CN115102592A - 一种基于联邦学习的多用户mimo波束成形方法 - Google Patents
一种基于联邦学习的多用户mimo波束成形方法 Download PDFInfo
- Publication number
- CN115102592A CN115102592A CN202210708708.7A CN202210708708A CN115102592A CN 115102592 A CN115102592 A CN 115102592A CN 202210708708 A CN202210708708 A CN 202210708708A CN 115102592 A CN115102592 A CN 115102592A
- Authority
- CN
- China
- Prior art keywords
- layer
- user
- model
- precoder
- cnn
- 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.)
- Granted
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
- H04B7/0452—Multi-user MIMO systems
-
- 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
- H04B7/0456—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
- H04B7/0617—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
- H04B7/08—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)
- Electromagnetism (AREA)
- Radio Transmission System (AREA)
Abstract
本发明属于无线通信技术领域,具体涉及一种基于联邦学习的多用户MIMO波束成形方法。本发明基于联邦学习技术,在多用户MIMO系统中,BS和用户联合训练CNN模型,用户利用本地的信道数据和预编码器标签训练本地模型,BS聚合所有用户的本地模型参数得到全局模型。通过上传本地模型参数避免了上传用户本地数据,保护了用户数据安全和数据隐私。模型训练好后,用户可以通过信道矩阵预测模拟预编码器,有效降低了波束成形复杂度。本文中设计的联邦学习算法的频谱效率接近于传统的CML算法,同时传输开销比CML算法要低的多。
Description
技术领域
本发明属于无线通信技术领域,具体涉及一种基于联邦学习的多用户MIMO波束成形方法。
背景技术
在多输入多输出(Multiple-Input Multiple-Output,MIMO)系统中,基站通过波束成形技术调节发射信号的幅度和相位,将发射的波束集中在较窄的区域传输,可以补偿信号传播过程中的路径损耗。同时,波束成形可以抑制信号的干扰,提高系统容量和频谱利用率。波束成形包括模拟波束成形、数字波束成形和混合波束成形。混合波束成形将模拟技术和数字技术相结合,在传输速率和设计复杂性之间取得了平衡。由于波束成形器需要随着信道条件的变化而实时地设计,传统的基于优化和迭代的波束成形方法会有较大的计算复杂度,无法满足系统实时应用的需求。
由于机器学习(Machine Learning,ML)方法在应对无线信道变化方面具有灵活性,对无线信道损坏或缺陷的数据具有较强的预测性能。目前机器学习算法已被广泛引入到通信领域,解决信号处理的各种问题,例如到达方向(Direction of Arrival,DOA)估计,信道估计,信道状态信息预测,天线选择等等。由于无线通信系统具有规模大、地理分布分散、用户移动性强、数据量大等特点,机器学习方法在实际的无线通信应用中面临着许多技术需求和挑战。一方面,传统的集中式机器学习(Centralized Machine Learning,CML)算法需要通过基站(Base station,BS)集中收集和处理数据,整合用户数据需要巨大的传输开销。另一方面,用户越来越重视数据隐私和数据安全,用户不太愿意将数据发送到BS。因此,许多学者考虑将所有私有数据都保存在用户本地的联邦学习(Federated Learning,FL)技术应用在无线通信中,例如无人机路径规划、信道估计、信道状态信息预测等等。在FL中,用户和BS协作训练一个机器学习模型,用户利用本地数据集训练本地机器学习模型,同时将所有训练数据保留在用户本地,只需上传本地模型参数到BS即可完成模型训练。FL以分布式方式完成模型训练,可以减少上传大量原始数据的通信延迟,同时也促进了大规模的模型训练和更灵活的数据收集。设计波束成形矩阵可以看作是一个多标签分类问题,传统的基于集中式机器学习的波束成形方法,需要将用户的信道数据和预编码器标签都传输到BS进行模型训练。为了减少传输开销,将FL应用于多用户MIMO系统的波束成形领域。
发明内容
本发明的目的,就是针对上述传统集中式机器学习方法在多用户MIMO波束成形中的不足,提出了一种基于联邦学习的波束成形方案。即在多用户MIMO系统中,BS和用户联合训练一个卷积神经网络(Convolutional Neural Network,CNN)模型,用户利用本地的信道数据和预编码器标签训练本地模型,BS聚合所有用户的本地模型参数得到全局模型。通过上传本地模型参数避免了上传用户本地数据,减少了通信开销,保护了用户数据安全和数据隐私。
本发明的技术方案是:一种基于联邦学习的多用户MIMO系统波束成形方法,如图1所示,多用户MIMO系统包括1个BS和K个单天线用户终端设备,BS具有Nt根天线、K个数据流和K个射频链,BS与用户之间的信道模型为几何信道模型。系统预测模拟预编码器的部分使用CNN模型。本发明包括以下步骤:
S1、对信道进行数学建模,BS与第k个用户之间的信道矩阵Hk的公式如下公式1:
S2、对多用户MIMO系统进行数学建模,第k个用户接收到的信号yk的公式如下公式2:
S6、搭建CNN网络结构;本发明的网络结构由12层组成,第1层是卷积层,包含64个大小为3×3的卷积核;第2层是2×2最大池化层;第3层是激活函数(ReLU)层;第4层是归一化层;第5层是卷积层,包含了128个大小为3×3的卷积核;第6层是2×2最大池化层;第7层是ReLU层;第8层是归一化层;第9层是全连接层,包含256个神经元;为了有效的减少过拟合,提高网络的泛化能力,第10层我们使用dropout层,脱落率为0.5;第11层是全连接层,包含了Q个神经元,Q为的类别数;最后,softmax层进行分类输出;网络训练时采用的优化算法为SGD算法,损失函数设置为交叉熵函数;
S7、BS联合用户使用FL训练CNN模型;首先,BS下发初始的全局CNN模型到每个用户,用户利用本地拥有的训练样本更新本地CNN模型,并上传本地模型参数到BS;然后,BS使用联邦平均算法聚合所有用户的本地模型参数获得全局CNN模型,并将全局CNN模型下发给所有用户,用户再次更新本地模型并上传模型参数;上述模型训练步骤会持续迭代进行,直到损失函数收敛或者达到允许的训练次数;
S8、在线模拟预编码器和数字预编码器设计;BS和用户训练完后保存训练好的模型,用户通过输入信道矩阵Hk就可以预测模拟预编码器在码本中的索引值进而获得模拟预编码器并将其反馈给BS,BS拥有后,计算用户k的等效信道然后,BS根据迫零准则设计数字预编码器FBB的公式如下公式5:
本发明的有益效果为,在不收集用户本地数据集的情况下训练CNN模型用于预测模拟预编码器,能有效降低波束成形复杂度,同时减少通信开销,保护数据隐私和安全。
附图说明
图1为本发明的系统模型示意图;
图2为本发明与传统的CML算法的频谱效率对比示意图;
图3为本发明与传统的CML算法的传输开销对比示意图;
具体实施方式
下面结合附图和仿真示例,以证明本发明的有效性和实用性:
模拟参数设置如下:BS的发射天线数Nt=100,用户数K=8,波束成形器码本类数Q=20。将划分为K个等距非重叠子区域使得φ=∪kφk,用户k随机位于子区域φk中,信道路径数Lk=5,角度扩展每个用户生成25000个信道,并在每个信道中分别添加{15,20,25}dB的合成加性高斯白噪声(Additive White GaussianNoise,AWGN),得到有噪声信道。整个数据集的大小为3×25000×8=600,000,整个数据集随机划分80%作为训练集,剩下的20%作为验证集。在基于CML的模型训练中,训练集和验证集都位于BS处。在基于FL的模型训练中,训练集平均分配到4个参与训练的用户,验证集放置在BS以评估全局模型。在模型训练完成后,在预测阶段使用测试数据来测试模型性能,使用类似的训练数据生成过程,在测试数据中添加10dB的合成AWGN。仿真过程中,CML和FL使用相同的数据集对相同的CNN执行训练,损失函数为交叉熵函数,用户的本地训练次数设置为2,全局训练的次数设置为20,每个批次的大小设置为256,采用学习率为0.001的SGD算法更新网络参数。
由图2和图3可知,本发明的频谱效率接近于传统的CML算法,随着BS发射天线数的增加,本发明的传输开销比CML算法要低的多,这充分表明本发明在多用户MIMO系统中具有较好的适用性。
Claims (1)
1.一种基于联邦学习的多用户MIMO系统波束成形方法,该方法用于多用户MIMO系统,设多用户MIMO系统包括1个BS和K个单天线用户终端设备,BS具有Nt根天线、K个数据流和K个射频链,BS与用户之间的信道模型为几何信道模型;其特征在于,包括以下步骤:
S1、对信道进行数学建模,BS与第k个用户之间的信道矩阵Hk如下公式1:
S2、对多用户MIMO系统进行数学建模,第k个用户接收到的信号yk如下公式2:
S6、搭建CNN网络,CNN网络由12层组成,第1层是卷积层,包含64个大小为3×3的卷积核;第2层是2×2最大池化层;第3层是ReLU层;第4层是归一化层;第5层是卷积层,包含了128个大小为3×3的卷积核;第6层是2×2最大池化层;第7层是ReLU层;第8层是归一化层;第9层是全连接层,包含256个神经元;第10层是dropout层,脱落率为0.5;第11层是全连接层,包含了Q个神经元,Q为的类别数;最后通过softmax层进行分类输出;网络训练时采用的优化算法为SGD算法,损失函数设置为交叉熵函数;
S7、BS联合用户使用FL训练CNN模型:首先,BS下发初始的全局CNN模型到每个用户,用户利用本地拥有的训练样本更新本地CNN模型,并上传本地模型参数到BS;然后,BS使用联邦平均算法聚合所有用户的本地模型参数获得全局CNN模型,并将全局CNN模型下发给所有用户,用户再次更新本地模型并上传模型参数;模型训练会持续迭代进行,直到损失函数收敛或者达到允许的训练次数;
S8、在线模拟预编码器和数字预编码器设计:BS和用户训练完后保存训练好的模型,用户通过输入信道矩阵Hk预测模拟预编码器在码本中的索引值进而获得模拟预编码器并将其反馈给BS,BS拥有后,计算用户k的等效信道然后,BS根据迫零准则设计数字预编码器FBB如下公式5:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210708708.7A CN115102592B (zh) | 2022-06-22 | 2022-06-22 | 一种基于联邦学习的多用户mimo波束成形方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210708708.7A CN115102592B (zh) | 2022-06-22 | 2022-06-22 | 一种基于联邦学习的多用户mimo波束成形方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115102592A true CN115102592A (zh) | 2022-09-23 |
CN115102592B CN115102592B (zh) | 2023-10-03 |
Family
ID=83293726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210708708.7A Active CN115102592B (zh) | 2022-06-22 | 2022-06-22 | 一种基于联邦学习的多用户mimo波束成形方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115102592B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116506072A (zh) * | 2023-06-19 | 2023-07-28 | 华中师范大学 | 基于多任务联邦学习的mimo-noma系统的信号检测方法 |
CN116827393A (zh) * | 2023-06-30 | 2023-09-29 | 南京邮电大学 | 基于联邦学习的无蜂窝大规模mimo上行接收方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112910520A (zh) * | 2021-02-03 | 2021-06-04 | 广州市埃特斯通讯设备有限公司 | 一种基于卷积神经网络的mimo系统波束训练方法 |
US20210374502A1 (en) * | 2020-06-01 | 2021-12-02 | Nvidia Corporation | Technique to perform neural network architecture search with federated learning |
CN113810086A (zh) * | 2020-06-12 | 2021-12-17 | 华为技术有限公司 | 信道信息反馈方法、通信装置及存储介质 |
-
2022
- 2022-06-22 CN CN202210708708.7A patent/CN115102592B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210374502A1 (en) * | 2020-06-01 | 2021-12-02 | Nvidia Corporation | Technique to perform neural network architecture search with federated learning |
CN113810086A (zh) * | 2020-06-12 | 2021-12-17 | 华为技术有限公司 | 信道信息反馈方法、通信装置及存储介质 |
CN112910520A (zh) * | 2021-02-03 | 2021-06-04 | 广州市埃特斯通讯设备有限公司 | 一种基于卷积神经网络的mimo系统波束训练方法 |
Non-Patent Citations (3)
Title |
---|
AHMET M. ELBIR: "Federated Learning for Hybrid Beamforming in mm-Wave Massive MIMO", 《IEEE COMMUNICATIONS LETTERS》 * |
孙兵: "移动边缘网络中联邦学习效率优化综述", 《 计算机研究与发展》 * |
马文焱;戚晨皓;: "基于深度学习的上行传输过程毫米波通信波束选择方法", 合肥工业大学学报(自然科学版), no. 12 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116506072A (zh) * | 2023-06-19 | 2023-07-28 | 华中师范大学 | 基于多任务联邦学习的mimo-noma系统的信号检测方法 |
CN116506072B (zh) * | 2023-06-19 | 2023-09-12 | 华中师范大学 | 基于多任务联邦学习的mimo-noma系统的信号检测方法 |
CN116827393A (zh) * | 2023-06-30 | 2023-09-29 | 南京邮电大学 | 基于联邦学习的无蜂窝大规模mimo上行接收方法及系统 |
CN116827393B (zh) * | 2023-06-30 | 2024-05-28 | 南京邮电大学 | 基于联邦学习的无蜂窝大规模mimo接收方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115102592B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109617584B (zh) | 一种基于深度学习的mimo系统波束成形矩阵设计方法 | |
Qi et al. | Integrating sensing, computing, and communication in 6G wireless networks: Design and optimization | |
CN113300746B (zh) | 毫米波mimo天线与混合波束成形优化方法及系统 | |
CN115102592A (zh) | 一种基于联邦学习的多用户mimo波束成形方法 | |
Jiang et al. | Multi-antenna fading channel prediction empowered by artificial intelligence | |
CN107332598A (zh) | 一种基于深度学习的mimo系统联合预编码和天线选择方法 | |
CN112468202B (zh) | 低复杂度毫米波大规模mimo混合预编码方法 | |
CN110365388B (zh) | 一种低复杂度毫米波多播波束成形方法 | |
CN113490219B (zh) | 一种面向超密集组网的动态资源分配方法 | |
CN113438002B (zh) | 基于lstm的模拟波束切换方法、装置、设备及介质 | |
CN112448742A (zh) | 一种非均匀量化下基于卷积神经网络的混合预编码方法 | |
Wei et al. | Channel distribution learning: Model-driven GAN-based channel modeling for IRS-aided wireless communication | |
Osama et al. | Deep learning based hybrid precoding technique for millimeter-wave massive MIMO systems | |
Camana et al. | Deep learning-assisted power minimization in underlay MISO-SWIPT systems based on rate-splitting multiple access | |
Li et al. | Multi-task deep learning based hybrid precoding for mmWave massive MIMO system | |
Mahmood et al. | Deep learning meets swarm intelligence for UAV-assisted IoT coverage in massive MIMO | |
US11742901B2 (en) | Deep learning based beamforming method and apparatus | |
CN117240331A (zh) | 一种基于图神经网络的无蜂窝网络下行预编码设计方法 | |
Salaün et al. | Deep learning based power control for cell-free massive MIMO with MRT | |
Bhattacharya et al. | Deep learning for thz channel estimation and beamforming prediction via sub-6ghz channel | |
Zhang et al. | Hybrid precoding design based on dual-layer deep-unfolding neural network | |
CN115664471A (zh) | 基于宽学习的毫米波mimo基站协作波束选择方法 | |
Saikia et al. | Beamforming design in vehicular communication systems with multiple reconfigurable intelligent surfaces: a deep learning approach | |
CN112636800B (zh) | 基于毫米波大规模mimo多用户场景的混合预编码方法 | |
Kumar et al. | Multi-user mmWave massive-MIMO hybrid beamforming: A quantize deep learning approach |
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 |