CN115314082A - 一种超大规模mimo系统中用户可视区域识别方法 - Google Patents
一种超大规模mimo系统中用户可视区域识别方法 Download PDFInfo
- Publication number
- CN115314082A CN115314082A CN202210811398.1A CN202210811398A CN115314082A CN 115314082 A CN115314082 A CN 115314082A CN 202210811398 A CN202210811398 A CN 202210811398A CN 115314082 A CN115314082 A CN 115314082A
- Authority
- CN
- China
- Prior art keywords
- users
- user
- beacon
- neural network
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000000007 visual effect Effects 0.000 title claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000005192 partition Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
-
- 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
本发明属于无线通讯技术领域,具体为一种超大规模MIMO系统中用户可视区域识别方法,所述方法包括步骤一、选择信标用户,建立位置‑VR数据集,在用户中选择信标用户主动上行发送导频信号,然后测量他们对应的VR;步骤二、根据信标用户的位置信息对区域进行划分,根据实际复杂度或准确率要求,划分的VR区域边界是线性或非线性的;在低复杂度场景下,选取Voronoi单元线性划分法;在高准确率场景下,选取神经网络非线性划分法。本发明能够通过获取部分已知用户VR信息,估计其余大量未知用户的VR信息。
Description
技术领域
本发明涉及无线通信技术领域,具体为一种超大规模MIMO系统中用户可视区域识别方法。
背景技术
在6G移动通信中超大规模MIMO的天线数目大幅增加,从而产生超大孔径天线阵列的部署形式。传播信道沿天线阵列表现出空间非平稳特性,进而产生可视区域(visibleregion,VR)的概念。在超大孔径阵列的近场中分布有散射体簇,由于障碍物遮挡,一个簇只能看到整个阵列的一部分,表示为BS-VR。同时,簇只能被位于其相邻区域的用户看到,表示为MS-VR。一个用户可能位于多个MS-VR的重叠区域中,则该用户VR表示为各MS-VR对应BS-VR的并集。具体来说,用户的坐标决定了它所处的MS-VR,而每个MS-VR都与一个簇相关,并进一步对应一个BS-VR。用户看到的所有BS-VR的联合体共同构成其UE-VR。利用VR信息可以促进低复杂度的传输设计。在进行信息传输时可以只使用每个用户VR中的天线而不必使用整个系统的所有天线,可将大维信道空间转化为易于处理的低维信道空间。目前,大多数工作都假设所有用户的VR是已知的。对于极少量用户来说,可以通过简单地发送一个上行导频信号,并测量整个阵列元件的接收功率来获得其VR。而超大规模MIMO的目的是为海量的用户提供服务,并支持大规模的连接。在这种情况下,为每个用户获取和更新VR信息将导致难以承受的开销。因此,如何获取大量用户的VR信息仍然是一个挑战。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
因此,本发明的目的是提供一种超大规模MIMO系统中用户可视区域识别方法,能够获取大量用户的VR信息,并且增加了识别VR信息的准确率。
为解决上述技术问题,根据本发明的一个方面,本发明提供了如下技术方案:
一种超大规模MIMO系统中用户可视区域识别方法,其包括:
步骤一、选择信标用户,建立位置-VR数据集,在用户中选择信标用户主动上行发送导频信号,然后测量其对应的VR;
步骤二、根据信标用户的位置信息对区域进行划分根据实际复杂度或准确率要求,划分的VR区域边界是线性或非线性的;
在低复杂度场景下,选取Voronoi单元线性划分法;
在高准确率场景下,选取神经网络非线性划分法。
其中,N是信标用户识别的VR区域总数。
作为本发明所述的一种超大规模MIMO系统中用户可视区域识别方法的一种优选方案,其中:选择信标用户时选择空间位置尽可能分散的信标用户。
作为本发明所述的一种超大规模MIMO系统中用户可视区域识别方法的一种优选方案,其中:在低复杂度场景下,所述步骤二中以ck,为基点,形成整个区域的Voronoi单元划分;每个Voronoi单元都包含一个信标用户;点ck对应的Voronoi单元可描述为:
对于Vk中的任一点,其到ck的距离都小于到其他任何点ck′,且k′≠k的距离;则第n个VR区域实际上近似为对于VR未知的用户l,直接做法是测量用户l到用户k,之间的距离,并认为用户l与到其距离最小的信标用户有相同的VR,即:
UE-VR(l)=UE-VR(k*),
作为本发明所述的一种超大规模MIMO系统中用户可视区域识别方法的一种优选方案,其中:在高准确率场景下,所述步骤二中使用只有一个隐藏层的神经网络来实现多VR区域的识别功能,神经网络的宽度为N;
dk=(dk,1,...,dk,N)T (14)
S2、数据预处理;在训练之前首先用一个线性尺度对训练数据dk进行归一化,使dk,n∈[0,1];然后将所有归一化的向量构成一个大小的数组作为训练集;同时将用户k的实际标签转化成(0,...,1,...,0)one-hot码形式,其中1的位置索引与利用数据集中UE-VR(k)获得的VR区域索引相对应;
S3、用预处理的训练集和标签集对神经网络进行训练,最终可得到该场景下通过利用信标用户VR信息,估计其余大量未知用户VR信息的神经网络,称为VR-Net;
S4、用上述方法随机均匀的生成一个NXNtest大小的测试集和对应的标签集来评估这个VR-Net的性能。其中,Ntest为测试集样本数。
与现有技术相比,本发明的有益效果在于:
1、本发明首次提出一种超大规模MIMO系统海量用户VR信息识别的方法。根据复杂度或准确率的需求,该方法可实现VR区域边界的线性或非线性划分。
2、本发明在低复杂度场景下,采用Voronoi单元线性划分法。当信标用户数量足够多时,可实现未知用户VR的高准确率识别。例如在如下实施例中,未知用户VR的识别准确率可达到95%以上。
3、本发明在高准确率场景下,采用神经网络非线性划分法。当信标用户的数量足够多时,可实现对未知用户VR的高准确率识别。在信标用户数量有限时,神经网络非线性划分法可达到优于Voronoi单元线性划分法的性能。例如在如下实施例中,在信标用户数量足够多时,未知用户VR的识别准确率可达到95%以上。在信标用户数量有限时,相比于Voronoi单元线性划分法,神经网络非线性划分法可实现4%的性能提升。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将将结合附图和详细实施方式对本发明进行详细说明,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明用户VR生成机制图;
图2为本发明Voronoi单元划分法流程图;
图3为本发明神经网络方法流程图;
图4为本发明所定义的VR区域示意图;
图5为本发明VR未知用户其VR的识别准确率图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施方式的限制。
其次,本发明结合示意图进行详细描述,在详述本发明实施方式时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明提供一种超大规模MIMO系统中用户可视区域识别方法,包括
步骤一、选择信标用户,建立位置-VR数据集,在用户中选择信标用户主动上行发送导频信号,然后测量其对应的VR;
步骤二、根据信标用户的位置信息对区域进行划分,根据实际复杂度或准确率要求,划分的VR区域边界是线性或非线性的;
在低复杂度场景下,选取Voronoi单元线性划分法;
在高准确率场景下,选取神经网络非线性划分法。
其中,N是信标用户识别的VR区域总数。
选择信标用户时选择空间位置尽可能分散的信标用户。
对于Vk中的任一点,其到ck的距离都小于到其他任何点ck′,且k′≠k的距离;则第n个VR区域实际上近似为对于VR未知的用户l,直接做法是测量用户l到用户k,之间的距离,并认为用户l与到其距离最小的信标用户有相同的VR,即:
UE-VR(l)=UE-VR(k*),
在高准确率场景下,步骤二中使用只有一个隐藏层的神经网络来实现多VR区域的识别功能,神经网络的宽度为N;
dk=(dk,1,...,dk,N)T (21)
S2、数据预处理;在训练之前首先用一个线性尺度对训练数据dk进行归一化,使dk,n∈[0,1];然后将所有归一化的向量构成一个大小的数组作为训练集;同时将用户k的实际标签转化成(0,...,1,...,0)one-hot码形式,其中1的位置索引与利用数据集中UE-VR(k)获得的VR区域索引相对应;
S3、用预处理的训练集和标签集对神经网络进行训练,最终可得到该场景下通过利用信标用户VR信息,估计其余大量未知用户VR信息的神经网络,称为VR-Net;
S4、用上述方法随机均匀的生成一个N×Ntest大小的测试集和对应的标签集来评估这个VR-Net的性能。其中,Ntest为测试集样本数。
具体工作原理如下:
根据图4,MS-VR的形状为圆形。多个MS-VR,与多个簇相关联,共同覆盖目标区域。这些圆将整个区域划分为多个不相连的区域,称为“VR区域”,如上图所示。位于同一VR区域的用户将拥有相同BS-VR,进而拥有相同的UE-VR。一般来说,VR区域的数量要远大于MS-VR的数量。对于一个传播场景,如果可以知道VR区域和它们相关的VR,那么用户VR就可以通过检查它位于哪个VR区域而轻松获得。
根据图5,Voronoi单元线性划分法和神经网络非线性划分法(VR-Net),这两种方法在信标用户数量足够多时,性能趋于一致。但是在信标用户数有限时,神经网络非线性划分法的性能要优于Voronoi单元线性划分法。生成一个包含20000个样本的数据集。由于信标用户的数目是动态变化的,可以将数据集动态划分为训练集和测试集。训练集样本数分别为1000到19000,每次递增1000,剩余的为测试集样本。可得到这两种方法对未知用户VR的识别准确率。比较了Voronoi单元线性划分法和VR-Net所达到的识别精度。仿真结果表明,两种方案所达到的准确率都随着训练样本数量(即信标用户的数量)的增加而提升,同时也验证了VR-Net在信标用户数量有限时的有效性和优越性。
虽然在上文中已经参考实施方式对本发明进行了描述,然而在不脱离本发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本发明并不局限于文中公开的特定实施方式,而是包括落入权利要求的范围内的所有技术方案。
Claims (5)
1.一种超大规模MIMO系统中用户可视区域识别方法,其特征在于,所述方法包括:
步骤一、选择信标用户,建立位置-VR数据集,在用户中选择信标用户主动上行发送导频信号,然后测量其对应的VR;
步骤二、根据信标用户的位置信息对区域进行划分,根据实际复杂度或准确率要求,划分的VR区域边界是线性或非线性的;
在低复杂度场景下,选取Voronoi单元线性划分法;
在高准确率场景下,选取神经网络非线性划分法。
3.根据权利要求2所述的一种超大规模MIMO系统中用户可视区域识别方法,其特征在于,选择信标用户时选择空间位置尽可能分散的信标用户。
5.根据权利要求1所述的一种超大规模MIMO系统中用户可视区域识别方法,其特征在于,在高准确率场景下,所述步骤二中使用只有一个隐藏层的神经网络来实现多VR区域的识别功能,神经网络的宽度为N;
dk=(dk,1,...,dk,N)T (7)
S2、数据预处理;在训练之前首先用一个线性尺度对训练数据dk进行归一化,使dk,n∈[0,1];将所有归一化的向量构成一个大小的数组作为训练集;同时将用户k的实际标签转化成(0,...,1,...,0)one-hot码形式,其中1的位置索引与利用数据集中UE-VR(k)获得的VR区域索引相对应;
S3、用预处理的训练集和标签集对神经网络进行训练,最终可得到该场景下通过利用信标用户VR信息,估计其余大量未知用户VR信息的神经网络,称为VR-Net;
S4、用上述方法随机均匀的生成一个N×Ntest大小的测试集和对应的标签集来评估这个VR-Net的性能。其中,Ntest为测试集样本数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210811398.1A CN115314082B (zh) | 2022-07-11 | 2022-07-11 | 一种超大规模mimo系统中用户可视区域识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210811398.1A CN115314082B (zh) | 2022-07-11 | 2022-07-11 | 一种超大规模mimo系统中用户可视区域识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115314082A true CN115314082A (zh) | 2022-11-08 |
CN115314082B CN115314082B (zh) | 2023-05-09 |
Family
ID=83857699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210811398.1A Active CN115314082B (zh) | 2022-07-11 | 2022-07-11 | 一种超大规模mimo系统中用户可视区域识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115314082B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116488684A (zh) * | 2023-04-26 | 2023-07-25 | 南通大学 | 一种超大规模mimo天线系统中可视区域的识别方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100010688A (ko) * | 2008-07-23 | 2010-02-02 | 한국전자통신연구원 | 동적 전파 환경에서의 삼차원 광선 추적 방법 |
US20170170914A1 (en) * | 2015-12-14 | 2017-06-15 | Hughes Systique Private Limited | Method and system for scheduling and mitigating cross-cell interference |
WO2018031875A1 (en) * | 2016-08-11 | 2018-02-15 | Convida Wireless, Llc | Beamforming sweeping and training in a flexible frame structure for new radio |
EP3493428A1 (en) * | 2017-11-30 | 2019-06-05 | Telespazio S.p.A. | Automatic satellite telemetry, tracking and command system |
CN113141202A (zh) * | 2021-04-25 | 2021-07-20 | 上海大学 | 基于图像轮廓提取的mimo空间非平稳信道估计方法 |
EP3961242A1 (en) * | 2020-08-28 | 2022-03-02 | Nxp B.V. | Multiple-mode radar with resolution of spatial ambiguity |
-
2022
- 2022-07-11 CN CN202210811398.1A patent/CN115314082B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100010688A (ko) * | 2008-07-23 | 2010-02-02 | 한국전자통신연구원 | 동적 전파 환경에서의 삼차원 광선 추적 방법 |
US20170170914A1 (en) * | 2015-12-14 | 2017-06-15 | Hughes Systique Private Limited | Method and system for scheduling and mitigating cross-cell interference |
WO2018031875A1 (en) * | 2016-08-11 | 2018-02-15 | Convida Wireless, Llc | Beamforming sweeping and training in a flexible frame structure for new radio |
EP3493428A1 (en) * | 2017-11-30 | 2019-06-05 | Telespazio S.p.A. | Automatic satellite telemetry, tracking and command system |
EP3961242A1 (en) * | 2020-08-28 | 2022-03-02 | Nxp B.V. | Multiple-mode radar with resolution of spatial ambiguity |
CN113141202A (zh) * | 2021-04-25 | 2021-07-20 | 上海大学 | 基于图像轮廓提取的mimo空间非平稳信道估计方法 |
Non-Patent Citations (2)
Title |
---|
"基于Kronecker法的MIMO信道模拟及硬件实现", 《电讯技术》 * |
YANPING LU: "Clustering-Based Nonstationary Massive MIMO Channel Modeling at 1.4725 GHz", 《APPLIED SCIENCES》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116488684A (zh) * | 2023-04-26 | 2023-07-25 | 南通大学 | 一种超大规模mimo天线系统中可视区域的识别方法和装置 |
CN116488684B (zh) * | 2023-04-26 | 2023-10-13 | 南通大学 | 一种超大规模mimo天线系统中可视区域的识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115314082B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Single-site localization based on a new type of fingerprint for massive MIMO-OFDM systems | |
US9913092B2 (en) | Mitigating signal noise for fingerprint-based indoor localization | |
Costa et al. | Multiple-input multiple-output channel models: theory and practice | |
Lim et al. | Map-based millimeter-wave channel models: An overview, data for B5G evaluation and machine learning | |
CN115118368B (zh) | 一种结合前向散射与后向散射的新型通感一体化信道建模方法 | |
CN115314082A (zh) | 一种超大规模mimo系统中用户可视区域识别方法 | |
CN114269014B (zh) | 基于域自适应网络的大规模mimo动态环境指纹定位方法 | |
Muhammad et al. | Stochastic geometry analysis of electromagnetic field exposure in coexisting sub-6 GHz and millimeter wave networks | |
Du et al. | SVM-assisted adaptive kernel power density clustering algorithm for millimeter wave channels | |
CN101170336B (zh) | 多输入多输出系统中基于全波分析的信道相关性估计方法 | |
CN113938360A (zh) | 一种基于指纹定位的分布式mimo系统协方差矩阵估计方法 | |
CN110621025B (zh) | 一种设备选型方法和装置 | |
Li et al. | Hybrid DE‐EM algorithm for Gaussian mixture model‐based wireless channel multipath clustering | |
Wu et al. | Cost-efficient indoor white space exploration through compressive sensing | |
Sun et al. | Deep convolutional neural networks enabled fingerprint localization for massive MIMO-OFDM system | |
Aranda et al. | RSS Channel-Based Integration for BLE Fingerprinting Positioning | |
Medjkouh et al. | Unsupervised charting of wireless channels | |
Trinidad et al. | High-Accuracy Visualization-Based Grouping of MIMO Multipath Waves. | |
Vuckovic et al. | Localization Techniques in Multiple-Input Multiple-Output Communication: Fundamental Principles, Challenges, and Opportunities | |
CN106788933B (zh) | 一种用于大规模mimo系统的导频分配方法 | |
Lu et al. | Correlation investigation for uniform circular array based on measured massive mimo | |
CN106341884A (zh) | 用户位置更新方法和用户位置更新装置 | |
Ruble | Massive MIMO millimeter wave channel estimation and localization | |
CN116669181B (zh) | 基于WiFi多反射路径图像的室内人员定位方法及系统 | |
KR102395858B1 (ko) | 복잡한 건물 구조에서의 효과적인 측위 방법 및 장치 |
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 |