CN114978254B - 基于ofdm系统的机器学习辅助低复杂度鲁棒预编码算法 - Google Patents

Abstract

本发明公开了一种基于OFDM系统的机器学习辅助低复杂度鲁棒预编码算法，为避免鲁棒预编码方法中的大量矩阵求逆运算和迭代运算，降低计算复杂度，搭建卷积神经网络以代替迭代运算。将信道状态信息作为输入，训练网络，从而拟合由信道状态信息到鲁棒预编码算法中关键参数拉格朗日乘子的非线性过程。通过拉格朗日乘子即可较为简单的获得最优预编码矩阵。与此同时，为了降低导频开销以及算法复杂度，仅选取上行探测时隙频谱范围内的部分子载波插入导频。同时，将本探测周期之前的三个探测周期所测量的信道状态信息同时输入神经网络中，使神经网络可以综合处理并对目前全频谱范围内子载波的预编码关键因子拉格朗日乘子实现预测和插值。

Description

基于OFDM系统的机器学习辅助低复杂度鲁棒预编码算法

技术领域

本发明属于大规模MIMO通信技术领域，尤其涉及一种基于OFDM系统的机器学习辅助低复杂度鲁棒预编码算法。

背景技术

MIMO，是指在发射端和接收端分别使用多个发射天线和接收天线，使信号通过发射端与接收端的多个天线传送和接收，从而改善通信质量。它能充分利用空间资源，通过多个天线实现多发多收，在不增加频谱资源和天线发射功率的情况下，可以成倍的提高系统信道容量。

由于对移动通信系统容量的提升效果显著，在基站侧配置大规模天线阵列的大规模多输入多输出技术，即大规模MIMO，是新一代移动通信网络的关键技术之一，也是近些年移动通信领域的研究热点。大规模MIMO的目标在于实现具有大量收发流以及其他网络容量提升技术和方法的基站，以提高峰值下行链路吞吐量，大幅改善上行链路性能以及增强覆盖能力。除了能显著提升网络容量之外，大规模MIMO还具有提高频谱效率、降低能耗、延长用户设备电池寿命、实现复杂度低于以往移动无线技术的可扩展性等其他优点。

虽然大规模MIMO能在低移动性和无移动性应用中显著改善频谱效率，但是其在高移动性应用中却不太有效。频谱效率随移动性的提升而下降的原因在于，高移动性用户设备的信道相干性及导频可用性较低，因此降低了其内的大规模MIMO系统的复用增益。

大规模MIMO由于具有多个子信道，且要求子信道间互不干扰，因此普遍采用正交频分复用技术，即OFDM系统。通过频分复用实现高速串行数据的并行传输,使得大规模MIMO具有较好的抗多径衰弱的能力，并且能够支持多用户接入。

OFDM的主要思想，是将信道分成若干正交子信道，将高速数据信号转换成并行的低速子数据流，调制到在每个子信道上进行传输。正交信号可以通过在接收端采用相关技术来分开，这样可以减少子信道之间的相互干扰。每个子信道上的信号带宽小于信道的相关带宽，因此每个子信道上可以看成平坦性衰落，从而可以消除码间串扰，而且由于每个子信道的带宽仅仅是原信道带宽的一小部分，信道均衡变得相对容易。

作为当前大规模MIMO技术的研究重点，预编码技术需要获取当前信道状态信息，因此需要信道探测技术。信道探测，是通过发射一个已知序列(探测序列)，观察信号从发射到接收如何被影响，以感知信道特征的方法。基站侧通过当前信道状态信息，可以计算下一时刻预编码矩阵。

在传统基于OFDM系统的预编码算法中，单一频率处信道状态信息只能计算出此频点下一时刻的预编码矩阵，为了对不同正交信道的所有子载波计算预编码，需要在所有频点上插入导频，因此导频利用率很低。

同时典型的预编码技术大多假定能够获取完美的信道状态信息，即CSI。然而在移动环境下，由于导频传输、信道估计、预编码矩阵计算等过程造成的处理时延，估计得到的CSI，与实际下行传输中的信道存在较大偏差。

拉格朗日乘数法是一种优化算法，主要用于解决约束优化问题，它的基本思想就是通过引入拉格朗日乘子来将含有n个变量和k个约束条件的约束优化问题转化为含有(n+k)个变量的无约束优化问题。这一思想也可以应用于求解最优预编码矩阵过程中，首先通过瞬时信道、统计信道信息、瞬时相关系数等参数求得拉格朗日乘子μ，再由此计算最优预编码矩阵。

机器学习是人工智能在近期最重要的发展之一。其主要研究内容为如何在经验学习中改善具体算法的性能。神经网络是机器学习极为重要的一类模型。

神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络”。其通常包括卷积层、线性整流层、池化层和全连接层。卷积结构可以减少深层网络占用的内存量，其三个关键的操作，其一是局部感受野，其二是权值共享，其三是池化层，有效的减少了网络的参数个数，缓解了模型的过拟合问题。

发明内容

本发明目的在于提供一种基于OFDM系统的机器学习辅助低复杂度鲁棒预编码算法,以解决传统基于OFDM系统的预编码算法需要在所有频点上插入导频，因此导频利用率很低和典型的预编码技术估计得到的CSI，与实际下行传输中的信道存在较大偏差的技术问题。

为解决上述技术问题，本发明的具体技术方案如下：

一种基于OFDM系统的机器学习辅助低复杂度鲁棒预编码算法，包括以下步骤：

步骤1、在上行信道中每个探测周期的第一个时隙中每隔一个子载波上插入一个导频，获得相应位置的信道状态信息以及信道的统计状态信息；

步骤2、将用户前三个探测周期所估计的部分子载波上的信道状态信息以及统计状态信息作为卷积神经网络的输入；

步骤3、分别对输入的参数瞬时信道实部瞬时信道虚部/>和信道耦合矩阵(1-β²)Ω_k进行卷积，其中β为瞬时相关系数，/>为瞬时信道，Ω_k为统计信道；

步骤4、将卷积结果进行合成，与信噪比一起进入全连接层；

步骤5、卷积神经网络输出拉格朗日乘子μ；

步骤6、优化网络中的权重；

步骤7、利用拉格朗日乘子μ得到预编码矩阵。

进一步的，步骤1中，采用TDD系统，在每一个探测周期的第一个时隙插入导频，用于探测信道信息；为降低导频开销，每个上行探测时隙的频率范围内仅抽选三个子载波插入导频；同时为提高预测准确率，每个探测周期拉格朗日乘子由其前三个探测周期的信道信息共同影响得出。

进一步的，最优瞬时相关系数β的取值与用户移动速度v和上行探测周期Tsrs相关，在设置不同用户具有相同的最优瞬时相关系数β的前提下，选择用户移动速度v和上行探测周期Tsrs作为输入，通过查表法找到最优的β；选择瞬时信道实部瞬时信道虚部/>信道耦合阵(1-β²)Ω_k作为卷积神经网络的具体输入，其中信道耦合矩阵由MFOCUSS算法得到。

进一步的，卷积神经网络分为输入层、卷积层、池化层、激活层、全连接层以及输出层；输入层输入待检测的数据结构；考虑到瞬时信道信息和信道耦合矩阵的数据结构不同，首先需要将信道状态信息归一化，归一化后的数据样本分别从三个输入层进入神经网络；之后，三路输入的信息分别进行多次重复的卷积、池化以及激活；卷积层对每个输入样本进行卷积运算，为了尽量降低网络的复杂度，卷积核的个数在不影响性能的前提下尽量少；池化层可减少卷积层提取的特征个数，通过池化剔除重复多余的特征；激活层的作用是引入非线性因素，在每层池化后使用Relu函数激活；在完成多次卷积、池化以及激活之后，拥有相同的数据结构的三路数据分别输入全连接层，将提取到的特征映射为预测值；与此同时，信噪比也作为一个节点参与全连接，对训练结果进行调整；最后从输出层输出的预测的结果拉格朗日乘子μ。

进一步的，p_k,m为第k个用户在第m个探测周期的预编码矩阵，μ_k,m为第k个用户在第m个探测周期的拉格朗日乘子，定义μ_m＝[μ_1,m,…,μ_K,m]^T，为第m个探测周期的拉格朗日乘子。h_k,m为第k个用户在第m个探测周期的信道矩阵，为第k个用户在第m个探测周期满足和速率最大条件时的用户速率,定义/>满足

其中为信道相关阵，表示对矩阵/>求统计平均。因此，只要确定了K个拉格朗日乘子，就可得到对应的K个预编码矩阵；

μ_k为第k个用户拉格朗日乘子，在通过网络获得μ_m后，根据拉格朗日函数的表达式

将改写为

即

令

则

最优预编码矩阵是关于矩阵对(A_m,B_k,m)的最小广义特征值对应的特征向量。

1.本发明的一种基于OFDM系统的机器学习辅助低复杂度鲁棒预编码算法，具有以下优点：本发明利用神经网络，有效降低矩阵求逆相关操作以及迭代计算的复杂度。

2.本发明将维度较低的拉格朗日乘子作为神经网络的输出，可以大幅度降低神经网络拟合的难度并提高系统鲁棒性。

3.本发明使用QuaDRiGa信道平台在5G配置下生成大量仿真信道环境，使仿真与实际系统环境更为贴合。

4.本发明仅选取上行探测时隙频谱范围内的部分子载波插入导频，节约了导频资源开销。

5.本发明将本探测周期之前的三个探测周期所测量的信道状态信息同时输入神经网络中，使神经网络可以综合处理并对目前全频谱范围内子载波的预编码关键因子拉格朗日乘子实现预测和插值。

附图说明

图1(a)为本发明OFDM系统导频插入的块状导频示意图；

图1(b)为本发明OFDM系统导频插入的梳状导频示意图；

图1(c)为本发明OFDM系统导频插入的二维抽取导频示意图；

图2为本发明神经网络原理图；

图3为本发明的工作流程框图；

图4为本发明所用卷积神经网络示意图；

图5为本传输系统时频示意图；

图6本发明的机器学习辅助低复杂度鲁棒线性预编码算法对鲁棒预编码算法系统性能的影响图。

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，对本发明一种基于OFDM系统的机器学习辅助低复杂度鲁棒预编码算法做进一步详细的描述。

本发明提供一种基于OFDM系统的机器学习辅助低复杂度鲁棒预编码算法，为避免鲁棒预编码方法中的大量矩阵求逆运算和迭代运算，降低计算复杂度，搭建卷积神经网络以代替迭代运算。将信道状态信息作为输入，训练网络，从而拟合由信道状态信息到鲁棒预编码算法中关键参数拉格朗日乘子的非线性过程。通过拉格朗日乘子即可较为简单的获得最优预编码矩阵。

与此同时，为了降低导频开销以及算法复杂度，仅选取上行探测时隙频谱范围内的部分子载波插入导频。同时，将本探测周期之前的三个探测周期所测量的信道状态信息同时输入神经网络中，使神经网络可以综合处理并对目前全频谱范围内子载波的预编码关键因子拉格朗日乘子实现预测和插值。

如图3所示，本发明包括以下步骤：

步骤1、如图5所示，在上行信道中每个探测周期的第一个时隙中每隔一个子载波上插入一个导频，获得相应位置的信道状态信息以及信道的统计状态信息。

采用TDD系统，在每一个探测周期的第一个时隙插入导频，用于探测信道信息。为降低导频开销，每个上行探测时隙的频率范围内仅抽选三个子载波插入导频。同时为提高预测准确率，每个探测周期拉格朗日乘子由其前三个探测周期的信道信息共同影响得出。

第k个用户的瞬时相关系数α_k(n)根据Jakes自相关模型产生。然而，这种方法并不能获得准确的后验模型，继而获得最大的加权和速率。最优瞬时相关系数β的取值主要与用户移动速度v和上行探测周期Tsrs相关，在假定不同用户具有相同的最优瞬时相关系数β的前提下，选择用户移动速度v和上行探测周期Tsrs作为输入，通过查表法找到最优的β。

步骤2、如图4所示，将步骤1中用户前三个探测周期所估计的部分子载波上的信道状态信息以及统计状态信息作为卷积神经网络的输入。

卷积神经网络具体输入为瞬时信道实部瞬时信道虚部/>信道耦合阵(1-β²)Ω_k，其中信道耦合矩阵由MFOCUSS算法得到。

步骤3、如图4所示，分别对输入的参数瞬时信道实部瞬时信道虚部和信道耦合矩阵(1-β²)Ω_k进行卷积，其中β为瞬时相关系数，/>为瞬时信道，Ω_k为统计信道。

卷积神经网络分为输入层、卷积层、池化层、激活层、全连接层以及输出层。输入层输入待检测的数据结构。考虑到瞬时信道信息和信道耦合矩阵的数据结构不同，首先需要将信道状态信息归一化，归一化后的数据样本分别从三个输入层进入神经网络。之后，三路输入的信息分别进行多次重复的卷积、池化以及激活。卷积层对每个输入样本进行卷积运算，为了尽量降低网络的复杂度，卷积核的个数在不影响性能的前提下尽量少。池化层可减少卷积层提取的特征个数，通过池化剔除重复多余的特征。激活层的作用是引入非线性因素，在每层池化后使用Relu函数激活。

步骤4、如图4所示，将卷积结果进行合成，与信噪比一起进入全连接层。

在完成多次卷积、池化以及激活之后，拥有相同的数据结构的三路数据分别输入全连接层，将提取到的特征映射为预测值。与此同时，信噪比也作为一个节点参与全连接，对训练结果进行调整。

步骤5、如图4所示，卷积神经网络输出拉格朗日乘子μ。

最后从输出层输出的预测的结果拉格朗日乘子μ为K维向量，即K个用户的拉格朗日乘子。

步骤6、优化网络中的权重。

计算卷积神经网络的预测结果与训练集中μ_k的损失函数，反向传播，计算梯度并优化模型中的权重W。

步骤7、利用拉格朗日乘子μ得到预编码矩阵。

p_k,m为第k个用户在第m个探测周期的预编码矩阵，μ_k,m为第k个用户在第m个探测周期的拉格朗日乘子，定义μ_m＝[μ_1,m,…,μ_K,m]^T，为第m个探测周期的拉格朗日乘子。h_k,m为第k个用户在第m个探测周期的信道矩阵，为第k个用户在第m个探测周期满足和速率最大条件时的用户速率,定义/>满足

其中为信道相关阵，表示对矩阵/>求统计平均。因此，只要确定了K个拉格朗日乘子，就可得到对应的K个预编码矩阵。

μ_k为第k个用户拉格朗日乘子，在通过网络获得μ_m后，根据拉格朗日函数的表达式

可将改写为

即

令

则

可以看出，最优预编码矩阵是关于矩阵对(A_m,B_k,m)的最小广义特征值对应的特征向量。

为了模拟得到不同位置及移动性条件下的下行传输效果，在步骤1中使用QuaDRiGa信道平台在5G配置下生成大量仿真信道环境，使仿真与实际系统环境更为贴合；

在步骤2中利用Jakes自相关模型得到每个用户的瞬时相关系数；利用MFOCUSS算法得到统计信道信息；通过在上行信道中每个探测周期的第一个时隙内某些子载波上插入的导频所估计出的信道，得到过时的瞬时信道状态信息；

在步骤2中计算鲁棒预编码矩阵及其拉格朗日乘子；

在步骤2中，在获得迭代初始矩阵的前提下，在不同位置频域范围内选取同一时间τ的k个用户，利用过时的瞬时信道信息、统计信道信息、拉格朗日乘子μ，作为步骤3中神经网络训练使用的数据集；

为了降低导频开销，在步骤2中仅在部分频域子载波上插入导频获取相应的信道状态信息，并在训练时令神经网络拟合输出全频域子载波拉格朗日乘子的插值能力；

在步骤3中，对瞬时信道实部瞬时信道虚部/>信道耦合阵(1-β²)Ω_k分别使用独立的子网络进行一系列卷积。为了减小计算的内存占用与时间开销，插入最大池化层；

在步骤4中，将卷积结果进行拉平后，拼接为完整的列向量，使列向量通过多个全连接层，为了使卷积神经网络在不同的信噪比之下都可以很好的工作，因此在每一层在向量中增加信噪比SNR一起参与计算；

在步骤5中，通过全连接层得到当前位置，τ+1时间的k个用户的拉格朗日乘子

在步骤6中，计算卷积神经网络的预测结果与训练集中μ_k的损失函数，反向传播，计算梯度并优化模型中的权重W；

在步骤7中利用逼近最优的机器学习辅助鲁棒预编码算法，利用步骤5得出的拉格朗日乘子μ求解测试集的预编码矩阵。

为了检测该算法性能，在步骤7中算出和速率性能，与传统MF算法、ZF算法、RZF算法、典型鲁棒预编码算法的和速率性能进行对比；

以下为机器学习应用于OFDM系统的算法：

(1)在上行信道中每个探测周期的第一个时隙中每隔一个子载波上插入一个导频，获得相应位置的信道状态信息以及信道的统计状态信息；

(2)将用户前三个探测周期所估计的部分子载波上的信道状态信息以及统计状态信息作为卷积神经网络的输入；

(3)分别对输入的参数瞬时信道实部瞬时信道虚部/>和信道耦合矩阵(1-β²)Ω_k进行卷积，其中β为瞬时相关系数，/>为瞬时信道，Ω_k为统计信道；

(4)将卷积结果进行合成，与信噪比一起进入全连接层；

(5)卷积神经网络输出拉格朗日乘子μ；

(6)优化网络中的权重；

(7)利用拉格朗日乘子μ得到预编码矩阵。

本方案，鲁棒预编码算法使用初始矩阵来源于传统预编码矩阵RZF算法，但利用OFDM系统的特性，将本探测周期之前的三个探测周期所测量的信道状态信息同时输入神经网络中，使神经网络可以综合处理并对目前全频谱范围内子载波的预编码关键因子拉格朗日乘子实现预测和插值，可以实现在增强移动性的基础上降低导频开销，提高和速率性能。

为验证本优化线性预编码算法的性能，针对其进行仿真。如图6所示，机器学习辅助的鲁棒预编码算法和速率性能与鲁棒预编码算法非常接近，说明此方法在降低复杂度与导频开销的同时成功保证了移动环境下的性能优势。同时，在信噪比较低时，该方法相比结合插值法的鲁棒预编码算法拥有更优的和速率性能。

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 (5)

1.一种基于OFDM系统的机器学习辅助低复杂度鲁棒预编码算法，其特征在于，包括以下步骤：

步骤1、在上行信道中每个探测周期的第一个时隙中每隔一个子载波上插入一个导频，获得相应位置的信道状态信息以及信道的统计状态信息；

步骤2、将步骤1中用户前三个探测周期所估计的部分子载波上的信道状态信息以及统计状态信息作为卷积神经网络的输入；

步骤3、卷积神经网络的输入包括参数瞬时信道实部瞬时信道虚部和信道耦合矩阵(1-β²)Ω_k，分别对输入的参数瞬时信道实部/>瞬时信道虚部/>和信道耦合矩阵(1-β²)Ω_k进行卷积，其中β为瞬时相关系数，/>为瞬时信道，Ω_k为统计信道；R表示实部，I表示虚部；

步骤4、将卷积结果进行合成，与信噪比一起进入全连接层；

步骤5、卷积神经网络输出拉格朗日乘子μ；

步骤6、优化网络中的权重；

步骤7、利用拉格朗日乘子μ得到预编码矩阵。

2.根据权利要求1所述的基于OFDM系统的机器学习辅助低复杂度鲁棒预编码算法，其特征在于，所述步骤1中，采用TDD系统，在每一个探测周期的第一个时隙插入导频，用于探测信道信息；为降低导频开销，每个上行探测时隙的频率范围内仅抽选三个子载波插入导频；同时为提高预测准确率，每个探测周期拉格朗日乘子由其前三个探测周期的信道信息共同影响得出。

3.根据权利要求1所述的基于OFDM系统的机器学习辅助低复杂度鲁棒预编码算法，其特征在于，步骤3中最优瞬时相关系数β的取值与用户移动速度v和上行探测周期Tsrs相关，在设置不同用户具有相同的最优瞬时相关系数β的前提下，选择用户移动速度v和上行探测周期Tsrs作为输入，通过查表法找到最优的β；选择瞬时信道实部瞬时信道虚部信道耦合矩阵(1-β²)Ω_k作为卷积神经网络的具体输入，其中信道耦合矩阵由MFOCUSS算法得到。

4.根据权利要求1所述的基于OFDM系统的机器学习辅助低复杂度鲁棒预编码算法，其特征在于，步骤2中卷积神经网络分为输入层、卷积层、池化层、激活层、全连接层以及输出层；输入层输入待检测的数据结构；考虑到瞬时信道信息和信道耦合矩阵的数据结构不同，首先需要将信道状态信息归一化，归一化后的数据样本分别从三个输入层进入神经网络；之后，三路输入的信息分别进行多次重复的卷积、池化以及激活；卷积层对每个输入样本进行卷积运算；池化层可减少卷积层提取的特征个数，通过池化剔除重复多余的特征；激活层的作用是引入非线性因素，在每层池化后使用Relu函数激活；在完成多次卷积、池化以及激活之后，拥有相同的数据结构的三路数据分别输入全连接层，将提取到的特征映射为预测值；信噪比也作为一个节点额外附加至向量中，对训练结果进行调整；最后从输出层输出的预测的结果拉格朗日乘子μ。

5.根据权利要求1所述的基于OFDM系统的机器学习辅助低复杂度鲁棒预编码算法，其特征在于，所述步骤7具体包括以下步骤：p_k,m为第k个用户在第m个探测周期的预编码矩阵，μ_k,m为第k个用户在第m个探测周期的拉格朗日乘子，定义μ_m＝[μ_1,m,…,μ_K,m]^T，为第m个探测周期的拉格朗日乘子；h_k,m为第k个用户在第m个探测周期的信道矩阵，为第k个用户在第m个探测周期满足和速率最大条件时的用户速率,定义/>满足

其中为信道相关阵，表示对矩阵/>求统计平均；因此，只要确定了K个拉格朗日乘子，就可得到对应的K个预编码矩阵；

μ_k为第k个用户拉格朗日乘子，在通过网络获得μ_m后，根据拉格朗日函数的表达式

其中为p_k,m转置；

将改写为

即

令

则

最优预编码矩阵的值为矩阵对(A_m,B_k,m)的最小广义特征值对应的特征向量。