CN114866119B - 一种非完美信道状态信息条件下的混合波束成形方法 - Google Patents
一种非完美信道状态信息条件下的混合波束成形方法 Download PDFInfo
- Publication number
- CN114866119B CN114866119B CN202210401317.0A CN202210401317A CN114866119B CN 114866119 B CN114866119 B CN 114866119B CN 202210401317 A CN202210401317 A CN 202210401317A CN 114866119 B CN114866119 B CN 114866119B
- Authority
- CN
- China
- Prior art keywords
- matrix
- channel
- encoder
- network
- self
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 107
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000012512 characterization method Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 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
- H04B7/06—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
- H04B7/0617—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 for beam forming
-
- 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
- H04B7/063—Parameters other than those covered in groups H04B7/0623 - H04B7/0634, e.g. channel matrix rank or transmit mode selection
-
- 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
- H04B7/0632—Channel quality parameters, e.g. channel quality indicator [CQI]
-
- 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
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
- H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
- H04B7/0842—Weighted combining
- H04B7/0848—Joint weighting
- H04B7/0851—Joint weighting using training sequences or error signal
-
- 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
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
- H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
- H04B7/0842—Weighted combining
- H04B7/086—Weighted combining using weights depending on external parameters, e.g. direction of arrival [DOA], predetermined weights or beamforming
-
- 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)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Radio Transmission System (AREA)
Abstract
本发明公开了一种非完美信道状态信息条件下的混合波束成形方法，包括如下步骤：(1)对于完美的信道矩阵，通过加入噪声矩阵对原矩阵进行破坏，得到非完美的信道矩阵；(2)利用自编码器的原理，将得到的非完美信道矩阵作为输入，完美的信道矩阵作为标签，通过反向传播进行训练，构建信道特征提取网络；(3)利用训练好的基于自编码器的特征提取网络，经过编码器的一次前向传播进行信道编码，即可提取得到信道矩阵的特征矩阵；(4)将信道特征矩阵输入到网络进行混合波束成形。本发明有效利用毫米波信道矩阵的稀疏特性，利用自编码器进行信道特征提取，解决了非完美信道状态信息条件下噪声对混合波束成形频谱效率的影响。
Description
技术领域
本发明涉及波束成形技术领域，具体涉及到一种非完美信道状态信息条件下的混合波束成形方法。
背景技术
第五代移动通信技术(简称5G)是最新一代蜂窝移动通信技术。5G的性能目标是高数据速率、减少延迟、节省能源、降低成本、提高系统容量和大规模设备连接。毫米波频段对于实现第五代移动通信技术(5G)、自动驾驶汽车和物联网至关重要。毫米波(mm-Wave)波段，正式定义为频率范围30-300Ghz，结合大规模阵列天线，具有提供高数据速率、提高频谱效率和信号覆盖的潜力。然而，由于毫米波的波长随频率的升高而减小且传播环境更为复杂，所以毫米波传播具有更高的散射、严重的穿透损耗、更低的衍射，以及对固定发射机和接收机增益更高的路径损耗。这些损失通过在发射机和接收机上大量天线提供波束形成功率增益来补偿。一方面，毫米波的宽带宽为5G通信提供更高的数据速率。然而另一方面，由于奈奎斯特采样率是基带带宽的两倍，毫米波接收机需要昂贵的、高速率模数转换器(ADCs)。ADCs随着采样频率的增加而增加，对于给定的架构，在高频时更是如此。为了减少这些成本、功耗和硬件开销，同时提供合理的性能，混合波束形成技术已被提出用于大规模MIMO系统。
进行混合波束成形矩阵设计的前提是获得毫米波传输信道的状态信息参数，但是在大规模MIMO场景下面临着高维信道矩阵，获取完美的信道状态信息(Channel StateInformation，CSI)变得不切实际，需要付出巨大的计算复杂度和导频开销。目前对混合波束成形的研究主要有两种思路：第一种基于理想信道条件，从理论分析角度出发，假设已经获得完整CSI，然后开展后续工作，这对研究混合波束成形的理论性能以及最优方案是有意义的；另外一种基于非完美信道条件的研究，此时通信信道由信道估计算法得出，由于估计过程存在误差，所以实际的非完美信道矩阵通常都是伴有噪声的。混合波束成形的效果依赖于完美的信道状态信息，本发明将针对实际的非完美信道矩阵条件，进行降噪处理，以获取接近完美信道状态信息的混合波束成形效果。
发明内容
本发明基于非完美的信道状态信息，提出了深度学习波束成形算法，解决信道状态信息不完善时，混合波束成形频谱效率损失严重的问题。本发明设计了一种结合自编码器和ResNet-18(18层残差网络)的毫米波混合波束成形方法，解决现有基于深度学习的毫米波混合波束成形方法严重依赖于完美的信道状态信息的技术问题，有效的实现非完美信道条件下混合波束成形设计。由于毫米波环境下信道矩阵具有稀疏特性，对于不完美的信道矩阵，利用自编码器对信道矩阵进行编码，提取自编码器的信道编码，即提取信道矩阵的主要特征，然后将提取到的信道特征输入到后续混合波束成形网络进行训练，获取满足要求的混合波束成形矩阵。混合波束成形网络采用18层的深度残差网络实现，通过对ResNet-18网络输出的预测矩阵进行约束处理，使其满足模拟移相器的恒模约束和发射端的总功率约束，从而得到满足约束要求的混合波束成形矩阵。
为达上述目的，本发明采用如下技术方案。
一种非完美信道状态信息条件下的混合波束成形方法，其特征在于，包括如下步骤：
步骤1：对于完美的信道矩阵，通过加入噪声矩阵对原矩阵进行破坏，即可得到非完美的信道矩阵，为自编码器的训练和测试提供数据；
步骤2：利用自编码器的原理，将得到的非完美信道矩阵作为输入，完美的信道矩阵作为标签，通过反向传播进行训练，构建信道特征提取网络；
步骤3：利用步骤2中训练好的基于自编码器的特征提取网络，经过编码器的一次前向传播进行信道编码，即可提取得到信道矩阵的特征矩阵；
步骤4：将步骤3中得到的信道特征矩阵输入到ResNet-18网络进行混合波束成形。
进一步地，步骤1中在噪声的干扰下，完美的信道矩阵产生了形状畸变。
进一步地，步骤1中考虑到信道估计的过程中，由于随机噪声的引入，使得估计的信道矩阵不准确，因此，对完美的信道矩阵叠加同样的随机噪声，即可得到被噪声破坏的非完美信道矩阵。
进一步地，叠加的噪声矩阵SNRH＝20dB，20dB即完美信道矩阵方差是信道矩阵的方差的10倍，SNRH定义如下：
其中，σH表示信道矩阵的方差，σN表示加入噪声矩阵的方差。
进一步地，步骤2中自编码器通过拟合输出和输入，利用参数设置不同的神经网络结构，获取输入在不同层次的潜在表征。
进一步地，步骤2中构建自编码器的方法，包括以下步骤：
(1)构建编码器：自编码神经网络的编码器可以对输入数据进行压缩编码，提取出输入数据最重要的特征；
(2)构建解码器：解码器将编码器的编码结果解压得到输出；
(3)设置损失函数：自编码器的损失函数可以设置为输入数据与输出数据的平均均方误差。通过反向传播进行训练，损失不断下降，直至网络收敛。
进一步地，步骤4中采用ResNet-18网络作为毫米波混合波束成形的基干网络。将信道矩阵的实部和虚部/>作为网络的两个输入通道输入到神经网络结构，以全数字波束成形矩阵作为网络预测的标签，通过训练就得到网络预测的混合波束成形矩阵/>和
进一步地，神经网络输出的射频移相器矩阵和基带数字波束成形矩阵是无约束的，混合波束成形中移相器能进行相位调整，基带数字波束成形器存在发射端的功率约束，在神经网络优化的过程中，需要加入满足混合波束成形的条件约束，以完成混合波束成形的设计。
进一步地，移相器的恒模约束表示为：
基带波束成形器功率约束表示为：
式中，和/>分别表示模拟波束成形器和基带数字波束成形器。
与现有技术相比，本发明的有益效果是：
(1)有效利用毫米波信道矩阵的稀疏特性，利用自编码器进行信道特征提取，解决了非完美信道状态信息条件下噪声对混合波束成形频谱效率的影响。
(2)深度残差网络能够很好地解决传统卷积网络层数过多产生的网络退化问题，通过恒模约束和功率约束，深度残差网络得到频谱效率更优的混合波束成形频谱效率。
(3)自编码器网络的特征提取模块和深度残差网络的混合波束成形模块两部分网络分开训练拟合，不会增加训练过程中的各自的计算复杂度。
(4)本发明提出的方法能够同时解决上述的两个缺点：深度残差网络以最优数字波束成形直接作为标签，克服了当前神经网络以优化方法作为标签的性能瓶颈问题，并且条件约束的深度残差网络能严格满足混合波束成形的约束条件。
附图说明
图1为本发明设计的非完美信道条件下混合波束成形解决方案流程框图。
图2为本发明设计的基于自编码器的特征提取网络示意图。
图3为本发明非完美信道条件下基于特征提取网络的混合波束成形的总图。图中主要包括ResNet-18基干网络、特征提取网络、恒模约束与功率约束模块。
图4为信道矩阵和噪声矩阵叠加示意图。其中，左图为信道矩阵实部数据叠加示意图，右图为信道矩阵实部数据叠加示意图。
图5为自编码器训练测试的损失函数示意图。
图6为当发射天线为64，接收天线为16，数据流和射频链数目为2，散射体数目为4，散射体角度范围为[0，30]时的各算法的频谱效率示意图。
具体实施方式
本发明的主要思想是根据毫米波信道矩阵的稀疏特性，利用自编码器网络对信道矩阵进行特征提取，类似于主成分分析(PCA)，但是比其功能更加强大。然后将提取的特征矩阵输入到混合波束成形网络进行下一步训练。自编码器网络分为编码(encoder)和解码(decoder)两部分，经过训练后的自编码器的信道编码就是信道矩阵的主要特征。通过将特征矩阵输入到混合波束成形网络，可以避免非完美信道矩阵中的噪声的影响。混合波束成形网络由ResNet-18网络作为基干网络，该网络以全数字波束成形矩阵作为标签，通过移相器的恒模约束和发送功率约束对网络预测矩阵进行约束，从而获取满足混合波束成形架构的矩阵。如图1所示，一种非完美信道状态信息条件下的混合波束成形方法，包括如下步骤：
步骤1：对于完美的信道矩阵，通过加入噪声矩阵对原矩阵进行破坏，即可得到非完美的信道矩阵，为自编码器的训练和测试提供数据。完美信道与信道矩阵叠加效果如图4所示，由图4可见在噪声的干扰下，完美信道矩阵产生了形状畸变。
考虑到信道估计的过程中，由于随机噪声的引入，使得估计的信道矩阵不准确，因此，对完美的信道矩阵叠加同样的随机噪声，即可得到被噪声破坏的非完美信道矩阵。本发明加入SNRH＝20dB(20dB即完美信道矩阵方差是信道矩阵的方差的10倍)的高斯噪声作为噪声矩阵，SNRH定义如下：
其中，σH表示信道矩阵的方差，σN表示加入噪声矩阵的方差。
步骤2：利用自编码器的原理，将得到的非完美信道矩阵作为输入，完美的信道矩阵作为标签，通过反向传播进行训练，构建信道特征提取网络。
利用自编码器模型对步骤1中的信道样本进行训练。自编码器通过拟合输出和输入，利用参数设置不同的神经网络结构，可以获取输入在不同层次的潜在表征。从自编码器获得有用特征表征的一种方法是将编码器的输出维度限制为小于输入的维度，在这种情况下，自编码器是不完整的。通过训练不完整的数据表示，可以强制自编码器学习训练数据的最显著特征，从而忽略数据中的干扰信息。理想情况下，针对特定的输入数据，通过设置特定的约束条件和容量，自编码器可以训练出对应的网络模型。由于自编码器具有上述特点，所以其可作为强大的特征提取器(feature detectors)，应用于深度神经网络输入数据的特征提取。通过数据样本的自动学习，自编码器将提取最重要的特征并学习数据鲁棒的表示，构建自编码器的具体步骤如下：
(1)构建编码器：自编码神经网络的编码器可以对输入数据进行压缩编码，提取出输入数据最重要的特征；
(2)构建解码器：解码器将编码器的编码结果解压得到输出；
(3)设置损失函数：自编码器的损失函数可以设置为输入数据与输出数据的平均均方误差。通过反向传播进行训练，损失不断下降，直至网络收敛。
自编码器训练测试误差损失如图5所示。由图5可见，当迭代步数为20步时，特征提取网络已经达到了初步收敛的状态。当迭代步数到达50时，网络已经得到了很好的收敛，并且训练误差和测试误差变化趋势相同。自编码器网络训练完成后，通过编码器编码后得到的输出就是输入数据的重要特征。实际使用中通常使用自编码器的编码器部分作为数据的特征提取器。基于自编码器的特征提取网络如图2。
步骤3：利用步骤2中训练好的基于自编码器的特征提取网络，经过编码器的一次前向传播进行信道编码，即可提取得到信道矩阵的特征矩阵。
根据步骤2，训练好的特征提取网路可以对信道矩阵进行特征提取。由于非完美信道条件下，信道矩阵伴随着噪声，将信道矩阵输入特征提取网络有利于提取信道的稀疏特性，忽略不重要的噪声部分，从而达到降噪的效果。将信道矩阵输入到特征提取网络，通过编码器编码后的数据就是信道的特征矩阵。
步骤4：将步骤3中得到的信道特征矩阵输入到ResNet-18网络进行混合波束成形。由于特征提取作为输入，所以不会增加后续网络训练的复杂度。将本发明方法与完美信道状态信息下的混合波束成形频谱效率以及传统优化混合波束成形方法进行对比，如图6所示，由图6可以看到，横向比较时，本文提出的算法非完美信道ResNet-18优于非完美信道下的传统优化算法(MO算法)；纵向比较时，本文提出的算法相比完美信道ResNet-18的性能衰减较小，鲁棒性好，而传统的最优算法——MO算法的性能则产生了非常明显的下降。可见该显示的仿真结果可以证明本发明具有良好的鲁棒性。
深度残差网络相较于其他卷积神经网络，有非常大的优势。残差网络应用恒等映射，通过不断添加残差模块，构建出深层的深度网络，进而可以获得更好的训练参数。残差单元内部使用了短路连接，缓解了在深度神经网络中增加深度带来了梯度消失的问题。深度残差网络通过直接将输入信息绕道传到输出，保护了信息的完整性，整个网络只需要学习输入和输出的差别部分，简化了学习的难度。
根据以上深度残差网络所具有的优势，本发明采用ResNet-18网络作为毫米波混合波束成形的基干网络。将信道矩阵的实部和虚部/>作为网络的两个输入通道输入到神经网络结构，以全数字波束成形矩阵作为网络预测的标签，通过训练就得到网络预测的混合波束成形矩阵/>和/>由于神经网络输出的射频移相器矩阵和基带数字波束成形矩阵本身是无约束的，考虑到混合波束成形中移相器本身只能进行相位调整，而基带数字波束成形器也存在发射端的功率约束，因此在神经网络优化的过程中，需要加入满足混合波束成形的条件约束，以完成混合波束成形的设计。图3展示了满足条件约束的混合波束成形网络结构。
移相器的恒模约束可以表示为：
基带波束成形器功率约束可以表示为：
式中，和/>分别表示模拟波束成形器和基带数字波束成形器。
通过移相器的恒模约束和基带波束成形器功率约束，神经网络可以保证输出满足混合波束成形矩阵的条件约束。本发明提出的方法能够同时解决上述的两个缺点：深度残差网络以最优数字波束成形直接作为标签，克服了当前神经网络以优化方法作为标签的性能瓶颈问题，并且条件约束的深度残差网络能严格满足混合波束成形的约束条件。
虽然结合附图对本发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可作出的各种修改和变形仍属本专利的保护范。
Claims (7)
1.一种非完美信道状态信息条件下的混合波束成形方法，其特征在于，包括如下步骤：
步骤1：对于完美的信道矩阵，通过加入噪声矩阵对原矩阵进行破坏，即可得到非完美的信道矩阵，为自编码器的训练和测试提供数据；
步骤2：利用自编码器的原理，将得到的非完美信道矩阵作为输入，完美的信道矩阵作为标签，通过反向传播进行训练，构建信道特征提取网络；
步骤3：利用步骤2中训练好的基于自编码器的特征提取网络，经过编码器的一次前向传播进行信道编码，即可提取得到信道矩阵的特征矩阵；
步骤4：将步骤3中得到的信道特征矩阵输入到ResNet-18网络进行混合波束成形；
步骤4中采用ResNet-18网络作为毫米波混合波束成形的基干网络，将信道矩阵的实部和虚部/>作为网络的两个输入通道输入到神经网络结构，以全数字波束成形矩阵作为网络预测的标签，通过训练就得到网络预测的混合波束成形矩阵/>和/>
2.根据权利要求1所述的非完美信道状态信息条件下的混合波束成形方法，其特征在于，步骤1中在噪声的干扰下，完美的信道矩阵产生形状畸变。
3.根据权利要求1所述的非完美信道状态信息条件下的混合波束成形方法，其特征在于，步骤1中考虑到信道估计的过程中，由于随机噪声的引入，使得估计的信道矩阵不准确，因此，对完美的信道矩阵叠加同样的随机噪声，即可得到被噪声破坏的非完美信道矩阵。
4.根据权利要求1所述的非完美信道状态信息条件下的混合波束成形方法，其特征在于，步骤2中自编码器通过拟合输出和输入，利用参数设置不同的神经网络结构，获取输入在不同层次的潜在表征。
5.根据权利要求1所述的非完美信道状态信息条件下的混合波束成形方法，其特征在于，步骤2中构建自编码器的方法，包括以下步骤：
(1)构建编码器：自编码神经网络的编码器可以对输入数据进行压缩编码，提取出输入数据最重要的特征；
(2)构建解码器：解码器将编码器的编码结果解压得到输出；
(3)设置损失函数：自编码器的损失函数可以设置为输入数据与输出数据的平均均方误差，通过反向传播进行训练，损失不断下降，直至网络收敛。
6.根据权利要求1所述的非完美信道状态信息条件下的混合波束成形方法，其特征在于，神经网络输出的射频移相器矩阵和基带数字波束成形矩阵是无约束的，混合波束成形中移相器能进行相位调整，基带数字波束成形器存在发射端的功率约束，在神经网络优化的过程中，需要加入满足混合波束成形的条件约束，以完成混合波束成形的设计。
7.根据权利要求6所述的非完美信道状态信息条件下的混合波束成形方法，其特征在于，移相器的恒模约束表示为：
基带波束成形器功率约束表示为：
式中，和/>分别表示模拟波束成形器和基带数字波束成形器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210401317.0A CN114866119B (zh) | 2022-04-15 | 2022-04-15 | 一种非完美信道状态信息条件下的混合波束成形方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210401317.0A CN114866119B (zh) | 2022-04-15 | 2022-04-15 | 一种非完美信道状态信息条件下的混合波束成形方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114866119A CN114866119A (zh) | 2022-08-05 |
| CN114866119B true CN114866119B (zh) | 2023-09-26 |
Family
ID=82631713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210401317.0A Active CN114866119B (zh) | 2022-04-15 | 2022-04-15 | 一种非完美信道状态信息条件下的混合波束成形方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114866119B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019101792A (ja) * | 2017-12-04 | 2019-06-24 | 株式会社国際電気通信基礎技術研究所 | チャネル状態予測装置、無線通信装置、チャネル状態予測方法、および、プログラム |
| CN110381440A (zh) * | 2019-06-16 | 2019-10-25 | 西安电子科技大学 | 基于深度学习的联合rss与csi的指纹室内定位方法 |
| CN110474716A (zh) * | 2019-08-14 | 2019-11-19 | 安徽大学 | 基于降噪自编码器的scma编解码器模型的建立方法 |
| CN110535500A (zh) * | 2019-09-03 | 2019-12-03 | 电子科技大学 | 一种基于深度学习的毫米波mimo混合波束成形优化方法 |
| CN111277312A (zh) * | 2020-02-26 | 2020-06-12 | 电子科技大学 | 基于深度复数网络的固定子阵空基毫米波波束成形方法 |
| CN111313945A (zh) * | 2020-03-19 | 2020-06-19 | 东南大学 | 一种降低毫米波mimo系统峰均比的方法 |
| CN112737985A (zh) * | 2020-12-25 | 2021-04-30 | 东南大学 | 基于深度学习的大规模mimo信道联合估计和反馈方法 |
| CN112865842A (zh) * | 2021-01-04 | 2021-05-28 | 电子科技大学 | 面向5g的混合预编码器和合并器的设计方法 |
| CN113193893A (zh) * | 2021-04-30 | 2021-07-30 | 东南大学 | 毫米波大规模mimo智能混合波束成形设计方法 |
| CN113541753A (zh) * | 2021-07-20 | 2021-10-22 | 电子科技大学 | 基于复数卷积网络的混合波束成形方法 |
| WO2022017122A1 (en) * | 2020-07-24 | 2022-01-27 | Huawei Technologies Co.,Ltd. | Hybrid message-passing-algorithm-based deep learning neural network for a massive beam-forming system |
-
2022
- 2022-04-15 CN CN202210401317.0A patent/CN114866119B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019101792A (ja) * | 2017-12-04 | 2019-06-24 | 株式会社国際電気通信基礎技術研究所 | チャネル状態予測装置、無線通信装置、チャネル状態予測方法、および、プログラム |
| CN110381440A (zh) * | 2019-06-16 | 2019-10-25 | 西安电子科技大学 | 基于深度学习的联合rss与csi的指纹室内定位方法 |
| CN110474716A (zh) * | 2019-08-14 | 2019-11-19 | 安徽大学 | 基于降噪自编码器的scma编解码器模型的建立方法 |
| CN110535500A (zh) * | 2019-09-03 | 2019-12-03 | 电子科技大学 | 一种基于深度学习的毫米波mimo混合波束成形优化方法 |
| CN111277312A (zh) * | 2020-02-26 | 2020-06-12 | 电子科技大学 | 基于深度复数网络的固定子阵空基毫米波波束成形方法 |
| CN111313945A (zh) * | 2020-03-19 | 2020-06-19 | 东南大学 | 一种降低毫米波mimo系统峰均比的方法 |
| WO2022017122A1 (en) * | 2020-07-24 | 2022-01-27 | Huawei Technologies Co.,Ltd. | Hybrid message-passing-algorithm-based deep learning neural network for a massive beam-forming system |
| CN112737985A (zh) * | 2020-12-25 | 2021-04-30 | 东南大学 | 基于深度学习的大规模mimo信道联合估计和反馈方法 |
| CN112865842A (zh) * | 2021-01-04 | 2021-05-28 | 电子科技大学 | 面向5g的混合预编码器和合并器的设计方法 |
| CN113193893A (zh) * | 2021-04-30 | 2021-07-30 | 东南大学 | 毫米波大规模mimo智能混合波束成形设计方法 |
| CN113541753A (zh) * | 2021-07-20 | 2021-10-22 | 电子科技大学 | 基于复数卷积网络的混合波束成形方法 |
Non-Patent Citations (2)
| Title |
|---|
| A Deep Constrained and Synchronous Training Framework for Hybrid Precoding;Zijian Liu,Yang Luo,Yan Xu and Chunbo Luo;《IEEE COMMUNICATIONS LETTERS》;第第26卷卷(第第6期期);全文 * |
| 基于深度学习叠加CSI反馈技术研究;蔡斌;《硕士学位论文》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114866119A (zh) | 2022-08-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112737985B (zh) | 基于深度学习的大规模mimo信道联合估计和反馈方法 | |
| CN109743268B (zh) | 基于深度神经网络的毫米波信道估计和压缩方法 | |
| CN106603130B (zh) | 一种大规模mimo系统中数模混合预编码方法 | |
| CN112187323B (zh) | 混合低精度架构下基于irs的大规模mimo的级联信道估计方法 | |
| CN112290995A (zh) | 星地集成网络中基于安全能效的波束设计方法 | |
| CN112054827B (zh) | 一种基于信道等效的联合混合预编码方法 | |
| CN114828258B (zh) | 一种智能反射面辅助认知无线电系统资源分配优化方法 | |
| CN112787966B (zh) | 基于端到端的级联生成对抗网络信号解调方法 | |
| CN106972876B (zh) | 一种适用于无线通信公共信道的数模混合波束成形方法 | |
| CN113242195B (zh) | 一种低精度全数字架构下窄带毫米波mimo信道估计方法 | |
| CN110557181A (zh) | 基于毫米波mu-miso系统的符号级混合波束成形结构和设置方法 | |
| CN106941463A (zh) | 一种单比特量化mimo系统信道估计方法及系统 | |
| CN111726151A (zh) | 一种基于无线携能通信的资源分配方法与装置 | |
| CN113572503B (zh) | 一种低复杂度的基于gp的改进混合波束成形方法 | |
| CN113708811B (zh) | 一种毫米波大规模mimo系统中的混合预编码设计方法 | |
| CN114501503A (zh) | 一种通感一体化系统的能效最大化发射波束优化方法 | |
| CN114866119B (zh) | 一种非完美信道状态信息条件下的混合波束成形方法 | |
| CN107276657B (zh) | 基于并行算法的毫米波混合波束形成方法 | |
| CN109462429B (zh) | 大规模多输入多输出毫米波系统的波束域调制装置及方法 | |
| CN114844541B (zh) | 一种基于深度学习的混合预编码和反馈方法 | |
| CN116405077A (zh) | 一种基于深度学习的大规模mimo混合波束赋形方法 | |
| CN114039638B (zh) | 一种混合波束成形器与模数转换器联合设计方法 | |
| CN112165344B (zh) | 一种基于梯度下降法的混合预编码方法 | |
| CN107809399A (zh) | 一种针对量化接收信号的多天线毫米波信道估计方法 | |
| CN108347269B (zh) | 针对多天线系统的发送接收优化设计方法 |
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 |