CN114785389A - 一种基于神经网络的毫米波mimo系统混合预编码方法 - Google Patents

一种基于神经网络的毫米波mimo系统混合预编码方法 Download PDF

Info

Publication number
CN114785389A
CN114785389A CN202210204609.5A CN202210204609A CN114785389A CN 114785389 A CN114785389 A CN 114785389A CN 202210204609 A CN202210204609 A CN 202210204609A CN 114785389 A CN114785389 A CN 114785389A
Authority
CN
China
Prior art keywords
precoder
hybrid
neural network
layer
millimeter wave
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.)
Withdrawn
Application number
CN202210204609.5A
Other languages
English (en)
Inventor
楚彩虹
梁宏伟
韦成杰
丁婷
吴甜甜
李丽兰
李珊珊
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.)
Zhengzhou Railway Vocational and Technical College
Original Assignee
Zhengzhou Railway Vocational and Technical College
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 Zhengzhou Railway Vocational and Technical College filed Critical Zhengzhou Railway Vocational and Technical College
Priority to CN202210204609.5A priority Critical patent/CN114785389A/zh
Publication of CN114785389A publication Critical patent/CN114785389A/zh
Withdrawn legal-status Critical Current

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
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • 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

Landscapes

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

Abstract

本发明提出了一种基于神经网络的毫米波MIMO系统混合预编码方法，在使用正交匹配追踪OMP算法求解混合预编码器最佳化问题的基础上，通过神经网络处理爆炸性数据以及解决复杂非线性问题的能力，将神经网络应用在混合预编码器设计，优化混合预编码器中数字预编码器，相比传统的混合预编码器设计方法复杂度有明显的下降。

Description

一种基于神经网络的毫米波MIMO系统混合预编码方法
技术领域
本发明涉及多输入多输出天线技术领域，特别是涉及一种基于神经网络的毫米波MIMO系统混合预编码方法。
背景技术
随着通信技术的发展，为了获得更高的传输速率，MIMO系统正在快速的得到应用，以提升接收信号的质量。由于频谱资源的限制，低频带逐渐饱和，想要运用更大的频宽必须往高频带发展，通过频率提高使得天线间距缩小并可在系统中陪着大型天线阵列，以达到更高的传输速率。但是在此设置条件下系统通道变得更为复杂，因此采用毫米波通道模型以简化通道复杂度，且加入预编码技术使得通道状态信息CSI获得完整利用，提升整体通信质量。然而，传统的全数字预编码技术虽然性能较好，，就必须花费较高的成本和功耗，使每根天线对应到一个射频链；而如果使用模拟预编码器，则能够减少成本及功率消耗，由于模拟预编码器能通过移相器来控制每根天线所发射的信号相位，进而改善了射频链的缺点，但性能相比纯数字预编码器有较大差距。针对这一问题，相对比较好的解决方案就是模拟和数字相结合的混合预编码方案，混合预编码器包含了一个低维的数字预编码器和一个高维的模拟预编码器，它们之间通过少量的射频链路连接，减小了系统的实现成本和能量消耗。
混合预编码方案虽然降低了硬件成本和功率消耗，但同时也降低了系统的性能，由于硬件所造成的设计限制导致问题为非凸约束进而使得设计复杂度大大的提升，设计算法运算量也较大，因此如何在低复杂度和低成本的情况下，设计出一个性能较好的混合预编码器是亟待解决的问题。最近新兴的方法是采用深度学习技术，其特点是超强的识别和表现能力，是处理复杂的非凸问题和高计算问题的优秀工具，已经在波束选择、异构网络、NOMA、信道估计以及大规模MIMO领域中有所应用。
发明内容
为了解决现有技术的问题，本发明提供了一种基于神经网络的毫米波MIMO系统混合预编码方法，使得混合预编码器设计的复杂度得到有效降低。
本发明的技术方案为:一种基于神经网络的毫米波MIMO系统混合预编码方法，其特征在于包括以下步骤：
步骤1：建立毫米波大规模MIMO天线系统模型，采用扩展的Saleh-Valenzuela信道模型构造信道矩阵；其中，毫米波大规模MIMO天线系统系统模型具体构建方式为：
在毫米波大规模MIMO天线系统中，发送端配置Nt根发射天线与Nt RF个射频链路，传输Ns个数据流，接收端配置Nr根接收天线以及Nr RF个射频链路,发送端发送符号向量s为一组随机数，其元素之间相互独立，并满足零平均值、单位能量，协方差矩阵为
Figure BDA0003528658210000021
ρ为平均发送功率,经过数字预编码矩阵
Figure BDA0003528658210000022
和模拟射频预编码矩阵
Figure BDA0003528658210000023
之后,发送端的发送的信号x表示为:
Figure BDA0003528658210000024
其中
Figure BDA0003528658210000025
为
Figure BDA0003528658210000026
所组合的预编码矩阵,发送端的总功率限制为
Figure BDA0003528658210000027
信号从发射天线发送后经由信道传输至接收端，接收信号向量y表示为：
Figure BDA0003528658210000028
其中，
Figure BDA0003528658210000029
表示发射信号x经过发射天线发送的信道矩阵，n～CN(0,σ2INr)表示均值为0，方差为σ2的信道噪声向量，其元素间互为独立以及具有相同的分布特性，且与发送符号向量s相互独立；
步骤2：根据经发送端预编码处理后的系统的可达总和传输率建立目标函数；
接收信号经过接收端解码器之后得到的接收信号向量表示为：
Figure BDA00035286582100000210
定义解码矩阵为
Figure BDA00035286582100000211
其中数字解码矩阵为
Figure BDA00035286582100000212
模拟射频解码矩阵
Figure BDA00035286582100000213
表示等效噪声向量,定义
Figure BDA0003528658210000031
基于系统的可达总和传输率(achiveable sum-rate，ASR)联合设计混合预编码器,信道容量R表示为：
Figure BDA0003528658210000032
其中，Rn为等效噪声向量经过解码矩阵的协方差矩阵,表示为
Figure BDA0003528658210000033
基于系统的可达总和传输率,混合预编码设计最佳化问题表示为如下问题：
Figure BDA0003528658210000034
其中，Γ为单位模量的一组可行集合；
步骤3：混合预编码器结构优化；
3-1.利用正交匹配追踪OMP算法设计预编码器，将最佳化问题变成设计
Figure BDA0003528658210000035
使得信号通过毫米波信道以获得最大互信息
Figure BDA0003528658210000036
Figure BDA0003528658210000037
其中，I(X,Y)表示为对变量(X,Y)之间的互信息,因为
Figure BDA0003528658210000038
有着
Figure BDA0003528658210000039
的限制,导致最佳预编码器不能直接表示为
Figure BDA00035286582100000310
无法在毫米波信道内达成最优,但是假设混合预编码器
Figure BDA00035286582100000311
与最佳预编码器足够接近的话,可以通过二者产生的互信息去比较,因此混合预编码器最佳化设计问题可以优化为：
Figure BDA00035286582100000312
其中，(·)opt表示最佳化问题的最优解,因此根据混合预编码器
Figure BDA00035286582100000313
实现的信息增益与最佳预编码器V1之间的最小残差，利用公式(7)去求出
Figure BDA00035286582100000314
和
Figure BDA00035286582100000315
3-2.基于神经网络对混合预编码器进行优化：
使用
Figure BDA0003528658210000041
作为训练目标,通过输入最佳预编码器V1作为训练资料建立神经网络模型,具体包括输入层,隐藏层和输出层；所述输入层用于捕获输入数据,神经元数量与输入维度相同；所述隐藏层作为编码层,用于将输入数据抽取出欲学习的特征；所述输出层用于捕获隐藏层输出并通过特征预测出欲获得的目标值；
神经网络建立好之后,首先将欲输入的数据进行正规化处理,接着输入数据V1通过隐藏层的层层映射,最后得到输出数据V1D,输入与输出之间的关系式为：
V1D＝f(n-1)(f(n-2)(…f(V1)))
(8)
得到输出数据V1D之后将所述训练目标
Figure BDA0003528658210000042
与V1D做均方误差计算并求得损失函数值，其中均方误差计算表示式为：
Figure BDA0003528658210000043
最后利用自适应矩估计优化器进行优化更新神经元之间的权重，并重新训练减低损失函数值，直至损失函数值小于预设值则结束训练，最终得到的输出数据V1D作为混合预编码器的中的数字预编码器。
优选的，隐藏层的激发函数为ReLUctant函数，输出层的激发函数为tanh函数。
优选的，混合预编码器为全连接混合预编码器架构，每个射频链通过移相器连接到所有天线。
本申请实现的技术效果如下:
本发明在使用正交匹配追踪OMP算法求解混合预编码器最佳化问题的基础上，通过设计神经网络模型的输入层、隐藏层和输出层，优化混合预编码器中数字预编码器的设计，相比传统的混合预编码器设计方法复杂度有明显的下降。
附图说明
图1为完全连接天线架构图。
图2为本发明所适用的毫米波大规模MIMO天线系统模型结构。
图3为本发明所利用的神经网络模型结构。
图4为本发明神经网络模型使用不同的学习速率下的损失函数MSE收敛状况结果图。
图5为本发明神经网络模型使用不同的学习速率下预编码可达总和传输率比较图。
具体实施方式
以下将结合附图和附表对本发明的技术方案作进一步解释说明。
混合波束成型的模拟部分通常由简单的模拟元件实现，例如加法器和移相器，其中模拟移相器只能改变信号的相位。考虑到模部分元件架构的限制，模拟波束成型矩阵有元素模值固定的约束限制。现有文献主要研究了两种已广泛应用的模拟波束成型架构：全连接和部分连接架构。
图1所示为全连接架构，在这种架构下中，NRF条射频链路(RF chain)中的每条射频链路都会连接到所有发射天线Nt，换句话说，每根发射天线也连接到所有射频链路。但因为毫米波的波段频率较高，使得天线之间间距变小，因此在相同大小的一个面积上，可以放置更多的天线来进行更高速率的传输，性能最接近纯数字预编码器，但因为天线数量的增加导致能力消耗变大，即使混合波束成型相比纯数字波束成型能耗降低，但基于全连接架构的混合波束成型仍然会消耗相当大的能量。
图2所示为本发明所适用的毫米波大规模MIMO天线系统模型结构，发送端配置Nt根发射天线与Nt RF根射频链路(RF chain)，传输Ns个数据流，接收端配置Nr根接收天线与一根射频链路(RF chain)，Nr RF表示所有接收端的射频链路总数量，系统必须满足
Figure BDA0003528658210000051
发送端发送符号向量s为一组随机数，其元素之间相互独立，并满足零平均值、单位能量，协方差矩阵为
Figure BDA0003528658210000052
ρ为平均发送功率,经过数字预编码矩阵
Figure BDA0003528658210000053
和模拟射频预编码矩阵
Figure BDA0003528658210000054
之后,发送端的发送的信号x表示为:
Figure BDA0003528658210000055
其中
Figure BDA0003528658210000056
为
Figure BDA0003528658210000057
所组合的预编码矩阵,发送端的总功率限制为
Figure BDA0003528658210000058
毫米波大规模MIMO系统信道采用几何的Saleh-Valenzuela模型，其设计方式在现有技术中已存在多种，本发明可根据设计需要来选择；
信号从发射天线发送后经由信道传输至接收端，接收信号向量y表示为：
Figure BDA0003528658210000061
其中，
Figure BDA0003528658210000062
表示发射信号x经过发射天线发送的信道矩阵，n～CN(0,σ2INr)表示均值为0，方差为σ2的信道噪声向量，其元素间互为独立以及具有相同的分布特性，且与发送符号向量s相互独立；
接收信号经过接收端解码器之后得到的接收信号向量表示为：
Figure BDA0003528658210000063
定义解码矩阵为
Figure BDA0003528658210000064
其中数字解码矩阵为
Figure BDA0003528658210000065
模拟射频解码矩阵
Figure BDA0003528658210000066
表示等效噪声向量,定义
Figure BDA0003528658210000067
基于系统的可达总和传输率(achiveable sum-rate，ASR)联合设计混合预编码器,信道容量R表示为：
Figure BDA0003528658210000068
其中，Rn为等效噪声向量经过解码矩阵的协方差矩阵,表示为
Figure BDA0003528658210000069
基于系统的可达总和传输率,混合预编码设计最佳化问题表示为如下问题：
Figure BDA00035286582100000610
其中，Γ为单位模量的一组可行集合；
利用正交匹配追踪OMP算法设计预编码器，将最佳化问题变成设计
Figure BDA00035286582100000611
使得信号通过毫米波信道以获得最大互信息
Figure BDA00035286582100000612
Figure BDA0003528658210000071
其中，I(X,Y)表示为对变量(X,Y)之间的互信息,因为
Figure BDA0003528658210000072
有着
Figure BDA0003528658210000073
的限制,导致最佳预编码器不能直接表示为
Figure BDA0003528658210000074
无法在毫米波信道内达成最优,但是假设混合预编码器
Figure BDA0003528658210000075
与最佳预编码器足够接近的话,可以通过二者产生的互信息去比较,因此混合预编码器最佳化设计问题可以优化为：
Figure BDA0003528658210000076
其中，(·)opt表示最佳化问题的最优解,因此根据混合预编码器
Figure BDA0003528658210000077
实现的信息增益与最佳预编码器(纯数字预编码器)V1之间的最小残差，利用公式(7)去求出
Figure BDA0003528658210000078
和
Figure BDA0003528658210000079
此外，纯数字预编码器V1的设计方式可根据需要采用现有技术中的任一方式，本发明对此不做限制。
最后，基于神经网络对混合预编码器进行优化：神经网络的学习过程可以分成三个步骤，分别是设定神经架构，设定目标函数，最后经由分析数值通过大量的训练得到结果。神经网络的架构是为了获得接近目标函数的一组函数，通过大量的训练更新，就可以将函数最佳化似的输入数据转化为理想的输出结果。输入数据进入神经网络模型后，通过激发函数表示神经元层与层之间的映射关系，最常用的激发函数为ReLU函数，该函数计算量较小，只需要判断输入是否大于零，不需要进行指数运算。接着输入数据通过神经元的层层映射运算输出得到预测答案，使用损失函数计算预测误差值，常用的损失函数为均方误差、交叉熵等。计算出损失函数值后，如果预测值相对目标值的损失函数值非常低则结束训练。如果预测误差较大，为了使预测值与目标值接近，会将输出结果从输出的地方反向发送回去，调整神经元的权重以找到损失函数的最小值。
基于上述概念，利用神经网络自动抽取特征的能力，通过神经网络训练，使得神经网络学习到算法特征，给定一个输入让神经网络直接预测出欲求的输出，而不需经过常规算法的计算迭代，具体方式为：使用
Figure BDA00035286582100000710
作为训练目标,通过输入最佳预编码器V1作为训练资料建立神经网络模型，如附图3所示，具体包括输入层，隐藏层和输出层；所述输入层用于捕获输入数据,神经元数量与输入维度相同，在此设计为128个单元的全连接层；之后的5层隐藏层作为编码层,用于将输入数据抽取出欲学习的特征，分别为512、256、128、64以及32个单元的全连接层；最后的输出层用于捕获隐藏层输出并通过特征预测出欲获得的目标值；
神经网络建立好之后,首先将欲输入的数据进行正规化处理,接着输入数据V1通过隐藏层的层层映射,最后得到输出数据V1D,输入与输出之间的关系式为：
V1D＝f(n-1)(f(n-2)(…f(V1)))
(8)
得到输出数据V1D之后将所述训练目标
Figure BDA0003528658210000081
与V1D做均方误差计算并求得损失函数值，其中均方误差计算表示式为：
Figure BDA0003528658210000082
最后利用自适应矩估计优化器进行优化更新神经元之间的权重，并重新训练减低损失函数值，直至损失函数值小于预设值则结束训练，最终得到的输出数据V1D作为混合预编码器的中的数字预编码器。
采用Python和matlab进行模拟，通过数值分析评估本发明提出的应用神经网络设计混合预编码器方法,比较在均匀线性天线阵列下，不同参数设置的最大可达总和传输率，通道模型采用几何的Saleh-Valenzuela模型。定义模拟参数数据流Ns＝2，Nt＝64，Nr＝16，发送端与接收端的射频链数量为
Figure BDA0003528658210000083
通道路径P＝4条，出发和到达的方位角度均匀分布在[0,2π]，神经网络模型的训练数据量为10000笔，批次大小为1000，预编码的模拟迭代次数为1000。
如图4所示为神经网络模型使用不同的学习速率下的损失函数MSE收敛状况结果图。学习速率的值分别由小到大为0.00005，0.0001，0.0005，0.001,0.003,0.005，为了比较结果公平使每个结果都在收敛状态下，训练次数设定为1500次。首先从学习速率低的0.00005开始分析，接着将学习速率慢慢提高，在提高时发现学习速率低的情况收敛速度越慢，因此希望学习速率越高收敛速度越快，可以将训练次数调整到较低的情况，让训练时的运算量下降，随着学习速率的提高，发现学习速率有其上限，在0.001之后由于学习速率过大导致在寻找梯度下降的方向时无法找到正确的方向，损失函数值在收敛到一半时，开始剧烈震荡无法收敛在比较稳定的状态。
如图5所示为神经网络模型使用不同的学习速率下预编码可达总和传输率比较图，训练次数设定为500次，可以发现在学习速率较大的0.0005到0.001的情况下，由于收敛状况剧烈震荡，损失函数值较大，导致神经网络预测出的结果较差，进而影响可达总和传输率表现。0.00005的情况虽然在低学习速率的收敛状况比较稳定，但是由于收敛较慢，损失函数尚未收敛至较低的数值，可达总和传输率较0.0001的差，如果想要增加性能表现则需增加训练次数，增加训练时间。
本发明提供的应用神经网络设计混合预编码器方法，相比于传统的混合预编码器设计方法设计复杂度有所下降，通过对神经网络的参数选择可以发现神经网络的参数设定需要通过大量数据分析，在运算成本与传输效能之间进行取舍，选择一个恰当的参数设定可以得到一个平衡的结果。在混合预编码器的设计上由于硬件所造成的设计限制导致问题为非凸约束进而使得设计困难大大提升，算法运算量较大的情况下，通过神经网络处理爆炸性数据以及解决复杂非线性问题的能力，将神经网络应用在混合预编码器设计上可以解决许多很难解决的问题，但是由于神经网络中所带来的训练误差也会导致性能下降，因此本发明没有使用神经网络同时设计优化模拟预编码器与数字预编码器，同时设计会由于训练误差带来的影响导致性能下降过多，本发明兼顾了降低设计复杂度与混合预编码器性能的平衡。
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。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (3)

1.一种基于神经网络的毫米波MIMO系统混合预编码方法，其特征在于包括以下步骤：
步骤1：建立毫米波大规模MIMO天线系统模型，采用扩展的Saleh-Valenzuela信道模型构造信道矩阵；其中，毫米波大规模MIMO天线系统系统模型具体构建方式为：
在毫米波大规模MIMO天线系统中，发送端配置Nt根发射天线与Nt RF个射频链路，传输Ns个数据流，接收端配置Nr根接收天线以及Nr RF个射频链路,发送端发送符号向量s为一组随机数，其元素之间相互独立，并满足零平均值、单位能量，协方差矩阵为
Figure FDA0003528658200000011
ρ为平均发送功率,经过数字预编码矩阵
Figure FDA0003528658200000012
和模拟射频预编码矩阵
Figure FDA0003528658200000013
之后,发送端的发送的信号x表示为:
Figure FDA0003528658200000014
其中
Figure FDA0003528658200000015
为
Figure FDA0003528658200000016
所组合的预编码矩阵,发送端的总功率限制为
Figure FDA0003528658200000017
信号从发射天线发送后经由信道传输至接收端，接收信号向量y表示为：
Figure FDA0003528658200000018
其中，
Figure FDA0003528658200000019
表示发射信号x经过发射天线发送的信道矩阵，n～CN(0,σ2INr)表示均值为0，方差为σ2的信道噪声向量，其元素间互为独立以及具有相同的分布特性，且与发送符号向量s相互独立；
步骤2：根据经发送端预编码处理后的系统的可达总和传输率建立目标函数；
接收信号经过接收端解码器之后得到的接收信号向量表示为：
Figure FDA00035286582000000110
定义解码矩阵为
Figure FDA00035286582000000111
其中数字解码矩阵为
Figure FDA0003528658200000021
模拟射频解码矩阵
Figure FDA0003528658200000022
Figure FDA0003528658200000023
表示等效噪声向量,定义
Figure FDA0003528658200000024
基于系统的可达总和传输率(achiveable sum-rate，ASR)联合设计混合预编码器,信道容量R表示为：
Figure FDA0003528658200000025
其中，Rn为等效噪声向量经过解码矩阵的协方差矩阵,表示为
Figure FDA0003528658200000026
基于系统的可达总和传输率,混合预编码设计最佳化问题表示为如下问题：
Figure FDA0003528658200000027
Figure FDA0003528658200000028
其中，Γ为单位模量的一组可行集合；
步骤3：混合预编码器结构优化；
3-1.利用正交匹配追踪OMP算法设计预编码器，将最佳化问题变成设计
Figure FDA0003528658200000029
使得信号通过毫米波信道以获得最大互信息
Figure FDA00035286582000000210
Figure FDA00035286582000000211
其中，I(X,Y)表示为对变量(X,Y)之间的互信息,因为
Figure FDA00035286582000000212
有着
Figure FDA00035286582000000213
的限制,导致最佳预编码器不能直接表示为
Figure FDA00035286582000000214
无法在毫米波信道内达成最优,但是假设混合预编码器
Figure FDA00035286582000000215
与最佳预编码器足够接近的话,可以通过二者产生的互信息去比较,因此混合预编码器最佳化设计问题可以优化为：
Figure FDA00035286582000000216
Figure FDA00035286582000000217
其中，(·)opt表示最佳化问题的最优解,因此根据混合预编码器
Figure FDA00035286582000000218
实现的信息增益与最佳预编码器V1之间的最小残差，利用公式(7)去求出
Figure FDA0003528658200000031
和
Figure FDA0003528658200000032
3-2.基于神经网络对混合预编码器进行优化：
使用
Figure FDA0003528658200000033
作为训练目标,通过输入最佳预编码器V1作为训练资料建立神经网络模型,具体包括输入层,隐藏层和输出层；所述输入层用于捕获输入数据,神经元数量与输入维度相同；所述隐藏层作为编码层,用于将输入数据抽取出欲学习的特征；所述输出层用于捕获隐藏层输出并通过特征预测出欲获得的目标值；
神经网络建立好之后,首先将欲输入的数据进行正规化处理,接着输入数据V1通过隐藏层的层层映射,最后得到输出数据V1D,输入与输出之间的关系式为：
V1D＝f(n-1)(f(n-2)(…f(V1))) (8)
得到输出数据V1D之后将所述训练目标
Figure FDA0003528658200000034
与V1D做均方误差计算并求得损失函数值，其中均方误差计算表示式为：
Figure FDA0003528658200000035
最后利用自适应矩估计优化器进行优化更新神经元之间的权重，并重新训练减低损失函数值，直至损失函数值小于预设值则结束训练，最终得到的输出数据V1D作为混合预编码器的中的数字预编码器。
2.根据权利要求1所述的方法，其特征在于：所述隐藏层的激发函数为ReLUctant函数，所述输出层的激发函数为tanh函数。
3.根据权利要求1所述的方法，其特征在于：所述混合预编码器为全连接混合预编码器架构，每个射频链通过移相器连接到所有天线。
CN202210204609.5A 2022-03-02 2022-03-02 一种基于神经网络的毫米波mimo系统混合预编码方法 Withdrawn CN114785389A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210204609.5A CN114785389A (zh) 2022-03-02 2022-03-02 一种基于神经网络的毫米波mimo系统混合预编码方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210204609.5A CN114785389A (zh) 2022-03-02 2022-03-02 一种基于神经网络的毫米波mimo系统混合预编码方法

Publications (1)

Publication Number Publication Date
CN114785389A true CN114785389A (zh) 2022-07-22

Family

ID=82423038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210204609.5A Withdrawn CN114785389A (zh) 2022-03-02 2022-03-02 一种基于神经网络的毫米波mimo系统混合预编码方法

Country Status (1)

Country Link
CN (1) CN114785389A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116112044A (zh) * 2022-08-09 2023-05-12 西安电子科技大学 基于神经网络的高能效混合预编码方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116112044A (zh) * 2022-08-09 2023-05-12 西安电子科技大学 基于神经网络的高能效混合预编码方法

Similar Documents

Publication Publication Date Title
CN111181619B (zh) 基于深度强化学习的毫米波混合波束成形设计方法
Peken et al. Deep learning for SVD and hybrid beamforming
CN109617584B (zh) 一种基于深度学习的mimo系统波束成形矩阵设计方法
CN113411110B (zh) 一种基于深度强化学习的毫米波通信波束训练方法
US11996915B2 (en) Devices and methods for machine learning assisted precoding
CN110557177A (zh) 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法
CN111277312B (zh) 基于深度复数网络的固定子阵空基毫米波波束成形方法
CN110943768B (zh) 一种毫米波大规模mimo系统的混合预编码码本联合设计方法
CN110138427A (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
CN109547082A (zh) 基于毫米波大规模天线系统的混合预编码优化方法
CN113193893B (zh) 毫米波大规模mimo智能混合波束成形设计方法
Balevi et al. Unfolded hybrid beamforming with GAN compressed ultra-low feedback overhead
CN115426013B (zh) 基于无监督学习的ris辅助通信系统预编码与相移方法
CN114465643B (zh) 一种基于梯度下降法的毫米波大规模mimo天线系统的混合预编码方法
CN114785389A (zh) 一种基于神经网络的毫米波mimo系统混合预编码方法
Liu et al. Multi-user MISO with stacked intelligent metasurfaces: A DRL-based sum-rate optimization approach
CN113472409B (zh) 毫米波大规模mimo系统中基于past算法的混合预编码方法
CN110350963A (zh) 毫米波mimo通信系统中波束成形的方法和系统
CN115001545B (zh) 一种毫米波大规模mimo系统中的混合预编码方法
CN112398513A (zh) 一种massive MIMO系统的波束赋形方法
CN112636800B (zh) 基于毫米波大规模mimo多用户场景的混合预编码方法
Fu et al. Grassmannian constellation design for noncoherent MIMO systems using autoencoders
CN112165344B (zh) 一种基于梯度下降法的混合预编码方法
Nosrati et al. Online switch-based hybrid beamforming for massive MIMO systems
Le et al. RIS-assisted MIMO communication systems: Model-based versus autoencoder approaches

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220722

WW01 Invention patent application withdrawn after publication