CN114745032B - 一种无蜂窝大规模mimo智能分布式波束选择方法 - Google Patents
一种无蜂窝大规模mimo智能分布式波束选择方法 Download PDFInfo
- Publication number
- CN114745032B CN114745032B CN202210353306.XA CN202210353306A CN114745032B CN 114745032 B CN114745032 B CN 114745032B CN 202210353306 A CN202210353306 A CN 202210353306A CN 114745032 B CN114745032 B CN 114745032B
- Authority
- CN
- China
- Prior art keywords
- local
- base station
- beam selection
- network
- csi
- 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
Links
- 238000010187 selection method Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 230000006835 compression Effects 0.000 claims abstract description 17
- 238000007906 compression Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims abstract description 16
- 238000012512 characterization method Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 24
- 230000001413 cellular effect Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims 1
- 230000001360 synchronised effect Effects 0.000 abstract 1
- 238000013461 design Methods 0.000 description 18
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
- H04B7/0426—Power distribution
- H04B7/043—Power distribution using best eigenmode, e.g. beam forming or beam steering
-
- 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
-
- 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
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
- H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
- H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
- H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
- H04B7/0621—Feedback content
- H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
-
- 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
Abstract
本发明公开了一种无蜂窝大规模MIMO智能分布式波束选择方法。各基站训练本地无监督网络，基于完整信道状态信息的低开销表征，如同步信号块波束的接收信号强度指示，进行波束空间的压缩，提高波束选择的效率；将各基站划分为多个包含少量共有基站的局部协作集，并利用博弈等分布式算法，实现低开销联合波束选择；结果进一步返回各基站，利用有监督学习实现基于本地低开销信道表征的自主波束选择。本发明利用无监督学习压缩波束空间，而非直接映射波束选择，可显著降低学习难度。同时，引入局部协作集并利用分布式算法执行有效的联合波束选择，可为无监督学习提供有效的训练损失函数，同时提供显式标签帮助系统实现分布式联合波束选择。
Description
技术领域
本发明涉及一种面向无蜂窝大规模MIMO系统的协同有监督、无监督机器学习与局部协作基站集构造的分布式波束选择方法，属于无线通信网络优化和智能通信领域。
背景技术
同已经商用的大规模MIMO系统类似，无蜂窝大规模MIMO系统也需要合理的预编码设计，伴随而至的挑战在于：充分挖掘系统的协作传输增益需要多基站与中心单元之间进行大量CSI交互，带来难以承受的前传链路压力。
相较于无蜂窝大规模MIMO的全数字预编码设计，混合预编码技术可以通过降低对基站侧所需射频通道数的要求，显著减小系统能耗与实现成本。特别是在射频采用高频频段如毫米波的场景，这一优势更加明显。例如有学者以最大化毫米波无蜂窝大规模MIMO系统的加权和速率为目标，提出了一种低复杂度的混合预编码算法。在单基站发射功率约束和模拟预编码器的移相器恒模约束下，构建了优化问题并提出了一种迭代式的块坐标下降算法。
但是已有的无蜂窝大规模MIMO混合预编码方案主要基于基站侧可以获得完整下行天线域CSI的显式估计为前提，考虑到实际系统中基站侧只具有远少于天线数的射频通道数，特别是毫米波频段的信道估计在没有波束成形增益的帮助下，容易工作在低信噪比区间，都对上述混合预编码的先验CSI条件提出了挑战。除了上述CSI条件约束外，面向无蜂窝大规模MIMO的混合预编码设计同样面临严峻的计算复杂度挑战。即使是在传统大规模MIMO系统中，由于混合预编码计算本身存在的非凸特性与移相器恒幅约束，基于矩阵分解或交替优化等技术的典型方案也存在实现复杂度过高且最优性无法保证等问题。因此，有学者提出了基于深度学习的大规模MIMO混合预编码的设计，基本设计思想是利用传统优化方案基于完整天线域CSI获得混合预编码设计作为学习标签，再训练深度神经网络获得完整天线域CSI与混合预编码设计的映射关系。针对有监督学习方案存在的学习标签获取代价过高的问题，也有学者提出利用无监督学习实现混合预编码设计的智能搜索式设计，但所采用的端到端混合预编码策略直接映射方式往往对网络设计与训练样本数具有较高要求。上述问题在波束空间巨大的无蜂窝大规模MIMO场景尤为严重。
因此，针对无蜂窝大规模MIMO系统的混合预编码设计问题，如何更好的结合有监督与无监督学习辅助进行方案设计，如何解决混合预编码设计解空间过大带来的标签设计以及网络设计问题，以及如何设计合适的分布式训练框架实现更高效的本地化决策，以减小协作基站之间的消息交互开销等，亟待深入研究。
发明内容
技术问题：本发明涉及一种无蜂窝大规模MIMO智能分布式波束选择方法，具体是一种面向无蜂窝大规模MIMO系统的协同有监督、无监督机器学习与局部协作基站集构造的分布式波束选择方法，本发明主要为了放松无蜂窝大规模MIMO系统的波束选择对CSI条件的要求，以及降低为取得良好协作传输增益需要的基站间交互开销。
技术方案：本发明的一种无蜂窝大规模MIMO智能分布式波束选择方法，包括如下步骤：
步骤1，在方案训练阶段，各协作基站分别搜集多用户的低开销等效信道状态信息(Channel State Information，CSI)，如针对同步信号块SSB波束的接收信号强度指示(Received Signal Strength Indication，RSSI)信息等，利用基站本地的学习网络输出压缩后的波束空间，具体的波束选择问题，典型如混合预编码中基于码本的模拟预编码设计。
步骤2在方案训练阶段，利用空间拓扑关系，比如距离远近，对各协作基站进行分组，构造局部协作集，并选定空间相邻的协作集的共有基站。属于同一个协作集的各基站将搜集的完整CSI(注意只在训练阶段收集)和压缩后的波束空间信息，汇总到该协作集的局部逻辑中心节点上，所述局部逻辑中心节点的物理实体可能对应协作集的某一个基站或者分布式中心单元架构下的一个邻近的中心单元。
步骤3在方案训练阶段，各局部逻辑节点基于自身汇总的压缩波束空间与CSI信息，以较低的交互开销完成基于分布式算法如博弈算法的联合波束选择。
步骤4在方案训练阶段，各局部协作集基于对应局部逻辑节点所掌握的CSI信息与基站波束选择信息，为局部协作集各基站的无监督波束压缩网络计算损失函数，实现压缩网络的训练收敛。
步骤5，在方案训练阶段，利用各基站波束压缩网络收敛时局部逻辑节点输出的协作集各基站的波束选择，作为各基站的本地波束选择映射网络的标签，通过训练本地低开销等效CSI与该标签的映射，实现各基站独立的波束选择。
步骤6，在方案执行阶段，各基站利用本地低开销等效CSI，基于训练好的本地映射网络进行波束选择。
优选的，步骤1的具体步骤包括：
步骤1.1，假设无蜂窝大规模MIMO系统包括协作基站集合和用户集合，协作基站集合用户集合为/>为方便表述，下面以混合预编码中基于码本的模拟波束选择为例进行说明，且考虑单基站给U个用户共分配U个模拟波束的典型情况。数字预编码方式可参考典型的迫零处理等。在训练阶段，基站/>收集所有用户的完整天线域CSI信息/>以及CSI低开销表征，如RSSI信息/>
步骤1.2，各基站基于原始波束空间Db，将收集的本地RSSI信息/>输入波束空间压缩网络/>获得压缩后的波束空间/>
优选的，步骤2的具体步骤包括：
步骤2.1利用空间拓扑关系，比如距离远近，对各协作基站进行分组，形成K个局部协作集且相邻的局部协作集之间包含共有基站；
步骤2.2每个局部协作集都存在一个局部逻辑节点(实体对应基站或者一个中央处理单元)，并汇聚属于协作集的各基站收集到的完整CSI(注意只在训练阶段收集)和压缩后的波束空间信息，以供局部逻辑中心节点执行后续的分布式波束选择算法。
优选的，步骤3的具体步骤包括：
步骤3.1，定义属于第k个局部协作集的/>个基站的序号为/> 基站/>选择的波束序号Ib＝[ib，1，...，ib，U]；
步骤3.2随机初始化所有协作基站的模拟波束选择t＝0，初始化最大迭代次数T；
步骤3.3当t＜T时，重复执行以下步骤3.4-3.7：
步骤3.4随机选择一个局部协作集 其中局部协作集/>的模拟预编码等效信道矩阵为
其中表示局部协作集/>中的基站/>为所有用户选择的波束集合矩阵，基带预编码矩阵可以表示为
假设系统发送总功率为Pmax，选择局部效用函数为由局部协作集贡献的用户速率
其中
步骤3.5局部协作集随机选择一个不同于/>的波束集合/> 并估计对应的效用/>
步骤3.6局部协作集按照以下准则更新所属基站的模拟波束集合：
其中β为可设置的归一化学习因子，
步骤3.7t＝t+1
优选的，步骤4的具体步骤包括：
步骤4.1当各局部协作集的博弈算法收敛或达到最大迭代次数后，计算此时各局部协作集的效用值/>
步骤4.2基于各个局部协作集的效用值，计算该集合内各基站的损失函数以优化无监督学习网络/>具体基站/>的该网络损失函数计算公式为：
其中表示无监督网络Nb选择压缩后的模拟波束空间为/>的概率。
优选的，步骤5的具体步骤包括：
步骤5.1在无监督波束空间压缩网络收敛后，利用局部逻辑节点输出的协作集各基站的波束选择结果，作为各基站的本地波束选择映射网络的标签，构建一个低开销等效CSI到波束选择结果的有标签数据集；
步骤5.2利用该数据集训练有监督映射网络实现各基站独立的波束选择。
优选的，步骤6的具体步骤包括：
步骤6.1，基站收集所有用户CSI低开销表征如RSSI信息/>
步骤6.2，基站基于训练好的本地有监督映射网络/>进行分布式波束选择，输出Ib。
有益效果：本发明实现了一种面向无蜂窝大规模MIMO系统的协同有监督、无监督机器学习与局部协作基站集构造的分布式波束选择方法。与传统波束选择方法相比，本发明提出的方法一方面通过RSSI等信道压缩表征代替天线域CSI，显著放松对CSI条件的要求；另一方面，通过基于压缩空间的分布式联合波束选择设计，即可以显著降低基站与中心单元之间的信息交互开销，也可极大缩减波束搜索空间，降低方法的执行复杂度。本发明提供了一种很好的结合有监督、无监督学习以及经典模型化方法的无线通信传输方案优化设计范式，具有较好的借鉴意义。
附图说明
图1为本发明实施例面向无蜂窝大规模MIMO系统的协同有监督、无监督机器学习与局部协作基站集构造的分布式波束选择方法架构图；
图2为本发明实施例波束选择算法细节流程图；
图3为本发明实施例使用的势博弈算法细节流程图；
图4为本发明实施例信道数据集参数图；
图5为本发明实施例神经网络损失函数变化曲线；
图6为本发明实施例模拟波束选择性能对比曲线。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本实施例提供了一种面向无蜂窝大规模MIMO系统的协同有监督、无监督机器学习与局部协作基站集构造的分布式波束选择方法。本发明主要是为了放松无蜂窝大规模MIMO系统的波束选择对CSI条件的要求，以及为取得良好协作传输增益需要的基站间交互开销。
图1展示了一种三基站协作情况下的基于无监督学习和博弈算法相结合的分布式波束选择方法架构图，包括：
用户环境：基站协作服务的所有用户集合，该集合内用户随机分布在基站集合的服务范围内，由所有的基站协同提供服务。
基站：位置固定的基站集合，每个基站都配备一个均匀天线面阵，支持混合波束成形。
波束空间压缩网络：每个基站都配有一个深度神经网络，该网络主要由卷积神经网络和全连接神经网络构成，负责将输入的RSSI信息映射为压缩的模拟波束空间。
局部逻辑节点：负责收集局部协作集中各基站的完整CSI信息，并根据深度神经网络输出的压缩后的波束空间进行基于势博弈的模拟波束选择，给出最终的波束选择结果。该局部逻辑节点物理实体可能对应协作集的某一个基站或者分布式中心单元架构下的一个邻近的中心单元。
图2展示了交互环境模块的细节流程图，包括：
步骤S101、初始化基站位置、天线维度、用户范围等参数，随机撒点用户位置构建信道数据集。本实施例使用DeepMIMO开源数据集生成信道数据集。具体地，采用的射线追踪场景是28GHz的O1场景，激活了序号为5、6、7的三个基站，每个基站配备16x16共256根的均匀面阵天线，相邻天线之间距离为半波长，不考虑多径散射以及OFDM子载波因素，模拟预编码码本采用16x16共256个波束方向的离散傅立叶变换(Discrete FourierTransformation，DFT)码本。用户层面激活了1051行的用户点，每行有181个用户位置点，相邻用户位置点间隔20厘米。每次从用户位置点集合中随机抽取4个位置构成4个用户的一条信道样本，数据集共包含10000条样本。具体参数设定如图4所示。
基站b到用户u的信道hb，u可表示为
其中L表示信道可分辨散射体路径总数，这里设置为1；表示第l条路径的传播复增益；W表示系统带宽，这里设置为100MHz；/>表示第l条路径的传播时延；/>表示第l条路径的相位；/>和/>分别表示第l条路径的方位角和俯仰角；a(.)是阵列导引矢量，可以表示为：
ax(.)、ay(.)分别表示空间坐标系x和y方向上的阵列导引矢量，可以表示为
系统中用户的接收信号可以表示为
其中wb，u表示基站b到用户u的混合预编码矢量且功率归一化1，表示发送信号，/>表示接收机热噪声。
步骤S102、设定SSB波束码本，计算各个样本的RSSI信息。具体地，假设各基站可行SSB波束集合均为F，SSB波束个数为S，则基站b到用户u的SSB波束等效信道可以表示为其中/>相应的，用户u反馈给基站b的RSSI可以表示为出于简化问题起见，本实施例采用的SSB波束码本为DFT码本的下采样版本，即等间隔选择16个波束。
步骤S103、将RSSI信息输入无监督网络，得到压缩的模拟波束空间。具体地，基站将收集到的RSSI信息/>输入波束空间压缩无监督学习网络Nb中，获得压缩后的模拟波束空间/>
步骤S104、利用空间拓扑关系，比如距离远近，对各协作基站进行分组，将位置相邻的基站组成K个局部协作集且相邻的局部协作集之间包含共有基站。各协作基站集的逻辑中心阶段搜集所属集合的各基站CSI信息与RSSI信息，并基于压缩波束空间通过势博弈算法进行联合波束选择结果。具体势博弈算法流程如图3所示。
步骤S105、计算各个局部协作集效用和各个无监督网络的损失函数。具体地，各局部逻辑节点表示的局部协作集根据势博弈算法收敛或达到预设最大迭代次数时，计算此时每个局部协作集的效用函数并基于各个局部协作集的效用值，计算该集合内各基站/>的损失函数以优化步骤S103中的无监督学习网络Nb，具体基站/>的损失函数计算公式为
其中表示无监督网络Nb选择压缩后的模拟波束空间/>的概率，是无监督网络作为分类器构建后输出的概率。考虑到通常情况下，神经网络的优化目标是减小损失函数值，而该问题希望的优化方向是将速率性能最好的标签的概率最大化，即最大化/>因此该处对损失函数整体取负以满足通用优化器模型的需求。之后重复执行步骤S103、步骤S104和步骤S105迭代更新训练网络，直至达到预设最大迭代次数。
步骤S106、在步骤S103中的无监督波束空间压缩网络Nb，收敛后，利用步骤S104中局部逻辑节点输出的协作集各基站的波束选择结果，作为各基站的本地波束选择映射网络的标签，构建一个低开销等效CSI到波束选择结果的有标签数据集。
步骤S107、利用该数据集训练有监督映射网络实现各基站独立的波束选择。该阶段已不需要完整CSI信息，可以实现完全分布式的独立波束选择。
图3展示了势博弈算法的细节流程图，包括：
步骤S201、初始化所有基站的模拟波束选择和最大迭代次数。具体地，随机初始化所有协作基站的模拟波束选择基站b需要为每个用户指定一个模拟波束，且同一个基站对不同用户不能选择同样的波束，这样会造成严重的波束碰撞干扰，基站b选择的U个模拟波束的序号可以记为Ib＝{ib，1，…，ib，U}。
设定最大迭代次数T。这个次数和压缩波束空间大小有关，通过多次尝试发现，在3基站4用户场景下，基于大小为256的原始单基站波束选择空间，需要迭代4000次左右才能达到较好的性能，而波束选择空间压缩后大小变成32时，仅需迭代400次左右即可达到最佳性能。所以这里设置的最大迭代次数为500，可以反映出压缩码本空间快速收敛的优势。
步骤S202、随机选择一个局部协作集，计算当前局部效用。具体地，随机选择局部协作集计算该局部协作集在t时刻的效用值/> 其中 表示协作集的模拟预编码等效信道矩阵，即
步骤S203、对该局部协作集中的基站进行随机波束选择更新。具体地，对局部协作集中随机一个基站的波束选择序号集合/>中的随机一个波束选择序号进行更新。
步骤S204、计算波束选择集合更新后的局部效用和更新概率。更新了基站的波束选择序号集合/>后，重新计算该局部协作集的效用函数/> 并且计算更新概率/>依据更新概率决定是否应用此次更新或是回退到上一时刻的状态。
步骤S205、t＝t+1，若t＜T，则跳至步骤S202重复执行，否则完成博弈算法迭代，输出最终波束选择结果。
采用上述算法对实施例的其中一次训练的结果进行展示。训练算法时，分布式部署的3个基站的无监督深度神经网络的损失函数曲线如图5所示。从图中可以看出，3个基站的深度神经网络在训练过程中，损失函数整体呈现下降趋势，说明了网络能够逐渐学习选择速率性能最好的压缩波束空间。
压缩前后的系统和速率曲线如图6所示，图中分别给出了600次迭代和300次迭代的两组曲线。可以看出，相同的势博弈算法运行在压缩后的模拟波束空间可以取得比原始波束空间更好的效果，该现象的合理性在于压缩后的空间缩小了波束选择的范围，在迭代次数有限的情况下能够更快更好地进行波束选择。而同样是在原始波束空间运行博弈算法，迭代600次效果要好于迭代300次，说明该情况下算法尚未达到收敛，还在一个寻优的阶段。而基于压缩后的波束空间进行搜索，300次迭代和600次差距并不大，说明了该情况下仅需300次或更少的迭代次数，算法即可收敛。
本发明已以较佳实施例揭示如上，但并非用以限定相关领域技术方案。本领域的技术人员可以对本发明的技术方案进行修改或者完善，而不脱离本发明技术方案的精神和范围，均涵盖在本发明的权力要求范围当中。
Claims (7)
1.一种无蜂窝大规模MIMO智能分布式波束选择方法，其特征在于，包括如下步骤：
步骤1，在方案训练阶段，各协作基站分别搜集多用户的低开销等效信道状态信息CSI，利用基站本地的学习网络输出压缩后的波束空间；
步骤2，在方案训练阶段，利用空间拓扑关系，对各协作基站分组，构造局部协作集，并选定空间相邻的协作集的共有基站；属于同一个协作集的各基站将搜集的完整CSI和压缩后的波束空间信息，汇总到该协作集的局部逻辑中心节点上；
步骤3，在方案训练阶段，各局部逻辑节点基于自身汇总的压缩波束空间与CSI信息，以交互开销完成基于分布式算法的联合波束选择，所述分布式算法为博弈算法；
步骤4在方案训练阶段，各局部协作集基于对应局部逻辑节点所掌握的CSI信息与基站波束选择信息，为局部协作集各基站的无监督波束压缩网络计算损失函数，实现无监督波束压缩网络的训练收敛；
步骤5，在方案训练阶段，利用各基站波束压缩网络收敛时局部逻辑节点输出的协作集各基站的波束选择，作为各基站的本地波束选择映射网络的标签，通过训练本地低开销等效CSI与该标签的映射网络，实现各基站独立的波束选择；
步骤6，在方案执行阶段，各基站利用本地低开销等效CSI，基于训练好的有监督本地映射网络进行波束选择。
2.根据权利要求1所述一种无蜂窝大规模MIMO智能分布式波束选择方法，其特征在于，步骤1的具体步骤包括：
步骤1.1，假设无蜂窝大规模MIMO系统包括协作基站集合和用户集合，协作基站集合用户集合为/>以混合预编码中基于码本的模拟波束选择为例，且考虑单基站给U个用户共分配U个模拟波束的典型情况；在训练阶段，基站/>收集所有用户的完整天线域CSI信息/>以及CSI低开销表征，；
步骤1.2，各基站基于原始波束空间Db，将收集的本地RSSI信息/>输入波束空间压缩网络/>获得压缩后的波束空间/>
3.根据权利要求2所述一种无蜂窝大规模MIMO智能分布式波束选择方法，其特征在于，步骤2的具体步骤包括：
步骤2.1利用空间拓扑关系，对各协作基站进行分组，形成K个局部协作集且相邻的局部协作集之间包含共有基站；
步骤2.2每个局部协作集都存在一个局部逻辑节点，用于汇聚属于协作集的各基站收集到的完整CSI和压缩后的波束空间信息，以供局部逻辑中心节点执行后续的分布式波束选择算法；所述局部逻辑节点的物理实体是对应协作集的某一个基站或者分布式中心单元架构下的一个邻近的中心单元。
4.根据权利要求3所述一种无蜂窝大规模MIMO智能分布式波束选择方法，其特征在于，步骤3的具体步骤包括：
步骤3.1，定义属于第k个局部协作集的/>个基站的序号为/> 基站选择的波束序号Ib＝[ib,1,…,ib,U]；
步骤3.2随机初始化所有协作基站的模拟波束选择初始化迭代次数t＝0，以及最大迭代次数T；
步骤3.3当t<T时，重复执行以下步骤3.4—3.7；
步骤3.4随机选择一个局部协作集其中局部协作集/>的模拟预编码等效信道矩阵为
其中表示局部协作集/>中的基站/>为所有用户选择的波束集合矩阵，基带预编码矩阵可以表示为
假设系统发送总功率为Pmax，选择局部效用函数为由局部协作集贡献的用户速率
其中
步骤3.5局部协作集随机选择一个不同于/>的波束集合/> 并估计对应的效用/>
步骤3.6局部协作集按照以下准则更新所属基站的模拟波束集合：
其中β为可设置的归一化学习因子，
步骤3.7，t＝t+1。
5.根据权利要求4所述一种无蜂窝大规模MIMO智能分布式波束选择方法，其特征在于，步骤4的具体步骤包括
步骤4.1当各局部协作集的博弈算法收敛或达到最大迭代次数后，计算此时各局部协作集的效用值/>
步骤4.2基于各个局部协作集的效用值，计算该集合内各基站的损失函数以优化无监督学习网络/>具体基站/>的该网络损失函数计算公式为：
其中表示无监督网络Nb选择压缩后的模拟波束空间为/>的概率。
6.根据权利要求5所述一种无蜂窝大规模MIMO智能分布式波束选择方法，其特征在于，步骤5的具体步骤包括：
步骤5.1在无监督波束空间压缩网络收敛后，利用局部逻辑节点输出的协作集各基站的波束选择结果，作为各基站的本地波束选择映射网络的标签，构建一个低开销等效CSI到波束选择结果的有标签数据集；
步骤5.2利用该数据集训练有监督映射网络实现各基站独立的波束选择。
7.根据权利要求6所述一种无蜂窝大规模MIMO智能分布式波束选择方法，其特征在于，步骤6的具体步骤包括：
步骤6.1，基站收集所有用户CSI低开销表征；
步骤6.2，基站基于训练好的本地有监督映射网络/>进行分布式波束选择，输出Ib。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210353306.XA CN114745032B (zh) | 2022-04-06 | 2022-04-06 | 一种无蜂窝大规模mimo智能分布式波束选择方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210353306.XA CN114745032B (zh) | 2022-04-06 | 2022-04-06 | 一种无蜂窝大规模mimo智能分布式波束选择方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114745032A CN114745032A (zh) | 2022-07-12 |
| CN114745032B true CN114745032B (zh) | 2024-02-09 |
Family
ID=82280451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210353306.XA Active CN114745032B (zh) | 2022-04-06 | 2022-04-06 | 一种无蜂窝大规模mimo智能分布式波束选择方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114745032B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116865798B (zh) * | 2023-07-06 | 2024-01-05 | 河北大学 | 高速铁路去蜂窝大规模mimo系统的智能超表面相移方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110971279A (zh) * | 2019-12-30 | 2020-04-07 | 东南大学 | 一种毫米波通信系统中智能波束训练方法及预编码系统 |
-
2022
- 2022-04-06 CN CN202210353306.XA patent/CN114745032B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110971279A (zh) * | 2019-12-30 | 2020-04-07 | 东南大学 | 一种毫米波通信系统中智能波束训练方法及预编码系统 |
Non-Patent Citations (1)
| Title |
|---|
| 大规模MIMO无线通信系统中的传输方案设计与性能分析;张铖;《中国博士学位论文全文数据库》;20200131(第2020年第1期期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114745032A (zh) | 2022-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111447631A (zh) | 基于非正交多址技术的星地联合波束形成和功率分配方法 | |
| CN110535500B (zh) | 一种基于深度学习的毫米波mimo混合波束成形优化方法 | |
| CN104601209B (zh) | 一种适用于3d‑mimo系统的协作多点传输方法 | |
| CN109104225A (zh) | 一种能效最优的大规模mimo波束域多播传输方法 | |
| CN110299937B (zh) | 一种上行mimo-noma无线通信系统波束成形方法 | |
| CN108923898B (zh) | 硬件损伤下无线能量传输的大规模mimo系统能效优化方法 | |
| Hao et al. | Energy-efficient hybrid precoding design for integrated multicast-unicast millimeter wave communications with SWIPT | |
| CN110365388B (zh) | 一种低复杂度毫米波多播波束成形方法 | |
| CN109194373A (zh) | 一种大规模mimo波束域联合单播多播传输方法 | |
| CN113193893B (zh) | 毫米波大规模mimo智能混合波束成形设计方法 | |
| CN104506223B (zh) | 任意时间偏差下鲁棒的分布式波束形成器设计方法 | |
| CN102186178B (zh) | 一种用于协作多点系统的小区间干扰协调方法 | |
| CN106231665A (zh) | 数能一体化网络中基于rrh动态模式切换的资源分配方法 | |
| Wang et al. | Hybrid beamforming with time delay compensation for millimeter wave MIMO frequency selective channels | |
| CN105007108A (zh) | 基于发射天线选择的分布式干扰对齐方案 | |
| CN114745032B (zh) | 一种无蜂窝大规模mimo智能分布式波束选择方法 | |
| CN106788934B (zh) | 一种大规模mimo系统中多小区联合的导频分配方法 | |
| CN109361434B (zh) | 基站协作传输的毫米波mimo混合预编码方法 | |
| CN112803978B (zh) | 基于逐次逼近的智能表面miso系统联合波束成形方法 | |
| CN104821840B (zh) | 一种大规模多输入多输出下行系统的抗干扰方法 | |
| CN112312569A (zh) | 一种基于透镜阵列的预编码和波束选择矩阵联合设计方法 | |
| CN113922849B (zh) | 一种毫米波mimo-noma系统下的用户分组和功率分配方法 | |
| CN116056210A (zh) | 一种面向容量覆盖的irs辅助超密集网络资源分配方法 | |
| CN113595609B (zh) | 一种基于强化学习的蜂窝移动通信系统协作式信号发送方法 | |
| Ni et al. | Joint user scheduling and hybrid beamforming design for cooperative mmWave networks |
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 |