CN114650086A - 一种深度学习辅助的跨频段通信波束预测方法 - Google Patents

Abstract

本发明提出了一种深度学习辅助的跨频段通信波束预测方法。该方法中基站侧配备两个共址共面的不同频点天线阵列，构建BP神经网络：基础网络部分由L_NN个堆栈组成，各隐藏层包含全连接的Relu激活函数和Dropout层；任务输出部分通过线性分类器将得到的特征向量投射到D维分类空间上，经由Softmax层归纳计算出所有可用类的概率分布。通过最小化交叉熵损失函数训练神经网络并预测高频段波束。最后根据香农信息定理计算并选择使得系统传输和速率最大的波束作为最终结果。本发明借助低频段波束实现高频段最佳波束预测，节省了利用信道状态信息进行估计而带来的计算开销，提高了波束预测效率。

Description

一种深度学习辅助的跨频段通信波束预测方法

技术领域

本发明属于通信领域领域，尤其涉及一种深度学习辅助的跨频段通信波束预测方法。

背景技术

跨频点通信的高频段区可充分利用26GHz以上频段丰富的频谱资源实现超高速的数据传输，但较高的工作频段带来了较大的路径损耗。已有方法一般采用大规模天线阵列构成多输入多输出(Multiple-input Multiple-output，MIMO)系统，生成高指向性的波束，对其路径损耗进行补偿。由于高频段通信信号波长较短，相邻天线单元的距离可设计得更小，在相同的面积上易于集成更多天线单元，从而形成更大规模的天线阵列。此外，使用可重构的智能反射表面(Reconfigurable Intelligent Surface，RIS)能实现对高频信号的反射，使其到达本被遮挡的区域，增强信号的覆盖。

然而，高指向性的波束成形依赖于信道状态信息获取的准确性。与常规频段MIMO系统相比，高频大规模MIMO系统的信道状态信息获取具有更大的挑战。一方面，大规模天线阵列产生了大维度的空口信道矩阵，其估计过程需要消耗更多的资源，例如导频序列、探测波束、计算复杂度等。而另一方面，毫米波大规模MIMO通常采用混合波束成形架构，其射频链路数目远小于天线数目，通常只能获得与射频链路数目相同维度的小维接收信号，而无法直接获得与天线数目相同维度的大维接收信号，因此需要使用小维的接收信号来估计大维的空口信道矩阵，相比于常规频段的MIMO信道估计难度更大。

高频大规模MIMO信道状态信息的主流获取方法为信道估计，主要研究如何对大维的空口信道实施有效估计，通过发掘信道潜在的稀疏性和信道的结构特征，通常采用压缩感知、稀疏信号处理技术、阵列信号处理技术等进行参数估计。但利用信道状态信息进行数学推导估计从而实现波束预测通常涉及到高维矩阵运算，数学推导复杂，求解方法繁琐。

发明内容

本发明目的在于提供一种深度学习辅助的跨频段通信波束预测方法,以解决利用信道状态信息进行数学推导估计从而实现波束预测通常涉及到高维矩阵运算，数学推导复杂，求解方法繁琐的技术问题。

为解决上述技术问题，本发明的具体技术方案如下：

一种深度学习辅助的跨频段通信波束预测方法，利用BP神经网络学习波束间的映射关系并利用该映射关系实现低频段波束到高频段波束的直接预测，包括如下步骤：

步骤1：通过在基站侧配置两个共址共面的不同频点天线阵列构建多频段通信系统，其中，该系统采用正交频分复用调制方式，且基站在各子载波上与多个用户同时进行无线通信；

步骤2：设定上行链路工作在低频段，下行链路工作在高频段；基站侧和用户侧分别通过扫描获得一组低频段波束矢量数据，同时基站侧通过探测获得信道状态信息，并对数据进行预处理，其包括：首先利用子载波信道矩阵的最大元素值对波束矢量归一化，再将归一化后的虚数按虚部及实部进行分解重构，最后将所有实值矢量压缩成一高维矢量；

步骤3：基于波束预测本质和有监督分类相似这一事实构建BP神经网络，其结构包括解析特征向量的基础网络层和映射标签、计算概率分布的任务输出层；

步骤4：通过最小化交叉熵函数训练BP神经网络，并根据香农信息定理计算并选择使得系统传输和速率最大的波束作为最终结果。

进一步的，在步骤1构建的多频段通信系统中，共有K个基站协同工作，每个基站配置两个共址共面的不同频点天线阵列，其中低频点的天线阵列配有M₁个天线单元，子载波总数为s；高频点的天线阵列配有M₂个天线单元，子载波总数为

系统下行链路中第k个基站的第

个子载波信道，具体表达式为：

公式(1)中，

为第k个基站第

个子载波在不同状态下的信息增益影响因子，其数值随信道状态的改变而改变；L为信道路径数；τ_l为多径的时间延迟；θ_l为第l条路径的出发角，φ_l分别为第l条路径的到达角；T_s表示采样时间；N_g表示循环前缀长度，设置最大延时小于N_gT_s；

为第k个基站发射端第

个子载波的方向矢量，表达为：

其中r为天线间距，T是转置运算符号，

c₀表示光速，f₂表示高频段频率，

表示第

个子载波上基站k发射波束的到达角。

进一步的，步骤3采用的BP网络是非线性向量转换的多层感知器(MLP)网络，其结构包含：首先由L_NN层堆栈构成基础网络部分，其中每个隐藏层都添加Relu(修正线性单元)作为激活函数，并通过Dropout让神经元的激活值以一定的概率停止工作，增强模型泛化能力；基础网络部分所有全连接层宽度一致，每层设置有M_NN个神经元，然后经过特定任务输出部分，将M_NN维特征矢量映射到D维分类空间上，并在Softmax层归纳计算出所有可用类的概率分布。

进一步的，步骤3所述BP神经网络中Softmax层概率分布计算公式，其具体表达式为：

公式(2)中，z_i,i＝1,…,D表示输入至Softmax层的D维投影矢量中第i个数值元素。p_d为第d个波束矢量预测正确的概率。由于指数函数曲线呈现递增趋势，x轴上一个很小的增量即可以导致y轴上很大的变化，因此引入

及

的形式将数值元素z_d及z_i通过指数的高递增性进行间距的拉伸，使计算所得的概率分布更均匀。最终，概率p_d最高的索引，其指向的码本元素即最终输出的预测波束。

进一步的，步骤4所述的交叉熵损失函数，其具体表达式为：

公式(3)中，t_d表示0或1，是目标独热向量t＝[t₁,…,t_D]中的第d个元素；p_d表示第d个波束矢量预测正确的概率，是神经网络预测结果p＝[p₁,…,p_D]中的第d个元素。

进一步的，步骤4所述的香农信息定理，所使用的具体表达式为：

公式(4)中，K为基站数目；

表示第k个基站发送的信噪比，其中P_k,2表示第k个基站发射信号的功率，σ_k,2表示信号传输过程中的噪声方差；f是从码本F中选择的波束向量；

表示下行链路子载波数目；

表示下行链路第k个基站的第

个子载波信道。

本发明的一种深度学习辅助的跨频段通信波束预测方法，具有以下优点：

1.本发明设计的BP神经网络是一多层感知器，根据步骤3，只需修改其输出标签和激活函数就可以迁移并解决其他分类问题，因此不仅可以用于波束预测问题，还可以用于阻塞预测等其他通信问题，具有较强的可扩展性。

2.本发明提出的波束预测方法可以利用深度学习挖掘不同频段间的映射关系，从而直接实现波束预测。根据步骤4，神经网络一旦训练完成，应用中就无需反复循环训练，只需输入一个频段的信息，就可直接得到映射结果，效率大大提高。

3.本发明提出的波束预测方法，根据步骤3，其神经网络结构包含多层堆栈，能有效提取特征向量；同时dropout层的加入也使过拟合问题得到解决，预测准确率较高，在信噪比较大时预测准确率能达到90％。

4.本发明利用神经网络直接寻找波束间的映射关系，除训练外数据不再需要获得过多的信道状态信息，大大简化了传统方法中复杂的公式推导。物理模型中对细节的建模要求也大大降低，模型更清晰，易于修改拓展。

附图说明

图1为本发明实施例的方法流程图；

图2为本发明实施例中的通信场景模拟图；

图3为本发明实施例中不同信噪比下最佳波束预测准确率结果图。

具体实施方式

为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种深度学习辅助的跨频段通信波束预测方法做进一步详细的描述。

如图1所述，本发明包括以下步骤：

步骤1：通过在基站侧配置两个共址共面的不同频点天线阵列构建多频段通信系统，其中，该系统采用正交频分复用调制方式，且基站在各子载波上与多个用户同时进行无线通信。

通信场景如图2所示，该场景有两条街道组成，横向街道长600m、宽40m，纵向街道长440m、宽40m。场景中共有18个基站分布在街道两侧，编号为BS1-BS18。其中横向主街道有12个基站，基站间距离为100m；纵向街道有6个基站，基站间距离为150m，每个基站高为6m。

同时为保证数据量充足，该场景拥有超过一百万的用户数，共分为3簇。第一簇分布在横向主街道方向，规模为2751行、每行181个用户、每个用户间距为20cm；第二簇分布在纵向街道的南部，规模为1101行、每行181个用户、每个用户间距为20cm；第三簇分布在纵向街道的北部，规模为1351行、每行361个用户、每个用户间距为10cm。

该场景也模拟了实际建筑的情况。模型假设每个建筑都是矩形，横向主街道两侧的建筑规格为30m*60m，纵向街道的建筑规格为60m*60m，各建筑高度标注在图2中。

根据通信场景的特点，考虑一个工作在两个频段的多用户MIMO-OFDM系统，采样间隔记为T_s，循环前缀为N_g。设定上行链路工作在低频段，下行链路工作在高频段，不同频段上的天线阵列共址共面。对于低频段，基站侧配备M₁个天线单元，子载波总数为s；对于高频段，基站侧配备M₂个天线单元，子载波总数为

假设在单个OFDM符号内信道冲击响应不变，第k个基站的第

个子载波信道，具体表达式为：

公式(1)中，

为第k个基站第

个子载波在不同状态下的信息增益影响因子，其数值随信道状态的改变而改变：当信道接近高度阻塞时，参数

趋近0.2；当信道几乎不存在阻塞时，参数

趋近1.7。L为信道路径数；τ_l为多径的时间延迟；θ_l及φ_l分别为第l条路径的出发角和到达角；T_s表示采样时间；N_g表示循环前缀长度，假定最大延时小于N_gT_s。

为第k个基站发射端第

个子载波的方向矢量，具体表达式为：

公式(2)中，

c₀表示光速，f₂表示高频段频率。r表示天线间距。

表示第

个子载波上基站k发射波束的到达角，

是第

个子载波上第k个基站的M₂个到达角样本点。

模型中，不同波段的接收信号分别可以用如下公式表示：

其中，X_k,1[s]为低频段的导频信号，

为高频段的导频信号，以X_k,1[s]为例，其需要满足

P₁表示用户的发射功率。n₁[s]和

分别为信道噪声向量，满足

公式(4)中的f表示下行链路的波束，可以从归一化码本F中进行选择，即f∈F，其中|F|＝D。

步骤2：设定上行链路工作在低频段，下行链路工作在高频段；基站侧和用户侧分别通过扫描获得一组低频段波束矢量数据，同时基站侧通过探测获得信道状态信息，并对数据进行预处理，其包括：首先利用子载波信道矩阵的最大元素值对波束矢量归一化，再将归一化后的虚数按虚部及实部进行分解重构，最后将所有实值矢量压缩成一高维矢量。

为符合神经网络的输入要求，需要对基站侧探测得到的信道矢量进行预处理，其操作包括：首先利用子载波信道矩阵的最大元素值对波束矢量归一化:令

代表归一化因子，其中

为用户小区u的第s个子载波的信道矩阵中第i个元素，将低频信道矢量全部用Δ归一化，使其绝对值最大值为1；再将归一化后的虚数矢量按虚部及实部进行解析，解析出的一组实值数据重构为一个完整的实值矢量；将最后将所有重构完毕的实值矢量压缩成一(2×S×M₁)高维矢量，作为神经网络的输入。为符合监督分类的输出要求，考虑D维独热矢量p作为标签，其元素由0、1构成，D＝|F|，其中|·|表示矢量维度运算。

步骤3：基于波束预测本质和有监督分类相似这一事实构建BP神经网络，其结构包括解析特征向量的基础网络层和映射标签、计算概率分布的任务输出层。

该BP神经网络的作用为将低频段信道矢量映射为一D维实值矢量p，计算码本F中所有分类对应正确的概率分布，取概率最高者作为预测波束。为实现上述目的，更具体地说，BP神经网络的构建包括：

预处理完毕的高维输入矢量进入由L_NN层堆栈构成基础网络部分，其中每个隐藏层都选取Relu(修正线性单元)作为激活函数，其具体表达式为f(x)＝max(0,x)，并通过Dropout让神经元的激活值以一定的概率停止工作，增强模型泛化能力、预防过拟合问题，其中Dropout通过Bernoulli函数生成一随机0、1矢量，并将其作为激活函数的权重。基础网络部分所有全连接层宽度一致，每层设置有M_NN个神经元，将输入数据分解输出为一M_NN维特征矢量。随后数据经过特定任务输出部分，M_NN维特征矢量被映射到D维分类空间上的标签矢量p，并在Softmax层归纳计算出所有可用类的概率分布，其具体计算公式为：

公式(5)中，z_i,i＝1,…,D表示输入至Softmax层的D维投影矢量中第i个数值元素。p_d为第d个波束矢量预测正确的概率。由于指数函数曲线呈现递增趋势，x轴上一个很小的增量即可以导致y轴上很大的变化，因此引入

及

的形式将数值元素z_d及z_i通过指数的高递增性进行间距的拉伸，使计算所得的概率分布更均匀。最终，概率p_d最高的索引，其指向的码本元素即最终输出的预测波束。

步骤4：通过最小化交叉熵函数训练BP神经网络，并根据香农信息定理计算并选择使得系统传输和速率最大的波束作为最终结果。

具体的，最小化交叉熵函数L_cross，其具体表达式为：

公式(6)中，t_d表示0或1，是目标独热向量t＝[t₁,...,t_D]中的第d个元素；p_d表示第d个波束矢量预测正确的概率，是神经网络预测结果p＝[p₁,...,p_D]中的第d个元素。

利用香农信息定理对所得高频段波束进行波束预测，其具体公式为：

公式(7)中，K为基站数目；

表示第k个基站发送的信噪比，其中P_k,2表示第k个基站发射信号的功率，σ_k,2表示信号传输过程中的噪声方差；f是从码本F中选择的波束向量；

表示下行链路子载波数目；

表示下行链路第k个基站的第

个子载波信道。

基于以上分析进行仿真验证，根据图3可知，当信噪比增大时频谱效率逐渐提高，最后趋于实际值。同时可以发现Top-3(即选择最佳3个波束)比Top-1(即选择最佳波束)预测效果好，具有更快的收敛速度。

可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。

Claims (8)

1.一种深度学习辅助的跨频段通信波束预测方法，其特征在于，利用BP神经网络学习波束间的映射关系并利用该映射关系实现低频段波束到高频段波束的直接预测，包括如下步骤：

步骤1：通过在基站侧配置两个共址共面的不同频点天线阵列构建多频段通信系统，其中，该系统采用正交频分复用调制方式，且基站在各子载波上与多个用户同时进行无线通信；

步骤2：设定上行链路工作在低频段，下行链路工作在高频段；基站侧和用户侧分别通过扫描获得一组低频段波束矢量数据，同时基站侧通过探测获得信道状态信息，并对数据进行预处理；

步骤3：基于波束预测本质和有监督分类相似这一事实构建BP神经网络，其结构包括解析特征向量的基础网络层和映射标签、计算概率分布的任务输出层；

步骤4：通过最小化交叉熵函数训练BP神经网络，并根据香农信息定理计算并选择使得系统传输和速率最大的波束作为最终结果。

2.根据权利要求1所述的深度学习辅助的跨频段通信波束预测方法，其特征在于，在步骤1构建的多频段通信系统中，共有K个基站协同工作，每个基站配置两个共址共面的不同频点天线阵列，其中低频点的天线阵列配有M₁个天线单元，子载波总数为s；高频点的天线阵列配有M₂个天线单元，子载波总数为

3.根据权利要求2所述的深度学习辅助的跨频段通信波束预测方法，其特征在于，在步骤1构建的多频段通信系统中，系统下行链路中第k个基站的第

个子载波信道，具体表达式为：

公式(1)中，

为第k个基站第

个子载波在不同状态下的信息增益影响因子，其数值随信道状态的改变而改变；L为信道路径数；τ_l为多径的时间延迟；θ_l为第l条路径的出发角，φ_l分别为第l条路径的到达角；T_s表示采样时间；N_g表示循环前缀长度，设置最大延时小于N_gT_s；

为第k个基站发射端第

个子载波的方向矢量，表达为：

其中r为天线间距，T是转置运算符号，

c₀表示光速，f₂表示高频段频率，

表示第

个子载波上基站k发射波束的到达角。

4.根据权利要求1所述的深度学习辅助的跨频段通信波束预测方法，其特征在于，步骤2中对数据进行预处理包括以下步骤：首先利用子载波信道矩阵的最大元素值对波束矢量归一化，再将归一化后的虚数按虚部及实部进行分解重构，最后将所有实值矢量压缩成一高维矢量。

5.根据权利要求1所述的深度学习辅助的跨频段通信波束预测方法，其特征在于，步骤3采用的BP网络是非线性向量转换的多层感知器网络，其结构包含：首先由L_NN层堆栈构成基础网络部分，其中每个隐藏层都添加修正线性单元作为激活函数，并通过Dropout生成服从Bernoulli分布的0、1矢量，将其作为权重让神经元的激活值开始或停止工作，增强模型泛化能力；基础网络部分所有全连接层宽度一致，每层设置有M_NN个神经元，然后经过结果输出部分，将M_NN维特征矢量映射到D维分类空间上，并在Softmax层归纳计算出所有可用类的概率分布。

6.根据权利要求5所述的深度学习辅助的跨频段通信波束预测方法，其特征在于，步骤3所述BP神经网络中Softmax层概率分布计算公式，其具体表达式为：

公式(2)中，z_i,i＝1,…,D表示输入至Softmax层的D维投影矢量中第i个数值元素；p_d为第d个波束矢量预测正确的概率；引入

及

的形式将数值元素z_d及z_i通过指数的高递增性进行间距的拉伸，使计算所得的概率分布更均匀；最终，概率p_d最高的索引，其指向的码本元素即最终输出的预测波束。

7.根据权利要求6所述的深度学习辅助的跨频段通信波束预测方法，其特征在于，步骤4所述的交叉熵损失函数，其具体表达式为：

公式(3)中，t_d表示0或1，是目标独热向量t＝[t₁,...,t_D]中的第d个元素；p_d表示第d个波束矢量预测正确的概率，是神经网络预测结果p＝[p₁,...,p_D]中的第d个元素。

8.根据权利要求7所述的深度学习辅助的跨频段通信波束预测方法，其特征在于，步骤4所述的香农信息定理，所使用的具体表达式为：

公式(4)中，K为基站数目；

表示第k个基站发送的信噪比，其中P_k,2表示第k个基站发射信号的功率，σ_k,2表示信号传输过程中的噪声方差；f是从码本F中选择的波束向量；

表示下行链路子载波数目；

表示下行链路第k个基站的第

个子载波信道。

Images