信道矩阵预测结果;
其中,所述多天线信道矩阵预测模型是以参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息作为样本数据,以与所述参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息对应的信道矩阵作为标签数据进行监督训练后得到。
可选地,所述参考天线阵元为分别从发射机和接收机的天线阵列中选择的一个参考阵元。
可选地,所述信道矩阵基于多个不同的天线阵列形式、场景信息、传播机制和收发信机部署信息,根据射线跟踪法生成。
可选地,所述天线阵列形式包括:收发信机的天线阵列形状、在各个维度的阵元数量、阵元天线类型和阵元天线间隔;
所述场景信息包括:仿真区域中的结构体的几何属性和材料标识;
所述收发信机部署信息包括:发射机的位置、天线挂高、发射功率、方位角、下倾角和频率;接收机的天线高度和位置;
所述多径信息包括:电场、时延、到达角和出射角;
所述传播机制包括:直射、反射、散射和绕射。
第二方面,本发明实施例提供一种多天线信道矩阵预测装置,包括:
获取模块,用于获取参考天线阵元、场景信息、传播机制和收发信机部署信息,基于所述参考天线阵元、场景信息、传播机制和收发信机部署信息,进行射线跟踪仿真,获取与所述参考天线阵元对应的参考信道的传递函数和多径信息;
输入模块,用于将所述参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息输入至多天线信道矩阵预测模型;
输出模块,用于输出对应的信道矩阵预测结果;
其中,所述多天线信道矩阵预测模型是以参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息作为样本数据,以与所述参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息对应的信道矩阵作为标签数据进行监督训练后得到。
可选地,所述参考天线阵元为分别从发射机和接收机的天线阵列中选择的一个参考阵元。
可选地,所述信道矩阵基于多个不同的天线阵列形式、场景信息、传播机制和收发信机部署信息,根据射线跟踪法生成。
可选地,所述天线阵列形式包括:收发信机的天线阵列形状、在各个维度的阵元数量、阵元天线类型和阵元天线间隔;
所述场景信息包括:仿真区域中的结构体的几何属性和材料标识;
所述收发信机部署信息包括:发射机的位置、天线挂高、发射功率、方位角、下倾角和频率;接收机的天线高度和位置;
所述多径信息包括:电场、时延、到达角和出射角;
所述传播机制包括:直射、反射、散射和绕射。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的多天线信道矩阵预测方法、装置和电子设备,该方法基于所述参考天线阵元、场景信息、传播机制和收发信机部署信息,进行射线跟踪仿真,获取与所述参考天线阵元对应的参考信道的传递函数和多径信息;再将所述参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息输入至多天线信道矩阵预测模型,得到对应的信道矩阵预测结果;其中,所述多天线信道矩阵预测模型是以参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息作为样本数据,以与所述参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息对应的信道矩阵作为标签数据进行监督训练后得到。在基于子信道间存在相关性的前提下,结合机器学习与射线跟踪,实现高效的大规模MIMO信道矩阵预测,减少射线跟踪仿真的计算时长、提升计算资源利用率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为现有技术的MIMO通信示意图;
图2为本发明实施例提供的多天线信道矩阵预测方法的流程示意图;
图3为本发明实施例提供的以全连接神经网络为例的多天线信道矩阵预测模型训练过程示意图;
图4为本发明实施例提供的多天线信道矩阵预测装置的结构示意图。
图5是本发明实施例提供的电子设备的结构示意图。
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作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。
多天线传输信道的准确预测是准确评估波束赋形等算法的前提,对推动5G移动系统发展至关重要。多天线技术的信道仿真关键在于配置天线阵列属性及获取信道矩阵。图1为MIMO通信示意图,如图1所示,信道矩阵表达式为:
射线跟踪是基于真实场景模型的传播预测技术,它能基于场景中的物体几何关系跟踪直射、反射、散射、透射、衍射等重要的多径传播,并能基于场景中物体的材质信息,依据不同传播模型进行电磁计算。然而,在大规模MIMO条件下,在具体的某个场景中由于散射物的数量有限,信道向量间往往存在一定的相关性。如果采用前述加速方法,利用射线跟踪仿真大规模MIMO的信道矩阵时只能视所有信道向量互相无关,为每个信道单独调用射线跟踪在独立的CPU线程中进行仿真。在这种仿真方法下,不仅会违背通信事实损失精度,同时计算效率和对计算资源的利用都不是最优的。
对此,本发明实施例提供了一种多天线信道矩阵预测方法。图2为本发明实施例提供的多天线信道矩阵预测方法的流程示意图,如图2所述,该方法包括:
S201:获取参考天线阵元、场景信息、传播机制和收发信机部署信息,基于所述参考天线阵元、场景信息、传播机制和收发信机部署信息,进行射线跟踪仿真,获取与所述参考天线阵元对应的参考信道的传递函数和多径信息;
具体地,获取参考天线阵元、场景信息、传播机制和收发信机部署信息,为收发端的参考天线阵元构成的参考链路进行仿真,其中,参考天线阵元为分别从发射机和接收机的天线阵列中选择的参考阵元,由此可知,所述参考链路即为收发机和发射机之间的天线阵元构成的信道矩阵中的子信道。参考阵元的位置不局限,因为获取天线阵列形式后可以根据参考阵元所处的位置确定其他阵元的位置。参考链路仿真是为了后续在应用过程中降低射线跟踪的使用率,从而提升仿真效率、降低大规模MIMO仿真对计算资源的占用。
S202:将所述参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息输入至多天线信道矩阵预测模型,得到对应的信道矩阵预测结果;
其中,所述多天线信道矩阵预测模型是以参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息作为样本数据,以与所述参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息对应的信道矩阵作为标签数据进行监督训练后得到。
具体地,以参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息作为样本数据,以与所述参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息对应的信道矩阵作为标签数据,基于神经网络开展监督训练,建立所述参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息与各信道矩阵之间的映射关系,得到多天线信道矩阵预测模型,用于准确预测信道矩阵中每一对链路的信道传递函数,包括幅值和相位,服务于多天线技术评估及网络规划等应用。
其中,模型训练时采用的神经网络包括但不限于全连接神经网络、卷积神经网络等。图3为本发明实施例提供的一种以全连接神经网络为例的多天线信道矩阵预测模型训练过程示意图,如图3所示,该模型包含输入层、隐藏层和输出层。输出的信道矩阵元素的数量及顺序由多天线的阵列元素总数、类型决定。输出的信道矩阵数量由收发信机的个数决定。隐藏层数及节点数需要经过不同配置的训练找到合理的值。输出层节点数目和输出数目随阵列形式变化,此类网络架构灵活,可生成不同阵列形式的信道矩阵。训练好的神经网络与射线跟踪参考信道仿真结果结合后,可为不同的多天线技术评估、网络部署等应用高效、准确的信道矩阵。
本发明实施例提供的方法,结合机器学习与射线跟踪,以参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息作为样本数据,以与所述参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息对应的信道矩阵作为标签数据进行监督训练,获得多天线信道矩阵预测模型,从而实现对信道矩阵的预测,在基于子信道间存在相关性的前提下,实现高效的大规模MIMO信道矩阵预测,减少射线跟踪仿真的计算时长、提升计算资源利用率。
基于上述实施例,所述参考天线阵元为分别从发射机和接收机的天线阵列中选择的一个参考阵元。
具体地,参考天线阵元为分别从发射机和接收机的天线阵列中选择的一个参考阵元,则所述参考链路为单个参考链路,即为收发机和发射机之间的天线阵元构成的信道矩阵中的单个子信道。仅为收发端的参考天线阵元构成的单个参考链路进行仿真,即单天线仿真。参考阵元的位置不局限,因为知道天线阵列形式后可以根据参考阵元所处的位置推断出其他阵元的位置。单个链路仿真是为了后续在应用过程中降低射线跟踪的使用率,从而提升仿真效率、降低大规模MIMO仿真对计算资源的占用。
本发明实施例提供的方法,只需做单个参考链路的射线跟踪仿真,无需做全量的射线跟踪仿真,从而降低射线跟踪的使用率,提升仿真效率,并降低了大规模MIMO仿真对计算资源的占用。
基于上述任一实施例,所述信道矩阵基于多个不同的天线阵列形式、场景信息、传播机制和收发信机部署信息,根据射线跟踪法生成。
具体地,标签数据的构建需考虑不同的天线阵列形式、场景信息、传播机制和收发信机部署信息,通过开展大量的准确的射线跟踪仿真,使得标签数据符合体量大、多样性和质量高等特点。
基于多个不同的天线阵列形式、场景信息、传播机制和收发信机部署信息,分别对多个不同的天线阵列形式、场景信息、传播机制和收发信机部署信息下的每个链路进行射线跟踪仿真,从射线跟踪仿真结果中获取阵元间的信道传递函数hij,构建信道矩阵。
本发明实施例提供的方法,通过开展大量的准确的射线跟踪仿真,使得标签数据符合体量大、多样性的质量高等要求,从而提高多天线信道矩阵预测模型的准确率,提升模型预测效果。
基于上述任一实施例,所述天线阵列形式包括:收发信机的天线阵列形状、在各个维度的阵元数量、阵元天线类型和阵元天线间隔。
具体地,所述天线阵列形式包括收发信机的天线阵列形状、在各个维度的阵元数量以及阵元天线类型、间隔。例如:[面阵,水平方向阵元数,垂直方向阵元数,阵元的天线方向增益数据、阵元的间隔];
所述场景信息包括:仿真区域中的结构体的几何属性和材料标识。
具体地,所述信息即为场景模型,例如:三维电子地图,或利用CAD等建模工具搭建的三维模型。包括目标区域中的结构体几何属性和材料标识。其中几何属性包括点、线、面、体、位置的定义,例如四边形中四个顶点的三维坐标,又如圆柱体的半径和高度等;上述材料标识包括混凝土、钢化玻璃、大理石、金属等不同类型的材料编号,该材料编号可根据实际需要进行自定义,例如混凝土编号为C1,C2,C3…CN,又如钢化玻璃为TG1,TG2,TG3…TGN等;
所述收发信机部署信息包括:发射机的位置、天线挂高、发射功率、方位角、下倾角和频率;接收机的天线高度和位置。
具体地,所述收发信机部署包括发射机(通常为基站)工程参数值:位置、天线挂高、发射功率、方位角、下倾角、频率等;接收机(通常为用户端)包括天线高度、位置等。
所述多径信息包括:电场、时延、到达角和出射角。
所述传播机制包括:直射、反射、散射和绕射。
具体地,所述传播机制包括如表1所归纳的直射、反射、散射、绕射传播机制。其电磁模型包括但不限于表格列举的经典模型。
本发明实施例提供的方法,通过开展大量的准确的射线跟踪仿真,使得标签数据符合体量大、多样性的质量高等要求,从而提高多天线信道矩阵预测模型的准确率,提升模型预测效果。
下面对本发明实施例提供的多天线信道矩阵预测装置进行描述,下文描述的多天线信道矩阵预测装置与上文描述的多天线信道矩阵预测多天线信道矩阵预测方法可相互对应参照。
基于上述任一实施例,图4为本发明实施例提供的多天线信道矩阵预测装置的结构示意图,如图4所示,该多天线信道矩阵预测装置包括获取模块401、输入模块402和输出模块403。
其中,获取模块401用于获取参考天线阵元、场景信息、传播机制和收发信机部署信息,基于所述参考天线阵元、场景信息、传播机制和收发信机部署信息,进行射线跟踪仿真,获取与所述参考天线阵元对应的参考信道的传递函数和多径信息;输入模块402用于将所述参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息输入至多天线信道矩阵预测模型;输出模块403用于输出对应的信道矩阵预测结果;其中,所述多天线信道矩阵预测模型是以参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息作为样本数据,以与所述参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息对应的信道矩阵作为标签数据进行监督训练后得到。
本发明实施例提供的装置,结合机器学习与射线跟踪,以参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息作为样本数据,以与所述参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息对应的信道矩阵作为标签数据进行监督训练,获得多天线信道矩阵预测模型,从而实现对信道矩阵的预测,在基于子信道间存在相关性的前提下,实现高效的大规模MIMO信道矩阵预测,减少射线跟踪仿真的计算时长、提升计算资源利用率。
基于上述任一实施例,所述参考天线阵元为分别从发射机和接收机的天线阵列中选择的一个参考阵元。
基于上述任一实施例,所述信道矩阵基于多个不同的天线阵列形式、场景信息、传播机制和收发信机部署信息,根据射线跟踪法生成。
基于上述任一实施例,所述天线阵列形式包括:收发信机的天线阵列形状、在各个维度的阵元数量、阵元天线类型和阵元天线间隔;
所述场景信息包括:仿真区域中的结构体的几何属性和材料标识;
所述收发信机部署信息包括:发射机的位置、天线挂高、发射功率、方位角、下倾角和频率;接收机的天线高度和位置;
所述多径信息包括:电场、时延、到达角和出射角;
所述传播机制包括:直射、反射、散射和绕射。
本发明实施例的多天线信道矩阵预测装置,可用于执行上述各多天线信道矩阵预测方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行上述各方法实施例提供的步骤流程。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法实施例提供的步骤流程。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种多天线信道矩阵预测方法,其特征在于,包括:
获取参考天线阵元、场景信息、传播机制和收发信机部署信息,基于所述参考天线阵元、场景信息、传播机制和收发信机部署信息,进行射线跟踪仿真,获取与所述参考天线阵元对应的参考信道的传递函数和多径信息;
将所述参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息输入至多天线信道矩阵预测模型,得到对应的信道矩阵预测结果;
其中,所述多天线信道矩阵预测模型是以参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息作为样本数据,以与所述参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息对应的信道矩阵作为标签数据进行监督训练后得到。
2.根据权利要求1所述的多天线信道矩阵预测方法,其特征在于,所述参考天线阵元为分别从发射机和接收机的天线阵列中选择的一个参考阵元。
3.根据权利要求1所述的多天线信道矩阵预测方法,其特征在于,所述信道矩阵基于多个不同的天线阵列形式、场景信息、传播机制和收发信机部署信息,根据射线跟踪法生成。
4.根据权利要求1所述的多天线信道矩阵预测方法,其特征在于,所述天线阵列形式包括:收发信机的天线阵列形状、在各个维度的阵元数量、阵元天线类型和阵元天线间隔;
所述场景信息包括:仿真区域中的结构体的几何属性和材料标识;
所述收发信机部署信息包括:发射机的位置、天线挂高、发射功率、方位角、下倾角和频率;接收机的天线高度和位置;
所述多径信息包括:电场、时延、到达角和出射角;
所述传播机制包括:直射、反射、散射和绕射。
5.一种多天线信道矩阵预测装置,其特征在于,包括:
获取模块,用于获取参考天线阵元、场景信息、传播机制和收发信机部署信息,基于所述参考天线阵元、场景信息、传播机制和收发信机部署信息,进行射线跟踪仿真,获取与所述参考天线阵元对应的参考信道的传递函数和多径信息;
输入模块,用于将所述参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息输入至多天线信道矩阵预测模型;
输出模块,用于输出对应的信道矩阵预测结果;
其中,所述多天线信道矩阵预测模型是以参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息作为样本数据,以与所述参考信道的传递函数和多径信息、天线阵列形式和收发信机部署信息对应的信道矩阵作为标签数据进行监督训练后得到。
6.根据权利要求5所述的多天线信道矩阵预测装置,其特征在于,所述参考天线阵元为分别从发射机和接收机的天线阵列中选择的一个参考阵元。
7.根据权利要求5所述的多天线信道矩阵预测装置,其特征在于,所述信道矩阵基于多个不同的天线阵列形式、场景信息、传播机制和收发信机部署信息,根据射线跟踪法生成。
8.根据权利要求5所述的多天线信道矩阵预测装置,其特征在于,所述天线阵列形式包括:收发信机的天线阵列形状、在各个维度的阵元数量、阵元天线类型和阵元天线间隔;
所述场景信息包括:仿真区域中的结构体的几何属性和材料标识;
所述收发信机部署信息包括:发射机的位置、天线挂高、发射功率、方位角、下倾角和频率;接收机的天线高度和位置;
所述多径信息包括:电场、时延、到达角和出射角;
所述传播机制包括:直射、反射、散射和绕射。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述多天线信道矩阵预测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4任一项所述多天线信道矩阵预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011224500.5A CN114448474B (zh) | 2020-11-05 | 2020-11-05 | 多天线信道矩阵预测方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011224500.5A CN114448474B (zh) | 2020-11-05 | 2020-11-05 | 多天线信道矩阵预测方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114448474A true CN114448474A (zh) | 2022-05-06 |
CN114448474B CN114448474B (zh) | 2022-11-22 |
Family
ID=81360840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011224500.5A Active CN114448474B (zh) | 2020-11-05 | 2020-11-05 | 多天线信道矩阵预测方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114448474B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003318842A (ja) * | 2002-04-26 | 2003-11-07 | Nippon Telegr & Teleph Corp <Ntt> | 受信電界強度推定計算装置及び方法並びにプログラム及び記録媒体 |
CN106384023A (zh) * | 2016-12-02 | 2017-02-08 | 天津大学 | 基于主路径的混合场强预测方法 |
CN108512621A (zh) * | 2018-03-02 | 2018-09-07 | 东南大学 | 一种基于神经网络的无线信道建模方法 |
CN110602736A (zh) * | 2019-07-10 | 2019-12-20 | 北京交通大学 | 场强预测方法、装置和计算机设备 |
CN110691049A (zh) * | 2019-10-31 | 2020-01-14 | 华中科技大学 | 一种频分双工模式下的大规模mimo系统信道预测方法 |
CN110933685A (zh) * | 2020-01-22 | 2020-03-27 | 北京中铁建电气化设计研究院有限公司 | 基于机器学习和射线跟踪的高铁网络覆盖预测方法及装置 |
CN111404849A (zh) * | 2020-03-20 | 2020-07-10 | 北京航空航天大学 | 一种基于深度学习的ofdm信道估计与信号检测方法 |
CN111416676A (zh) * | 2020-03-23 | 2020-07-14 | 北京中铁建电气化设计研究院有限公司 | 基于射线跟踪的高铁铁路交叉并线区段场强预测方法 |
-
2020
- 2020-11-05 CN CN202011224500.5A patent/CN114448474B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003318842A (ja) * | 2002-04-26 | 2003-11-07 | Nippon Telegr & Teleph Corp <Ntt> | 受信電界強度推定計算装置及び方法並びにプログラム及び記録媒体 |
CN106384023A (zh) * | 2016-12-02 | 2017-02-08 | 天津大学 | 基于主路径的混合场强预测方法 |
CN108512621A (zh) * | 2018-03-02 | 2018-09-07 | 东南大学 | 一种基于神经网络的无线信道建模方法 |
CN110602736A (zh) * | 2019-07-10 | 2019-12-20 | 北京交通大学 | 场强预测方法、装置和计算机设备 |
CN110691049A (zh) * | 2019-10-31 | 2020-01-14 | 华中科技大学 | 一种频分双工模式下的大规模mimo系统信道预测方法 |
CN110933685A (zh) * | 2020-01-22 | 2020-03-27 | 北京中铁建电气化设计研究院有限公司 | 基于机器学习和射线跟踪的高铁网络覆盖预测方法及装置 |
CN111404849A (zh) * | 2020-03-20 | 2020-07-10 | 北京航空航天大学 | 一种基于深度学习的ofdm信道估计与信号检测方法 |
CN111416676A (zh) * | 2020-03-23 | 2020-07-14 | 北京中铁建电气化设计研究院有限公司 | 基于射线跟踪的高铁铁路交叉并线区段场强预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114448474B (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qi et al. | Integrating sensing, computing, and communication in 6G wireless networks: Design and optimization | |
US10382230B2 (en) | System and method for channel estimation in mmWave communications exploiting joint AoD-AoA angular spread | |
CN108365903B (zh) | 一种基于随机散射簇的三维Massive MIMO信道建模方法 | |
KR102154481B1 (ko) | 딥러닝을 이용한 대규모 mimo 시스템의 빔포밍 장치 및 방법 | |
WO2022165872A1 (zh) | 一种针对毫米波3d mimo信道的路径参数提取方法 | |
Liu et al. | Intelligent reflecting surface aided NOMA for millimeter-wave massive MIMO with lens antenna array | |
CN107171757B (zh) | 一种融合智能天线的mimo无线信道建模方法 | |
CN107332598A (zh) | 一种基于深度学习的mimo系统联合预编码和天线选择方法 | |
CN103747455B (zh) | 基于非均匀散射体分布的信道建模方法及参数匹配方法 | |
CN110212955B (zh) | 一种基于射线的3d mimo信道建模的方法 | |
CN113472403B (zh) | 超大规模mimo系统中基于交叠可视区域的功率分配方法 | |
CN116094553B (zh) | 基于张量分解的车联网ris辅助注意力机制通信与感知方法 | |
CN108199794A (zh) | 一种新型Massive MIMO信道模型的统计性建模方法 | |
CN114337902B (zh) | 一种irs辅助的毫米波多小区间干扰的抑制方法 | |
CN114884775A (zh) | 一种基于深度学习的大规模mimo系统信道估计方法 | |
CN114448474B (zh) | 多天线信道矩阵预测方法、装置和电子设备 | |
CN116527174A (zh) | 智能反射面信道状态估计方法、相位调整方法、系统 | |
CN105262526B (zh) | 一种基于最小化干扰投影矩阵核范数的干扰对齐方法 | |
CN116232393A (zh) | Massive MIMO系统的三维非均匀天线阵列设计方法、装置及存储介质 | |
Pan et al. | Leveraging ai and intelligent reflecting surface for energy-efficient communication in 6g iot | |
CN107426119B (zh) | 毫米波通信的十字形信道估计方法、装置及系统 | |
Gao et al. | Research on Joint Beamforming of High-Speed Railway Millimeter-wave MIMO Communication with Reconfigurable Intelligent Surface | |
CN103765805B (zh) | 一种多用户预编码方法和装置 | |
CN115190510A (zh) | 一种5g多基站天线权值联合优化方法和装置 | |
Liu et al. | Multi-Branch Unsupervised Learning-Based Beamforming in mm-Wave Massive MIMO Systems With Inaccurate Information |
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 |