CN114844541B - 一种基于深度学习的混合预编码和反馈方法 - Google Patents

一种基于深度学习的混合预编码和反馈方法 Download PDF

Info

Publication number
CN114844541B
CN114844541B CN202210428661.9A CN202210428661A CN114844541B CN 114844541 B CN114844541 B CN 114844541B CN 202210428661 A CN202210428661 A CN 202210428661A CN 114844541 B CN114844541 B CN 114844541B
Authority
CN
China
Prior art keywords
matrix
deep learning
precoding
analog
digital
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
CN202210428661.9A
Other languages
English (en)
Other versions
CN114844541A (zh
Inventor
孙强
赵欢
李飞洋
蒋行健
陈晓敏
黄勋
杨永杰
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.)
Nantong University
Original Assignee
Nantong University
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 Nantong University filed Critical Nantong University
Priority to CN202210428661.9A priority Critical patent/CN114844541B/zh
Publication of CN114844541A publication Critical patent/CN114844541A/zh
Application granted granted Critical
Publication of CN114844541B publication Critical patent/CN114844541B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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)
  • Radio Transmission System (AREA)

Abstract

本发明涉及一种基于深度学习的混合预编码和反馈方法，离线训练阶段中首先由信道矩阵计算预编码矩阵和合并矩阵，并输入混合预编码深度学习模型训练，将输出的预编码矩阵和样本预编码矩阵输入压缩重建深度学习模型训练，然后将压缩重建模型拆分为压缩网络和重建网络，将混合预编码、压缩网络部署在接收端，重建网络部署在发送端。在线预测阶段中，接收端将信道矩阵输入混合预编码网络，得到预编码矩阵和合并矩阵，将预编码矩阵输入压缩网络，得到反馈信息并传输给发送端，发送端将反馈信息输入重建网络得到预编码矩阵。本发明利用深度学习技术，实现了预编码、合并矩阵的设计以及反馈，可获得较好的频谱效率，也减少了反馈的开销和硬件的复杂度。

Description

一种基于深度学习的混合预编码和反馈方法
技术领域
本发明涉及无线通信技术领域，具体为一种基于深度学习的混合预编码和反馈方法。
背景技术
随着无线技术的快速发展，通信数据量和业务量呈现出激增的态势。大规模MIMO技术依靠多天线来传输数据，可以获得空间分集增益和阵列增益，因此成为无线通信的关键技术。在MIMO系统中通常采用全数字预编码，然而随着天线数的增长，全数字系统的RF链数将会大幅度增加，这不但会增加系统的整体功耗，也会提高硬件的复杂度和成本。目前提出了混合预编码架构。混合预编码结合了模拟预编码和数字预编码，他利用较少的RF链实现了和全数字架构相近的性能，可以权衡频谱效率和系统功耗。然而，由于模拟预编码的恒模约束使得混合预编码的设计问题具有非凸性，需要很高的计算开销，这使其很难应用到实际的通信系统。
在频分双工的模式下，接收端获取到下行信道状态信息(Channel StateInformation，CSI)后，需要将下行CSI通过反馈链路反馈给发送端，发送端端根据反馈的CSI来进行预编码设计，以减少干扰，提高系统整体性能。传统方法通常采用矢量量化或基于码本的方法来减少反馈开销。然而，在天线数量众多的情况下，反馈开销会变得巨大，这会大大增加系统的负担，影响系统的整体性能。
为了实现发送端和接收端的混合架构以及降低预编码的复杂度、减小反馈开销，本发明提出了一种基于深度学习的混合预编码和反馈方法。
发明内容
本发明的目的在于提供一种基于深度学习的混合预编码和反馈方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于深度学习的混合预编码和反馈方法，由离线训练阶段和在线预测阶段两部分实现；离线训练阶段包括如下步骤：
S11：接收端获取样本信道状态信息，计算样本信道矩阵的样本模拟、数字的预编码矩阵和合并矩阵；
S12：构建混合预编码的深度学习模型，制作数据集，训练混合预编码的深度学习模型；
S13：混合预编码的深度学习模型训练完成后，将样本信道矩阵输入混合预编码的深度学习模型中，得到估计模拟、数字的预编码矩阵和合并矩阵；
S14：构建压缩重建的深度学习模型，制作数据集，训练压缩重建的深度学习模型；
S15：将训练完成的压缩重建的深度学习模型拆分为压缩网络和重建网络，将混合预编码深度学习模型、压缩网络及其权重部署在接收端，重建网络及其权重部署在发送端；
在线预测阶段包括如下步骤：
S21：接收端获取实时的信道状态信息，将实时信道矩阵输入混合预编码的深度学习模型，得到实时信道的模拟、数字的预编码矩阵和合并矩阵；
S22：将实时信道的模拟、数字预编码矩阵输入压缩网络，得到压缩后的模拟、数字预编码矩阵，将压缩后的模拟、数字预编码矩阵反馈至发送端；
S23：发送端将接收到的反馈信息送入重建网络，得到重建的模拟、数字预编码矩阵，根据重建的模拟、数字预编码矩阵对发送数据进行混合预编码，将预编码后的数据发送至接收端；
S24：接收端根据实时信道的模拟、数字的合并矩阵，对接收的数据进行处理。
优选的，所述步骤S11中，样本信道矩阵的样本模拟、数字的预编码矩阵和合并矩阵的计算如下：
T1、对信道矩阵H进行奇异值分解，即svd(H)＝UΣVH,其中U、V分别为H的左、右奇异值矩阵，Σ是对角矩阵。取矩阵V的前NS列作为发送端的最优预编码矩阵Fopt，即
Figure BDA0003609185520000031
其中NS为数据流数。根据
Figure BDA0003609185520000032
得到接收端的最优合并矩阵Wopt，其中ρ为发送端的发送功率，
Figure BDA0003609185520000033
为噪声功率，
Figure BDA0003609185520000034
为单位矩阵，()H表示共轭转置，()-1表示取逆；
T2、从Npath个发送端方向向量at(Θt)中选取
Figure BDA0003609185520000035
个组合成发送端模拟预编码矩阵Fa的候选矩阵
Figure BDA0003609185520000036
共可组合成
Figure BDA0003609185520000037
个候选矩阵，将CF个候选矩阵组成发送端模拟预编码矩阵Fa的候选集合
Figure BDA0003609185520000038
其中cF＝1,2,...,CF，
Figure BDA0003609185520000039
Npath为信道H的多径数，
Figure BDA00036091855200000310
为发送端RF链数，方向向量at(Θt)中的第n个元素
Figure BDA00036091855200000311
Θt＝(φt,θt)，φt,θt分别表示发送端的方位角和俯仰角，pn＝[xn,yn,zn]T为第n个发送天线的位置，x,y,z是三维坐标，r(Θt)＝[sin(φt)cos(θt),sin(φt)sin(θt),cos(θt)]T，λ为波长，()T表示转置；
T3、从Npath个接收端方向向量ar(Θr)中选取
Figure BDA00036091855200000312
个构成接收端模拟合并矩阵Wa的候选矩阵
Figure BDA0003609185520000041
共可组合成
Figure BDA0003609185520000042
个候选矩阵，将CW个候选矩阵组成接收端模拟合并矩阵Wa的候选集合
Figure BDA0003609185520000043
其中cW＝1,2,...,CW，
Figure BDA0003609185520000044
Figure BDA0003609185520000045
为接收端RF链数，方向向量ar(Θr)中的第n个元素
Figure BDA0003609185520000046
Θr＝(φr,θr)，φr,θr分别表示接收端的方位角和俯仰角，pn＝[xn,yn,zn]T为第n个接收天线的位置，x,y,z是三维坐标，r(Θr)＝[sin(φr)cos(θr),sin(φr)sin(θr),cos(θr)]T；
T4、从Fa的候选集合
Figure BDA0003609185520000047
中依次选择候选模拟预编码矩阵，计算发送端的数字预编码矩阵
Figure BDA0003609185520000048
再计算出频谱效率
Figure BDA0003609185520000049
在计算出的CF个频谱效率中选择出最大的频谱效率，将其对应的候选模拟预编码矩阵作为发送端最佳模拟预编码矩阵Fa，对应的数字预编码矩阵作为发送端最佳数字预编码矩阵Fb；
T5、从Wa的候选集合
Figure BDA00036091855200000410
中依次选择候选模拟合并矩阵，计算接收端的数字合并矩阵
Figure BDA00036091855200000411
其中
Figure BDA00036091855200000412
再计算出频谱效率
Figure BDA00036091855200000413
在计算出的CW个频谱效率中选择出最大的频谱效率，将其对应的候选模拟合并矩阵作为接收端最佳模拟合并矩阵Wa，对应的数字合并矩阵作为接收端最佳数字合并矩阵Wb。
优选的，所述步骤S12中，混合预编码的深度学习模型由卷积神经网络和全连接网络构成，其中前两层为卷积层，后四层为全连接层，每个卷积层后都进行批量归一化，激活函数为Relu，卷积核数目为64，卷积核大小为2×2；四个全连接层的维度依次为1024、1024、1024、Q，激活函数为Relu，其中
Figure BDA0003609185520000051
Nt为发送端天线数，
Figure BDA0003609185520000052
为发送端射频链路数，Nr为接收端天线数，
Figure BDA0003609185520000053
为接收端射频链路数。
优选的，所述步骤S12中，混合预编码的深度学习模型数据集的输入X设置为信道矩阵H的实部和虚部，即
Figure BDA0003609185520000054
其中
Figure BDA0003609185520000055
Figure BDA0003609185520000056
分别表示对信道矩阵H取实部、虚部；数据集的输出设置为
Figure BDA0003609185520000057
其中∠表示将复数变换为角度，vecT()表示将矩阵向量化并转置。
优选的，所述步骤S12中，训练混合预编码的深度学习模型时，损失函数设置为均方误差
Figure BDA0003609185520000058
其中
Figure BDA0003609185520000059
为模型输出数据，
Figure BDA00036091855200000510
为标签，N为训练样本个数，学习率为0.0005，衰减因子为0.95，epoch设置为600。
优选的，所述步骤S14中，压缩重建的深度学习模型由6层全连接网络构成，其中第1层为全连接层，维度设置为1024，激活函数为Relu，第2层为全连接层，维度为反馈信息压缩的长度S，无激活函数，3、4、5层为全连接层，维度依次为1024，1024，512，激活函数为Relu，第6层全连接层的维度为W，无激活函数，其中
Figure BDA0003609185520000061
优选的，所述步骤S14中，压缩重建的深度学习模型数据集的输入
Figure BDA0003609185520000062
设置为混合预编码深度学习模型输出的估计模拟、数字预编码矩阵，即
Figure BDA0003609185520000063
数据集的输出z设置为样本模拟、数字预编码矩阵，即
Figure BDA0003609185520000064
优选的，所述步骤S14中，训练压缩重建的深度学习模型时，损失函数设置为均方误差
Figure BDA0003609185520000065
使用ADAM优化器来更新网络参数，其中
Figure BDA0003609185520000066
为压缩重建深度学习模型的输出数据，
Figure BDA0003609185520000067
为标签，M为训练样本个数，学习率设置为0.0001，衰减因子为0.9，epoch设置为300。
优选的，所述步骤S15中，将训练完成的压缩重建的深度学习模型拆分为压缩网络
Figure BDA0003609185520000068
和重建网络
Figure BDA0003609185520000069
其中
Figure BDA00036091855200000610
为压缩重建深度学习模型的1-2层，
Figure BDA00036091855200000611
为压缩重建深度学习模型的3-6层，将
Figure BDA00036091855200000612
和
Figure BDA00036091855200000613
及其网络权重Ωcp、Ωrc分别部署在接收端和发送端。
优选的，所述步骤S23中，发送端的重建模拟、数字的预编码矩阵为
Figure BDA00036091855200000614
将
Figure BDA00036091855200000615
变换成
Figure BDA00036091855200000616
的矩阵，将矩阵元素的角度变换为复数形式，得到模拟预编码矩阵
Figure BDA0003609185520000071
将
Figure BDA0003609185520000072
变换为
Figure BDA0003609185520000073
的矩阵形式，将实部与虚部结合，得到数字预编码矩阵
Figure BDA0003609185520000074
发送端根据
Figure BDA0003609185520000075
对发送信号进行处理。
优选的，所述步骤S24中，实时模拟、数字的预编码矩阵和合并矩阵为
Figure BDA0003609185520000076
将
Figure BDA0003609185520000077
变换成
Figure BDA0003609185520000078
的矩阵，将矩阵元素的角度变换为复数形式，得到模拟预编码矩阵
Figure BDA0003609185520000079
将
Figure BDA00036091855200000710
变换为
Figure BDA00036091855200000711
的矩阵形式，将实部与虚部结合，得到数字预编码矩阵
Figure BDA00036091855200000712
接收端根据
Figure BDA00036091855200000713
对接收信号进行处理。
与现有技术相比，本发明的有益效果是：
1、本发明利用深度学习技术，根据信道状态信息来进行混合预编码设计，相较于传统的优化算法，在性能相近的情况下，大幅降低了计算复杂度。
2、本发明利用深度学习技术，对发送端的模拟、数字预编码矩阵进行压缩并反馈给发送端，发送端依据反馈信息恢复出原始的预编码矩阵，相较于直接反馈高维度的预编码矩阵，降低了反馈开销。
3、本发明利用深度学习技术，对发送端的模拟、数字预编码矩阵进行压缩并反馈给发送端，相较于反馈全部的模拟、数字预编码矩阵和组合矩阵，有效的降低了反馈开销。
4、本发明通过离线训练和在线预测，节省大量的计算开销，适用于室内和室外各种场景，并具有很好的鲁棒性。
附图说明
图1为本发明的流程图；
图2为本发明中大规模MIMO的混合预编码系统示意图；
图3为本发明中混合预编码和反馈的系统示意图；
图4为本发明中模拟、数字的预编码矩阵和合并矩阵的计算流程图；
图5为本发明中混合预编码的深度学习模型的结构图；
图6为本发明中压缩重建的深度学习模型的结构图。
具体实施方式
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，所描述的实施例仅仅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做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。
如图1所示，在毫米波大规模MIMO系统中，发送端有Nt个天线，NS个数据流，射频链路数为
Figure BDA0003609185520000081
其中
Figure BDA0003609185520000082
满足
Figure BDA0003609185520000083
接收端有Nr个天线，NS个数据流，
Figure BDA0003609185520000084
个射频链路，其中
Figure BDA0003609185520000085
满足
Figure BDA0003609185520000086
发送信号s经过数字预编码和模拟预编码，经发送端天线传输数据，其中模拟预编码矩阵Fa具有恒模约束
Figure BDA0003609185520000087
和功率约束||FaFb||F＝NS。考虑窄带块衰落信道H，则接收端的接收信号为
Figure BDA0003609185520000088
其中
Figure BDA0003609185520000089
接收端收到信号后，经模拟合并矩阵Wa和数字合并矩阵Wb处理，得到信号
Figure BDA00036091855200000810
其中Wa具有恒模限制
Figure BDA00036091855200000811
如图2所示，在信道的每个相干时间内，接收端估计出下行信道矩阵H，将H输入预编码器来设计模拟、数字的预编码矩阵和合并矩阵，即
Figure BDA00036091855200000812
接收端保留模拟、数字合并矩阵
Figure BDA0003609185520000091
来对接收信号进行处理，将模拟、数字的预编码矩阵
Figure BDA0003609185520000092
进行压缩，得到压缩后的反馈信息，即
Figure BDA0003609185520000093
压缩后的反馈信息c通过反馈信道反馈给发送端，发送端根据反馈信息对模拟、数字的预编码矩阵进行重建，即
Figure BDA0003609185520000094
发送端根据重建的模拟、数字的预编码矩阵对发送信号进行预编码。
基于以上系统，本发明提供的一种基于深度学习的混合预编码和反馈方法，其步骤如图6所示，下面对步骤进行详细说明。
如图3所示，模拟、数字的预编码矩阵和合并矩阵的计算：
1、对信道矩阵H进行奇异值分解，即svd(H)＝UΣVH,其中U、V分别为H的左、右奇异值矩阵，Σ是对角矩阵。取矩阵V的前NS列作为发送端的最优预编码矩阵Fopt，即
Figure BDA0003609185520000095
其中NS为数据流数。根据
Figure BDA0003609185520000096
得到接收端的最优合并矩阵Wopt，其中ρ为发送端的发送功率，
Figure BDA0003609185520000097
为噪声功率，
Figure BDA0003609185520000098
为单位矩阵，()H表示共轭转置，()-1表示取逆；
2、从Npath个发送端方向向量at(Θt)中选取
Figure BDA0003609185520000099
个组合成发送端模拟预编码矩阵Fa的候选矩阵
Figure BDA00036091855200000910
共可组合成
Figure BDA00036091855200000911
个候选矩阵，将CF个候选矩阵组成发送端模拟预编码矩阵Fa的候选集合
Figure BDA0003609185520000101
其中cF＝1,2,...,CF，
Figure BDA0003609185520000102
Npath为信道H的多径数，
Figure BDA0003609185520000103
为发送端RF链数，方向向量at(Θt)中的第n个元素
Figure BDA0003609185520000104
Θt＝(φt,θt)，φt,θt分别表示发送端的方位角和俯仰角，pn＝[xn,yn,zn]T为第n个发送天线的位置，x,y,z是三维坐标，r(Θt)＝[sin(φt)cos(θt),sin(φt)sin(θt),cos(θt)]T，λ为波长，()T表示转置；
3、从Npath个接收端方向向量ar(Θr)中选取
Figure BDA0003609185520000105
个构成接收端模拟合并矩阵Wa的候选矩阵
Figure BDA0003609185520000106
共可组合成
Figure BDA0003609185520000107
个候选矩阵，将CW个候选矩阵组成接收端模拟合并矩阵Wa的候选集合
Figure BDA0003609185520000108
其中cW＝1,2,...,CW，
Figure BDA0003609185520000109
Figure BDA00036091855200001010
为接收端RF链数，方向向量ar(Θr)中的第n个元素
Figure BDA00036091855200001011
Θr＝(φr,θr)，φr,θr分别表示接收端的方位角和俯仰角，pn＝[xn,yn,zn]T为第n个接收天线的位置，x,y,z是三维坐标，r(Θr)＝[sin(φr)cos(θr),sin(φr)sin(θr),cos(θr)]T；
4、从Fa的候选集合
Figure BDA00036091855200001012
中依次选择候选模拟预编码矩阵，计算发送端的数字预编码矩阵
Figure BDA00036091855200001013
再计算出频谱效率
Figure BDA00036091855200001014
在计算出的CF个频谱效率中选择出最大的频谱效率，将其对应的候选模拟预编码矩阵作为发送端最佳模拟预编码矩阵Fa，对应的数字预编码矩阵作为发送端最佳数字预编码矩阵Fb；
5、从Wa的候选集合
Figure BDA0003609185520000111
中依次选择候选模拟合并矩阵，计算接收端的数字合并矩阵
Figure BDA0003609185520000112
其中
Figure BDA0003609185520000113
再计算出频谱效率
Figure BDA0003609185520000114
在计算出的CW个频谱效率中选择出最大的频谱效率，将其对应的候选模拟合并矩阵作为接收端最佳模拟合并矩阵Wa，对应的数字合并矩阵作为接收端最佳数字合并矩阵Wb。
混合预编码的深度学习模型的搭建：
如图4所示，混合预编码的深度学习模型由卷积神经网络和全连接网络构成，其中前两层为卷积层，后四层为全连接层，每个卷积层后都进行批量归一化，激活函数为Relu，卷积核数目为64，卷积核大小为2×2。四个全连接层的维度依次为1024、1024、1024、Q，激活函数为Relu，其中
Figure BDA0003609185520000115
Nt为发送端天线数，
Figure BDA0003609185520000116
为发送端射频链路数，Nr为接收端天线数，
Figure BDA0003609185520000117
为接收端射频链路数。
混合预编码的深度学习模型的数据集制作：
混合预编码的深度学习模型的数据集的输入X设置为信道矩阵H的实部和虚部，即
Figure BDA0003609185520000118
其中
Figure BDA0003609185520000119
分别表示对信道矩阵H取实部、虚部；数据集的输出设置为
Figure BDA0003609185520000121
其中∠表示将复数变换为角度，vecT()表示将矩阵向量化并转置。
混合预编码的深度学习模型的训练：
训练模型时，损失函数设置为均方误差
Figure BDA0003609185520000122
其中
Figure BDA0003609185520000123
为模型输出数据，
Figure BDA0003609185520000124
为标签，N为训练样本个数，学习率为0.0005，衰减因子为0.95，epoch设置为600。
压缩重建的深度学习模型的搭建：
如图5所示，压缩重建的深度学习模型由6层全连接网络构成，其中第1层为全连接层，维度设置为1024，激活函数为Relu，第2层为全连接层，维度为反馈信息压缩的长度S，无激活函数，3、4、5层为全连接层，维度依次为1024，1024，512，激活函数为Relu，第6层全连接层的维度为W，无激活函数，其中
Figure BDA0003609185520000125
压缩重建的深度学习模型的数据集制作：
压缩重建的深度学习模型的数据集的输入
Figure BDA0003609185520000126
设置为混合预编码深度学习模型输出的估计模拟、数字预编码矩阵，即
Figure BDA0003609185520000127
数据集的输出z设置为样本模拟、数字预编码矩阵，即
Figure BDA0003609185520000128
压缩重建的深度学习模型的训练：
训练压缩重建的深度学习模型时，损失函数设置为均方误差
Figure BDA0003609185520000131
使用ADAM优化器来更新网络参数，其中
Figure BDA0003609185520000132
为压缩重建深度学习模型的输出数据，
Figure BDA0003609185520000133
为标签，M为训练样本个数，学习率设置为0.0001，衰减因子为0.9，epoch设置为300。
压缩重建的深度学习模型的拆分与权重的加载：
将训练完成的压缩重建的深度学习模型拆分为压缩网络
Figure BDA0003609185520000134
和重建网络
Figure BDA0003609185520000135
其中
Figure BDA0003609185520000136
为压缩重建深度学习模型的1-2层，
Figure BDA0003609185520000137
为压缩重建深度学习模型的3-6层，将
Figure BDA0003609185520000138
和
Figure BDA0003609185520000139
及其网络权重Ωcp、Ωrc分别部署在接收端和发送端。
线上预测阶段混合预编码和合并矩阵的获取：
发送端的重建模拟、数字的预编码矩阵为
Figure BDA00036091855200001310
将
Figure BDA00036091855200001311
变换成
Figure BDA00036091855200001312
的矩阵，将矩阵元素的角度变换为复数形式，得到模拟预编码矩阵
Figure BDA00036091855200001313
将
Figure BDA00036091855200001314
变换为
Figure BDA00036091855200001315
的矩阵形式，将实部与虚部结合，得到数字预编码矩阵
Figure BDA00036091855200001316
发送端根据
Figure BDA00036091855200001317
对发送信号进行处理。
接收端生成的实时模拟、数字的预编码矩阵和合并矩阵为
Figure BDA00036091855200001318
将
Figure BDA00036091855200001319
变换成
Figure BDA00036091855200001320
的矩阵，将矩阵元素的角度变换为复数形式，得到模拟预编码矩阵
Figure BDA00036091855200001321
将
Figure BDA00036091855200001322
变换为
Figure BDA00036091855200001323
的矩阵形式，将实部与虚部结合，得到数字预编码矩阵
Figure BDA00036091855200001324
接收端根据
Figure BDA00036091855200001325
对接收信号进行处理。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (9)

1.一种基于深度学习的混合预编码和反馈方法，由离线训练阶段和在线预测阶段两部分实现；其特征在于，离线训练阶段包括如下步骤：
S11：接收端获取样本信道状态信息，计算样本信道矩阵的样本模拟、数字的预编码矩阵和合并矩阵；
S12：构建混合预编码的深度学习模型，制作数据集，训练混合预编码的深度学习模型；
S13：混合预编码的深度学习模型训练完成后，将样本信道矩阵输入混合预编码的深度学习模型中，得到估计模拟、数字的预编码矩阵和合并矩阵；
S14：构建压缩重建的深度学习模型，制作数据集，训练压缩重建的深度学习模型；
所述步骤S14中，压缩重建的深度学习模型由6层全连接网络构成，其中第1层为全连接层，维度设置为1024，激活函数为Relu，第2层为全连接层，维度为反馈信息压缩的长度S，无激活函数，3、4、5层为全连接层，维度依次为1024，1024，512，激活函数为Relu，第6层全连接层的维度为W，无激活函数，其中
Figure FDA0004078849070000011
NS为数据流数，Nt为发送端天线数，
Figure FDA0004078849070000012
为发送端射频链路数；
S15：将训练完成的压缩重建的深度学习模型拆分为压缩网络和重建网络，将混合预编码深度学习模型、压缩网络及其权重部署在接收端，重建网络及其权重部署在发送端；
所述步骤S15中，将训练完成的压缩重建的深度学习模型拆分为压缩网络Pcp和重建网络Prc，其中Pcp为压缩反馈网络的1-2层，Prc为压缩反馈网络的3-6层，将Pcp及其网络权重Ωcp部署在接收端，将Prc及其网络权重Ωrc部署在发送端；
在线预测阶段包括如下步骤：
S21：接收端获取实时的信道状态信息，将实时信道矩阵输入混合预编码的深度学习模型，得到实时信道的模拟、数字的预编码矩阵和合并矩阵；
S22：将实时信道的模拟、数字预编码矩阵输入压缩网络，得到压缩后的模拟、数字预编码矩阵，将压缩后的模拟、数字预编码矩阵反馈至发送端；
S23：发送端将接收到的反馈信息送入重建网络，得到重建的模拟、数字预编码矩阵，根据重建的模拟、数字预编码矩阵对发送数据进行混合预编码，将预编码后的数据发送至接收端；
S24：接收端根据实时信道的模拟、数字的合并矩阵，对接收的数据进行处理。
2.根据权利要求1所述的一种基于深度学习的混合预编码和反馈方法，其特征在于，所述步骤S11中，样本信道矩阵的样本模拟、数字的预编码矩阵和合并矩阵的计算如下：
T1、对信道矩阵H进行奇异值分解，即svd(H)＝UΣVH，其中U、V分别为H的左、右奇异值矩阵，Σ是对角矩阵；取矩阵V的前NS列作为发送端的最优预编码矩阵Fopt，即
Figure FDA0004078849070000021
其中NS为数据流数；根据
Figure FDA0004078849070000022
得到接收端的最优合并矩阵Wopt，其中ρ为发送端的发送功率，
Figure FDA0004078849070000023
为噪声功率，
Figure FDA0004078849070000024
为单位矩阵，()H表示共轭转置，()-1表示取逆；
T2、从Npath个发送端方向向量at(Θt)中选取
Figure FDA0004078849070000025
个组合成发送端模拟预编码矩阵Fa的候选矩阵
Figure FDA0004078849070000026
共可组合成
Figure FDA0004078849070000027
个候选矩阵，将CF个候选矩阵组成发送端模拟预编码矩阵Fa的候选集合
Figure FDA0004078849070000031
其中cF＝1,2,...,CF，
Figure FDA0004078849070000032
Npath为信道H的多径数，
Figure FDA0004078849070000033
为发送端RF链数，方向向量at(Θt)中的第n个元素
Figure FDA0004078849070000034
Θt＝(φt,θt)，φt,θt分别表示发送端的方位角和俯仰角，pn＝[xn,yn,zn]T为第n个发送天线的位置，x,y,z是三维坐标，r(Θt)＝[sin(φt)cos(θt),sin(φt)sin(θt),cos(θt)]T，λ为波长，()T表示转置；
T3、从Npath个接收端方向向量ar(Θr)中选取
Figure FDA0004078849070000035
个构成接收端模拟合并矩阵Wa的候选矩阵
Figure FDA0004078849070000036
共可组合成
Figure FDA0004078849070000037
个候选矩阵，将CW个候选矩阵组成接收端模拟合并矩阵Wa的候选集合
Figure FDA0004078849070000038
其中cW＝1,2,...,CW，
Figure FDA0004078849070000039
为接收端RF链数，方向向量ar(Θr)中的第n个元素
Figure FDA00040788490700000310
Θr＝(φr,θr)，φr,θr分别表示接收端的方位角和俯仰角，qn＝[xn,yn,zn]T为第n个接收天线的位置，x,y,z是三维坐标，r(Θr)＝[sin(φr)cos(θr),sin(φr)sin(θr),cos(θr)]T；
T4、从Fa的候选集合Fa中依次选择候选模拟预编码矩阵，计算发送端的数字预编码矩阵
Figure FDA00040788490700000311
再计算出频谱效率
Figure FDA00040788490700000312
在计算出的CF个频谱效率中选择出最大的频谱效率，将其对应的候选模拟预编码矩阵作为发送端最佳模拟预编码矩阵Fa，对应的数字预编码矩阵作为发送端最佳数字预编码矩阵Fb；
T5、从Wa的候选集合Wa中依次选择候选模拟合并矩阵，计算接收端的数字合并矩阵
Figure FDA0004078849070000041
其中
Figure FDA0004078849070000042
再计算出频谱效率
Figure FDA0004078849070000043
在计算出的CW个频谱效率中选择出最大的频谱效率，将其对应的候选模拟合并矩阵作为接收端最佳模拟合并矩阵Wa，对应的数字合并矩阵作为接收端最佳数字合并矩阵Wb。
3.根据权利要求1所述的一种基于深度学习的混合预编码和反馈方法，其特征在于，所述步骤S12中，混合预编码的深度学习模型由卷积神经网络和全连接网络构成，其中前两层为卷积层，后四层为全连接层，每个卷积层后都进行批量归一化，激活函数为Relu，卷积核数目为64，卷积核大小为2×2；四个全连接层的维度依次为1024、1024、1024、Q，激活函数为Relu，其中
Figure FDA0004078849070000044
NS为数据流数，Nt为发送端天线数，
Figure FDA0004078849070000045
为发送端射频链路数，Nr为接收端天线数，
Figure FDA0004078849070000046
为接收端射频链路数。
4.根据权利要求1所述的一种基于深度学习的混合预编码和反馈方法，其特征在于，所述步骤S12中，混合预编码的深度学习模型数据集的输入X设置为信道矩阵H的实部和虚部，即
Figure FDA0004078849070000047
其中
Figure FDA0004078849070000048
分别表示对信道矩阵H取实部、虚部；数据集的输出设置为
Figure FDA0004078849070000049
其中Fa为发送端最佳模拟预编码矩阵，Fb为发送端最佳数字预编码矩阵，Wa为接收端最佳模拟合并矩阵，Wb为接收端最佳数字合并矩阵，∠表示将复数变换为角度，vecT()表示将矩阵向量化并转置。
5.根据权利要求1所述的一种基于深度学习的混合预编码和反馈方法，其特征在于，所述步骤S12中，训练混合预编码的深度学习模型时，损失函数设置为均方误差
Figure FDA0004078849070000051
其中
Figure FDA0004078849070000052
为模型输出数据，
Figure FDA0004078849070000053
为标签，Fa为发送端最佳模拟预编码矩阵，Fb为发送端最佳数字预编码矩阵，Wa为接收端最佳模拟合并矩阵，Wb为接收端最佳数字合并矩阵，
Figure FDA0004078849070000054
为估计模拟预编码矩阵，
Figure FDA0004078849070000055
为估计数字预编码矩阵，
Figure FDA0004078849070000056
为估计模拟合并矩阵，
Figure FDA0004078849070000057
为估计数字合并矩阵，N为训练样本个数，学习率为0.0005，衰减因子为0.95，epoch设置为600。
6.根据权利要求1所述的一种基于深度学习的混合预编码和反馈方法，其特征在于，所述步骤S14中，压缩重建的深度学习模型数据集的输入
Figure FDA00040788490700000512
设置为混合预编码深度学习模型输出的估计模拟、数字预编码矩阵，即
Figure FDA0004078849070000058
数据集的输出z设置为样本模拟、数字预编码矩阵，即
Figure FDA0004078849070000059
其中Fa为发送端最佳模拟预编码矩阵，Fb为发送端最佳数字预编码矩阵，
Figure FDA00040788490700000510
为估计模拟预编码矩阵，
Figure FDA00040788490700000511
为估计数字预编码矩阵。
7.根据权利要求1所述的一种基于深度学习的混合预编码和反馈方法，其特征在于，所述步骤S14中，训练压缩重建的深度学习模型时，损失函数设置为均方误差
Figure FDA0004078849070000061
使用ADAM优化器来更新网络参数，其中
Figure FDA0004078849070000062
为压缩重建的深度学习模型的输出数据，
Figure FDA0004078849070000063
为标签，Fa为发送端最佳模拟预编码矩阵，Fb为发送端最佳数字预编码矩阵，M为训练样本个数，学习率设置为0.0001，衰减因子为0.9，epoch设置为300。
8.根据权利要求1所述的一种基于深度学习的混合预编码和反馈方法，其特征在于，所述步骤S23中，发送端的估计模拟、数字的预编码矩阵为
Figure FDA0004078849070000064
将
Figure FDA0004078849070000065
变换成
Figure FDA0004078849070000066
的矩阵，其中Nt为发送端天线数，
Figure FDA0004078849070000067
为发送端射频链路数，将矩阵元素的角度变换为复数形式，得到估计模拟预编码矩阵
Figure FDA0004078849070000068
将
Figure FDA0004078849070000069
变换为
Figure FDA00040788490700000610
的矩阵形式，其中NS为数据流数，将实部与虚部结合，得到估计数字预编码矩阵
Figure FDA00040788490700000611
发送端根据
Figure FDA00040788490700000612
对发送信号进行处理。
9.根据权利要求1所述的一种基于深度学习的混合预编码和反馈方法，其特征在于，所述步骤S24中，实时模拟、数字的预编码矩阵和合并矩阵为
Figure FDA00040788490700000613
将
Figure FDA00040788490700000614
变换成
Figure FDA00040788490700000615
的矩阵，其中Nr为接收端天线数，
Figure FDA00040788490700000616
为接收端射频链路数，将矩阵元素的角度变换为复数形式，得到估计模拟合并矩阵
Figure FDA00040788490700000617
将
Figure FDA00040788490700000618
变换为
Figure FDA00040788490700000619
的矩阵形式，其中NS为数据流数，将实部与虚部结合，得到估计数字合并矩阵
Figure FDA00040788490700000620
接收端根据
Figure FDA00040788490700000621
对接收信号进行处理。
CN202210428661.9A 2022-04-22 2022-04-22 一种基于深度学习的混合预编码和反馈方法 Active CN114844541B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210428661.9A CN114844541B (zh) 2022-04-22 2022-04-22 一种基于深度学习的混合预编码和反馈方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210428661.9A CN114844541B (zh) 2022-04-22 2022-04-22 一种基于深度学习的混合预编码和反馈方法

Publications (2)

Publication Number Publication Date
CN114844541A CN114844541A (zh) 2022-08-02
CN114844541B true CN114844541B (zh) 2023-04-07

Family

ID=82566546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210428661.9A Active CN114844541B (zh) 2022-04-22 2022-04-22 一种基于深度学习的混合预编码和反馈方法

Country Status (1)

Country Link
CN (1) CN114844541B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115473553B (zh) * 2022-08-03 2024-04-23 华中科技大学 一种智能抑制波束斜视的方法、装置及电子设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113300746A (zh) * 2021-05-24 2021-08-24 内蒙古大学 毫米波mimo天线与混合波束成形优化方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111092641B (zh) * 2019-12-18 2022-02-22 重庆邮电大学 基于毫米波mimo系统深度学习的混合预编码设计方法
CN111630787B (zh) * 2020-04-07 2022-12-20 东莞理工学院 基于深度学习的mimo多天线信号传输与检测技术
CN113347123B (zh) * 2021-05-31 2023-03-28 北京理工大学 一种基于模型驱动的混合mimo系统信道估计与反馈网络
CN113691288B (zh) * 2021-08-23 2022-04-19 北京理工大学 基于深度学习的联合导频、反馈、多用户混合编码方法
CN113839697B (zh) * 2021-09-23 2022-06-28 南通大学 一种基于深度学习的联合反馈和混合预编码设计方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113300746A (zh) * 2021-05-24 2021-08-24 内蒙古大学 毫米波mimo天线与混合波束成形优化方法及系统

Also Published As

Publication number Publication date
CN114844541A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
WO2021203242A1 (zh) 基于深度学习的mimo多天线信号传输与检测技术
CN109672464B (zh) 基于fcfnn的大规模mimo信道状态信息反馈方法
CN112737985B (zh) 基于深度学习的大规模mimo信道联合估计和反馈方法
Liao et al. CSI feedback based on deep learning for massive MIMO systems
CN113839697B (zh) 一种基于深度学习的联合反馈和混合预编码设计方法
CN110557177A (zh) 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法
CN108736943B (zh) 一种适用于大规模mimo系统的混合预编码方法
CN112260737B (zh) 总能效与最小能效权衡的多波束卫星通信鲁棒预编码方法
EP1568155A2 (en) Low complexity beamformers for multiple transmit and receive antennas
CN106571858B (zh) 一种混合波束成形传输系统
CN113972939B (zh) 基于双时间尺度和深度学习的天线系统预编码方法和装置
CN107809275B (zh) 一种基于毫米波mimo系统的有限反馈混合预编码方法
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
CN112600596B (zh) 基于张量并行压缩的毫米波系统信道反馈方法
CN116248156A (zh) 基于深度学习的大规模mimo信道状态信息反馈及重建方法
CN114844541B (zh) 一种基于深度学习的混合预编码和反馈方法
CN115865145A (zh) 一种基于Transformer的大规模MIMO信道状态信息反馈方法
CN113572503B (zh) 一种低复杂度的基于gp的改进混合波束成形方法
CN110768704A (zh) 基于残差神经网络的混合波束赋形矩阵优化方法
CN112054826B (zh) 一种基于中间信道的单用户低复杂度混合预编码方法
CN116405077A (zh) 一种基于深度学习的大规模mimo混合波束赋形方法
CN107733487B (zh) 一种大规模多输入多输出系统的信号检测方法及装置
CN115694767A (zh) 一种基于Transformer的联合导频设计、反馈和信道估计方法
CN104993859A (zh) 一种适用于时间异步环境下的分布式波束赋形方法
CN115085782B (zh) 基于深度学习的智能反射面联合反馈和混合预编码方法

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