CN115333595A - 协作波束成形方法和装置、电子设备及存储介质 - Google Patents

协作波束成形方法和装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115333595A
CN115333595A CN202210841545.XA CN202210841545A CN115333595A CN 115333595 A CN115333595 A CN 115333595A CN 202210841545 A CN202210841545 A CN 202210841545A CN 115333595 A CN115333595 A CN 115333595A
Authority
CN
China
Prior art keywords
feature vector
node
initial
edge
vector
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.)
Pending
Application number
CN202210841545.XA
Other languages
English (en)
Inventor
王允琪
李洋
沈超
胡奕聪
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.)
Shenzhen Research Institute of Big Data SRIBD
Original Assignee
Shenzhen Research Institute of Big Data SRIBD
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 Shenzhen Research Institute of Big Data SRIBD filed Critical Shenzhen Research Institute of Big Data SRIBD
Priority to CN202210841545.XA priority Critical patent/CN115333595A/zh
Publication of CN115333595A publication Critical patent/CN115333595A/zh
Pending legal-status Critical Current

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
    • H04B7/06—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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/24—Cell structures
    • H04W16/28—Cell structures using beam steering
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/046—Wireless resource allocation based on the type of the allocated resource the resource being in the space domain, e.g. beams
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/12—Wireless traffic scheduling
    • H04W72/1215—Wireless traffic scheduling for collaboration of different radio technologies
    • 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)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请实施例提供了一种协作波束成形方法和装置、电子设备及存储介质，通过将第一初始节点特征向量、第二初始节点特征向量和初始边特征向量输入预设的更新网络，得到目标特征向量，目标特征向量包括目标边特征向量，根据第一初始节点特征向量确定第一约束条件，对目标边特征向量进行转换处理，得到满足第一约束条件的初始协作波束成形向量，根据第二初始节点特征向量、初始边特征向量和初始协作波束成形向量计算目标函数的函数值，若函数值满足预设的第二约束条件，将初始协作波束成形向量作为目标协作波束成形向量，根据目标协作波束成形向量进行协作波束成形，使得协作波束成形方法能够适用于发射器与接收器之间具有复杂连接的场景。

Description

协作波束成形方法和装置、电子设备及存储介质
技术领域
本发明涉及无线通信技术领域，尤其涉及一种协作波束成形方法和装置、电子设备及存储介质。
背景技术
目前，将无线网络建模成图，发射器和接收器为图中的节点，根据图神经网络得到图特征到图向量的映射函数，通过映射函数求解波束成形向量，但是这种方法仅适用于无线网络中发射器服务单个接收器的情况，无法适用于协作波束成形设计等复杂场景。当发射器服务多个接收器时，图神经网络无法处理发射器到多个接收器之间复杂的连接，导致无法得到协作波束成形向量。
发明内容
本申请实施例的主要目的在于提出一种协作波束成形方法和装置、电子设备及存储介质，在发射器服务多个接收器时，能够处理无线网络中发射器和接收器之间复杂的连接，以得到协作波束成形向量。
为实现上述目的，本申请实施例的第一方面提出了一种协作波束成形方法，应用于下行链路多输入多输出系统，所述下行链路多输入多输出系统包括多个基站节点和多个用户节点，所述基站节点和所述用户节点之间具有通信信道，所述方法包括：
获取基站节点的第一初始节点特征向量和用户节点的第二初始节点特征向量，并将所述基站节点到所述用户节点的所述通信信道作为初始边特征向量；
将所述第一初始节点特征向量、所述第二初始节点特征向量和所述初始边特征向量输入预设的更新网络，得到目标特征向量，所述目标特征向量包括目标边特征向量；
根据所述第一初始节点特征向量确定第一约束条件；
对所述目标边特征向量进行转换处理，得到满足所述第一约束条件的初始协作波束成形向量；
根据所述第二初始节点特征向量、所述初始边特征向量和所述初始协作波束成形向量计算目标函数的函数值；
若所述函数值满足预设的第二约束条件，将所述初始协作波束成形向量作为目标协作波束成形向量，根据所述目标协作波束成形向量进行协作波束成形。
在一些实施例，所述更新网络包括第一更新层和第二更新层，所述目标特征向量还包括第一目标节点特征向量和第二目标节点特征向量，所述将所述第一初始节点特征向量、所述第二初始节点特征向量和所述初始边特征向量输入预设的更新网络，得到目标特征向量，包括：
将所述第一初始节点特征向量、所述第二初始节点特征向量和所述初始边特征向量输入至所述第一更新层，对所述第一初始节点特征向量、所述第二初始节点特征向量和所述初始边特征向量进行更新，得到第一中间节点特征向量、第二中间节点特征向量和中间边特征向量；
将所述第一中间节点特征向量、所述第二中间节点特征向量和所述中间边特征向量输入至第二更新层，根据预设的第一节点更新规则、所述第一中间节点特征向量、所述第二中间节点特征向量和所述中间边特征向量对所述第一中间节点特征向量进行更新得到所述第一目标节点特征向量；根据预设的第二节点更新规则、所述第一中间节点特征向量、所述第二中间节点特征向量和所述中间边特征向量对所述第二中间节点特征向量进行更新得到所述第二目标节点特征向量；根据预设的边更新规则、所述第一中间节点特征向量、所述第二中间节点特征向量和所述中间边特征向量对所述中间边特征向量进行更新得到所述目标边特征向量。
在一些实施例，在所述将所述第一初始节点特征向量、所述第二初始节点特征向量和所述初始边特征向量输入预设的更新网络之前，所述协作波束成形方法还包括：
将所述第一初始节点特征向量、所述第二初始节点特征向量和所述初始边特征向量输入至第一多层感知器，基于所述第一多层感知器分别对所述第一初始节点特征向量、所述第二初始节点特征向量和所述初始边特征向量进行预处理，得到预处理后的第一初始节点特征向量、预处理后的第二初始节点特征向量和预处理后的初始边特征向量。
在一些实施例，所述第一节点更新规则包括第二多层感知器、第三多层感知器和第一聚合函数，所述根据预设的第一节点更新规则、所述第一中间节点特征向量、所述第二中间节点特征向量和所述中间边特征向量对所述第一中间节点特征向量进行更新得到所述第一目标节点特征向量，包括：
基于所述第二多层感知器对所述第二中间节点特征向量和所述中间边特征向量进行非线性变换，得到第一中间特征向量；
根据所述第一聚合函数对所述第一中间特征向量进行聚合处理，得到第二中间特征向量；
基于所述第三多层感知器对所述第一中间节点特征向量和所述第二中间特征向量进行非线性变换，得到所述第一目标节点特征向量。
在一些实施例，所述第二节点更新规则包括第四多层感知器、第五多层感知器和第二聚合函数，所述根据预设的第二节点更新规则、所述第一中间节点特征向量、所述第二中间节点特征向量和所述中间边特征向量对所述第二中间节点特征向量进行更新得到所述第二目标节点特征向量，包括：
基于所述第四多层感知器对所述第一中间节点特征向量和所述中间边特征向量进行非线性变换，得到第三中间特征向量；
根据所述第二聚合函数对所述第三中间特征向量进行聚合处理，得到第四中间特征向量；
基于所述第五多层感知器对所述第二中间节点特征向量和所述第四中间特征向量进行非线性变换，得到所述第二目标节点特征向量。
在一些实施例，所述边更新规则包括第六多层感知器、第七多层感知器、第八多层感知器和第三聚合函数，所述根据预设的边更新规则、所述第一中间节点特征向量、所述第二中间节点特征向量和所述中间边特征向量对所述中间边特征向量进行更新得到所述目标边特征向量，包括：
基于所述第六多层感知器对所述第一中间节点特征向量和所述中间边特征向量进行非线性变换，得到第五中间特征向量；
基于所述第七多层感知器对所述第二中间节点特征向量和所述中间边特征向量进行非线性变换，得到第六中间特征向量；
根据所述第三聚合函数对所述第五中间特征向量和所述第六中间特征向量进行聚合处理，得到第七中间特征向量；
基于所述第八多层感知器对所述中间边特征向量和所述第七中间特征向量进行非线性变换，得到所述目标边特征向量。
在一些实施例，所述根据所述第二初始节点特征向量、所述初始边特征向量和所述初始协作波束成形向量计算目标函数的函数值，包括：
根据所述第二初始节点特征向量、所述初始边特征向量和所述初始协作波束成形向量计算信干噪比；
对所述信干噪比进行对数运算，得到所述目标函数的所述函数值。
为实现上述目的，本申请实施例的第二方面提出了一种协作波束成形装置，应用于下行链路多输入多输出系统，所述下行链路多输入多输出系统包括多个基站节点和多个用户节点，所述基站节点和所述用户节点之间具有通信信道，所述装置包括：
获取模块，用于获取基站节点的第一初始节点特征向量和用户节点的第二初始节点特征向量，并将所述基站节点到所述用户节点的所述通信信道作为初始边特征向量；
更新模块，用于将所述第一初始节点特征向量、所述第二初始节点特征向量和所述初始边特征向量输入预设的更新网络，得到目标特征向量，所述目标特征向量包括目标边特征向量；
第一计算模块，用于根据所述第一初始节点特征向量确定第一约束条件；
转换模块，用于对所述目标边特征向量进行转换处理，得到满足所述第一约束条件的初始协作波束成形向量；
第二计算模块，用于根据所述第二初始节点特征向量、所述初始边特征向量和所述初始协作波束成形向量计算目标函数的函数值；
协作波束成形模块，用于若所述函数值满足预设的第二约束条件，将所述初始协作波束成形向量作为目标协作波束成形向量，根据所述目标协作波束成形向量进行协作波束成形。
为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。
本申请提出的协作波束成形方法和装置、电子设备及存储介质,其通过获取基站节点的第一初始节点特征向量和用户节点的第二初始节点特征向量，并将基站节点到用户节点的通信信道作为初始边特征向量，将第一初始节点特征向量、第二初始节点特征向量和初始边特征向量输入预设的更新网络，得到目标特征向量，目标特征向量包括目标边特征向量，根据第一初始节点特征向量确定第一约束条件，对目标边特征向量进行转换处理，得到满足第一约束条件的初始协作波束成形向量，根据第二初始节点特征向量、初始边特征向量和初始协作波束成形向量计算目标函数的函数值，若函数值满足预设的第二约束条件，将初始协作波束成形向量作为目标协作波束成形向量，根据目标协作波束成形向量进行协作波束成形。本申请实施例通过添加边特征向量，根据边特征向量得到协作波束成形向量，使得协作波束成形向量能够被定义到边上，而非定义到节点上，在进行协作波束成形时使更新网络能够处理发射器和多个接收器之间复杂的连接。
附图说明
图1是本申请实施例提供的协作波束成形方法的流程图；
图2是图1中的步骤S120的流程图；
图3是图2中的步骤S220的第一流程图；
图4是图2中的步骤S220的第二流程图；
图5是图3中的步骤S220的第三流程图；
图6是图1中的步骤S150的流程图；
图7是本申请实施例提供的协作波束成形方法的示意图；
图8是本申请实施例提供的协作波束成形方法的第一结果图；
图9是本申请实施例提供的协作波束成形方法的第二结果图；
图10是本申请实施例提供的协作波束成形方法的第三结果图；
图11是本申请实施例提供的协作波束成形方法的第四结果图；
图12是本申请实施例提供的协作波束成形装置的结构示意图；
图13是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
协作波束成形为现代无线通信系统中的一种技术，其能够满足急速增长的无线数据流量需求。在传统方法中，协作波束成形设计被表述为优化问题，并按照逐个实例的方式迭代求解。目前，通过学习的方法学习从问题实例到相应解决方案的映射函数，并根据映射函数得到协作波束成形设计的解决方案，能够满足问题实例的实时转换需求。在各种学习架构中，图神经网络(Graph Neural Network，GNN)可以有效利用无线网络中的图拓扑来实现更低的训练复杂度和更好的泛化能力，有利于无线管理，通过将无线网络建模为图，可以将问题实例和相应的解决方案表示为图特征和图变量，基于GNN可以学习从图特征到图变量的映射函数。但是，现有用于通信网络的GNN仅配备了节点更新机制，例如消息传递图神经网络(Message Passing Graph Neural Network，MPGNN)和置换等变的图神经网络(Permutation equivariance GNN，PGNN)。MPGNN被用于设备到设备网络中的波束成形设计时，通信网络中每个发射器仅服务于单个接收器，每个收发器对被定义为图的一个节点，不同收发器对之间的干扰链路被定义为边，由于MPGNN不包含边变量，因此每个收发器对的波束成形向量只能定义在相应的节点上。PGNN被用于多小区系统中的功率分配时，每个发射器服务于其所处小区的多个接收器，由于PGNN不包含边变量，因此每个等效天线被视为一个单独的节点，发射功率定义为节点变量。仅配备节点更新机制的GNN通过节点更新机制实现将节点特征更新为节点变量，在进行协作波束成形设计时，变量只能定义在节点上，导致仅具有节点更新机制的GNN架构不能轻松扩展到更复杂的场景，例如协作波束成形中发射器服务于多个接收器，接收器由多个发射器服务的场景，其无法处理发射器与接收器之间复杂的连接。
基于此，本申请实施例提供了一种协作波束成形方法和装置、电子设备及存储介质，旨在提高GNN在复杂场景的适用能力，使GNN能够处理发射器和多个接收器之间复杂的连接，得到协作波束成形向量，并根据协作波束成形向量进行电磁波的协作波束成形，能够满足无线数据流量需求，提高通信网络的通信质量。
本申请实施例提供的协作波束成形方法和装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的协作波束成形方法。
本申请实施例提供的协作波束成形方法，涉及无线通信技术领域。本申请实施例提供的协作波束成形方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现协作波束成形方法的应用等，但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
图1是本申请实施例提供的协作波束成形方法的一个可选的流程图，应用于下行链路多输入多输出系统，下行链路多输入多输出系统包括多个基站节点和多个用户节点，基站节点和用户节点之间具有通信信道，图1中的方法可以包括但不限于包括步骤S110至步骤S160。
步骤S110，获取基站节点的第一初始节点特征向量和用户节点的第二初始节点特征向量，并将基站节点到用户节点的通信信道作为初始边特征向量；
步骤S120，将第一初始节点特征向量、第二初始节点特征向量和初始边特征向量输入预设的更新网络，得到目标特征向量，目标特征向量包括目标边特征向量；
步骤S130，根据第一初始节点特征向量确定第一约束条件；
步骤S140，对目标边特征向量进行转换处理，得到满足第一约束条件的初始协作波束成形向量；
步骤S150，根据第二初始节点特征向量、初始边特征向量和初始协作波束成形向量计算目标函数的函数值；
步骤S160，若函数值满足预设的第二约束条件，将初始协作波束成形向量作为目标协作波束成形向量，根据目标协作波束成形向量进行协作波束成形。
在一些实施例的步骤S110中，将无线网络建模为图，无线网络中的基站为图中的基站节点即BS节点，无线网络中的用户为图中的用户节点即UE节点，从基站到用户的通信信道为图中的边。若无线网络通信系统为下行链路多输入多输出系统(Multiple-InputMultiple-Output，MIMO系统)，其中M个基站节点协作服务K个用户节点，每个基站节点配备N个天线并为所有用户节点服务，每个用户节点配备单个天线并由所有基站节点服务，则基站节点的第一初始节点向量表示为fBS＝[P1,P2,…,PM]，PM表示第M个基站节点的节点特征，节点特征为最大发射功率。用户节点的节点特征采用噪声标准差定义，K个用户节点的节点特征构成第二初始节点特征向量，用户节点的第二初始节点特征向量表示为
Figure BDA0003751285110000061
由于用户节点的噪声服从复高斯分布
Figure BDA0003751285110000062
因此采用
Figure BDA0003751285110000063
表征第K个用户节点的噪声。通信信道为
Figure BDA0003751285110000064
hm,k为从第m个基站节点到第k个用户节点的通信信道，通信信道可以为干扰链路也可以为通信链路，将通信信道作为初始边特征向量表示为E，E∈CM×K×N。
在一些实施例的步骤S120中，更新网络为图神经网络，将协作波束成形向量求解问题转化为图神经网络学习映射函数的问题，通过将第一初始节点特征向量、第二初始节点特征向量以及初始边特征向量作为无线网络的图特征，将该图特征输入至图神经网络，根据图神经网络更新层的节点更新规则对第一初始节点特征向量和第二初始节点特征向量中的节点特征进行更新，得到第一目标节点特征向量和第二目标节点特征向量，根据图神经网络的更新层分别对第一初始节点特征向量、第二初始节点特征向量和初始边特征向量进行更新，得到目标特征向量，以使图神经网络能够学习到图特征到图变量的映射函数，根据映射函数将图特征转化为对应的图变量。由于目标特征向量中包括目标边特征向量，使得波束成形向量可以定义在边上，将映射函数表示为V＝φ(fBS,fUE,E)，V为图变量，V(m,k,:)为定义在边(m,k)上的波束成形向量。
需要说明的是，映射函数具备置换等变属性,具体地，若映射函数(fBS,fUE,E)中的元素顺序被置换，则映射函数应当相应地置换输出V中的元素顺序，使得V中的元素顺序与映射函数中的元素顺序相对应。
在一些实施例的步骤S130中，第一约束条件为最大功率限制，具体地，第一约束条件如公式(1)所示。
Figure BDA0003751285110000071
其中，Pm为第一初始节点特征向量的节点特征，表示第m个基站节点的初始节点特征，即第m个基站节点的最大发射功率。
在一些实施例的步骤S140中，基于图神经网络后处理层的多层感知器(Multilayer Perceptron,MLP)对目标边特征向量进行转换处理，即对目标边特征向量进行标准归一化，得到满足第一约束条件的初始协作波束成形向量。
在一些实施例的步骤S150中，目标函数为用户节点的总和率，可以表示为
Figure BDA0003751285110000072
将第二初始节点特征向量中对应用户节点的节点特征、初始边特征向量中对应的边特征以及边特征对应的初始协作波束成形向量作为目标函数的输入参数，计算目标函数的函数值。
在一些实施例的步骤S160中，第二约束条件为用户节点的总和率达到最大值，当函数值满足第二约束条件，即所有用户节点的总和率达到最大值时，说明初始协作波束成形向量为最优的波束成形向量，能够达到通信场景中最大化总和率的目的，将初始协作波束成形向量作为目标协作波束成形向量，根据目标协作波束成形向量进行协作波束成形。
本申请实施例所示意的步骤S110至步骤S160，通过获取基站节点的第一初始节点特征向量和用户节点的第二初始节点特征向量，并将基站节点到用户节点的通信信道作为初始边特征向量，将第一初始节点特征向量、第二初始节点特征向量和初始边特征向量输入预设的更新网络，得到目标特征向量，目标特征向量包括目标边特征向量，对目标边特征向量进行转换处理，得到满足第一约束条件的初始协作波束成形向量，根据第二初始节点特征向量、初始边特征向量和初始协作波束成形向量计算目标函数的函数值，若函数值满足预设的第二约束条件，将初始协作波束成形向量作为目标协作波束成形向量，根据目标协作波束成形向量进行协作波束成形。本申请实施例通过将协作波束成形能够定义到边上，而非定义到节点上，使得更新网络能够处理发射器和多个接收器之间复杂的连接得到协作波束成形向量，以根据协作波束成形向量进行协作波束成形。
请参阅图2，在一些实施例中，更新网络包括第一更新层和第二更新层，目标特征向量还包括第一目标节点特征向量和第二目标节点特征向量，步骤S120可以包括但不限于包括步骤S210至步骤S220：
步骤S210，将第一初始节点特征向量、第二初始节点特征向量和初始边特征向量输入至第一更新层，对第一初始节点特征向量、第二初始节点特征向量和初始边特征向量进行更新，得到第一中间节点特征向量、第二中间节点特征向量和中间边特征向量；
步骤S220，将第一中间节点特征向量、第二中间节点特征向量和中间边特征向量输入至第二更新层，根据预设的第一节点更新规则、第一中间节点特征向量、第二中间节点特征向量和中间边特征向量对第一中间节点特征向量进行更新得到第一目标节点特征向量；根据预设的第二节点更新规则、第一中间节点特征向量、第二中间节点特征向量和中间边特征向量对第二中间节点特征向量进行更新得到第二目标节点特征向量；根据预设的边更新规则、第一中间节点特征向量、第二中间节点特征向量和中间边特征向量对中间边特征向量进行更新得到目标边特征向量。
在步骤S210之前，将第一初始节点特征向量、第二初始节点特征向量和初始边特征向量输入至第一多层感知器，基于第一多层感知器分别对第一初始节点特征向量、第二初始节点特征向量和初始边特征向量进行预处理，得到预处理后的第一初始节点特征向量、预处理后的第二初始节点特征向量和预处理后的初始边特征向量。具体地，将第一初始节点特征向量fBS、第二初始节点特征向量fUE和初始边特征向量E输入至图神经网络的预处理层，预处理层包括三个第一多层感知器，每个第一多层感知器分别对应一个输入特征，基于第一多层感知器对第一初始节点特征向量fBS进行非线性变换，得到预处理后的第一初始节点特征向量
Figure BDA0003751285110000081
预处理后的第一初始节点特征向量中包括基站节点的节点表征，dBS为基站节点的节点表征维度；基于第一多层感知器对第二初始节点特征向量fUE进行非线性变换，得到预处理后的第二初始节点特征向量
Figure BDA0003751285110000082
预处理后的第二初始节点特征向量中包括用户节点的节点表征，dUE为用户节点的节点表征维度；基于第一多层感知器对初始边特征向量E进行非线性变换，得到预处理后的初始边特征向量
Figure BDA0003751285110000083
预处理后的初始边特征向量中包括基站节点至用户节点之间的边表征，dE为边表征的维度。
在一些实施例的步骤S210至步骤S220中，将第一初始节点特征向量、第二初始节点特征向量和初始边特征向量输入至第一更新层，根据第一更新层的第一节点更新规则、第一初始节点特征向量、第二初始节点特征向量和初始边特征向量对第一初始节点特征向量进行更新，得到第一中间节点特征向量，根据第一更新层的第二节点更新规则、第一初始节点特征向量、第二初始节点特征向量和初始边特征向量对第二初始节点特征向量进行更新，得到第二中间节点特征向量，根据第一更新层的边更新规则、第一初始节点特征向量、第二初始节点特征向量和初始边特征向量对初始边特征向量进行更新，得到中间边特征向量，将第一中间节点特征向量、第二中间节点特征向量和中间边特征向量输入至第二更新层，根据第一中间节点特征向量、第二中间节点特征向量、中间边特征向量和第二更新层的第一节点更新规则对第一中间节点特征向量进行更新得到第一目标节点特征向量，根据第二更新层的第二节点更新规则、第一中间节点特征向量、第二中间节点特征向量和中间边特征向量对第二中间节点特征向量进行更新得到第二目标节点特征向量，根据第二更新层的边更新规则、第一中间节点特征向量、第二中间节点特征向量和中间边特征向量对中间边特征向量进行更新得到目标边特征向量。
需要说明的是，输入至第一更新层的三个特征向量可以是预处理后的第一初始节点特征向量、预处理后的第二初始节点特征向量和预处理后的初始边特征向量，也可以是均未经预处理的第一初始节点特征向量、第二初始节点特征向量和初始边特征向量。
请参阅图3，在一些实施例中，第一节点更新规则包括第二多层感知器、第三多层感知器和第一聚合函数，步骤S220可以包括但不限于包括步骤S310至步骤S330：
步骤S310，基于第二多层感知器对第二中间节点特征向量和中间边特征向量进行非线性变换，得到第一中间特征向量；
步骤S320，根据第一聚合函数对第一中间特征向量进行聚合处理，得到第二中间特征向量；
步骤S330，基于第三多层感知器对第一中间节点特征向量和第二中间特征向量进行非线性变换，得到第一目标节点特征向量。
具体地，第一节点更新规则如公式(2)所示。
Figure BDA0003751285110000091
其中，
Figure BDA0003751285110000092
为第l个更新层输出的第m个基站节点的节点表征；
Figure BDA0003751285110000093
为第l个更新层的第二多层感知器；
Figure BDA0003751285110000094
为第l个更新层的第三多层感知器；
Figure BDA0003751285110000095
为第l个更新层的第一聚合函数；
Figure BDA0003751285110000096
是与第m个基站节点相连接的用户节点集合；
Figure BDA0003751285110000097
是所述用户节点集合中第k个用户节点在第l-1个更新层输出的节点表征；
Figure BDA0003751285110000098
是定义在第m个基站节点与第k个用户节点相连接的边上的边特征表征。
在一些实施例的步骤S310至步骤S330中，将第l-1个更新层输出的第一中间节点特征向量
Figure BDA0003751285110000099
第二中间节点特征向量
Figure BDA00037512851100000910
和中间边特征向量E(l-1)输入至第l个更新层中，基于第二多层感知器
Figure BDA00037512851100000911
对第二中间节点特征向量
Figure BDA00037512851100000912
和中间边特征向量E(l-1)进行非线性映射，得到第一中间特征向量，根据第一聚合函数
Figure BDA00037512851100000913
对第一中间特征向量进行聚合处理，得到第二中间特征向量，基于第三多层感知器
Figure BDA00037512851100000914
对第一中间节点特征向量
Figure BDA00037512851100000915
和第二中间特征向量进行非线性变换，得到第一目标节点特征向量
Figure BDA00037512851100000916
需要说明的是，根据第一聚合函数对第一中间特征向量进行最大聚合处理，即对第一中间特征向量每个维度取最大值，得到第二中间特征向量。例如,有两个向量分别为[1,3,4]、[6,1,9],经最大聚合处理后，得到的向量为[6,3,9]。
请参阅图4，在一些实施例中，第二节点更新规则包括第四多层感知器、第五多层感知器和第二聚合函数，步骤S220还可以包括但不限于包括步骤S410至步骤S430：
步骤S410，基于第四多层感知器对第一中间节点特征向量和中间边特征向量进行非线性变换，得到第三中间特征向量；
步骤S420，根据第二聚合函数对第三中间特征向量进行聚合处理，得到第四中间特征向量；
步骤S430，基于第五多层感知器对第二中间节点特征向量和第四中间特征向量进行非线性变换，得到第二目标节点特征向量。
具体地，第二节点更新规则如公式(3)所示。
Figure BDA00037512851100000917
其中，
Figure BDA00037512851100000918
为第l个更新层输出的第k个用户节点的节点表征；
Figure BDA00037512851100000919
为第l个更新层的第四多层感知器；
Figure BDA00037512851100000920
为第l个更新层的第五多层感知器；
Figure BDA00037512851100000921
为第l个更新层的第二聚合函数；
Figure BDA00037512851100000922
是与第k个用户节点相连接的基站节点集合；
Figure BDA00037512851100000923
是所述用户节点集合中第k个用户节点在第l-1个更新层输出的节点表征；
Figure BDA00037512851100000924
是定义在第m个基站节点与第k个用户节点相连接的边上的边特征表征。
在一些实施例的步骤S410至步骤S430中，将第l-1个更新层输出的第一中间节点特征向量
Figure BDA00037512851100000925
第二中间节点特征向量
Figure BDA00037512851100000926
和中间边特征向量E(l-1)输入至第l个更新层中，基于第四多层感知器
Figure BDA00037512851100000927
对第一中间节点特征向量
Figure BDA00037512851100000928
和中间边特征向量E(l-1)进行非线性映射，得到第三中间特征向量，根据第二聚合函数
Figure BDA00037512851100000929
对第三中间特征向量进行聚合处理，得到第四中间特征向量，基于第五多层感知器
Figure BDA00037512851100000930
对第二中间节点特征向量
Figure BDA00037512851100000931
和第四中间特征向量进行非线性变换，得到第二目标节点特征向量
Figure BDA00037512851100000932
请参阅图5，在一些实施例，边更新规则包括第六多层感知器、第七多层感知器、第八多层感知器和第三聚合函数，步骤S240包括但不限于包括步骤S510至步骤S540：
步骤S510，基于第六多层感知器对第一中间节点特征向量和中间边特征向量进行非线性变换，得到第五中间特征向量；
步骤S520，基于第七多层感知器对第二中间节点特征向量和中间边特征向量进行非线性变换，得到第六中间特征向量；
步骤S530，根据第三聚合函数对第五中间特征向量和第六中间特征向量进行聚合处理，得到第七中间特征向量；
步骤S540，基于第八多层感知器对中间边特征向量和第七中间特征向量进行非线性变换，得到目标边特征向量。
具体地，边更新规则如公式(4)所示。
Figure BDA0003751285110000101
其中，
Figure BDA0003751285110000102
为第l个更新层输出的定义在第m个基站节点与第k个用户节点相连接边上的边特征表征；
Figure BDA0003751285110000103
为第l个更新层的第六多层感知器；
Figure BDA0003751285110000104
为第l个更新层的第七多层感知器；
Figure BDA0003751285110000105
为第l个更新层的第八多层感知器；
Figure BDA0003751285110000106
为第l个更新层的第三聚合函数；
Figure BDA0003751285110000107
是与第m个基站节点相连接的用户节点集合；
Figure BDA0003751285110000108
是与第k个用户节点相连接的基站节点集合。
在一些实施例的步骤S510至步骤S540中，为了得到定义在第m个基站节点到第k个用户节点相连接边上的边表征，基于第六多层感知器
Figure BDA0003751285110000109
对第l-1更新层输出的定义在边(m,k1)上的边表征和第m个基站节点的节点表征进行非线性变换，得到第五中间特征向量，其中边(m，k1)是第m个基站节点与用户节点集合中第k1个用户节点相连接形成的边。基于第七多层感知器
Figure BDA00037512851100001010
对第l-1更新层输出的定义在边(m1,k)上的边表征和第k个用户节点的节点表征进行非线性变换，得到第六中间特征向量，其中边(m1，k)是基站节点集合中第m1个基站节点与第k个用户节点相连接形成的边。根据第三聚合函数对第五中间特征向量和第六中间特征向量进行最大聚合处理，得到第七中间特征向量，基于第八多层感知器对定义在边(m，k)上的边表征和第七中间特征向量进行非线性变换，得到定义在边(m,k)边上的边表征。
请参阅图6，在一些实施例中，步骤S150可以包括但不限于包括步骤S610至步骤S620：
步骤S610，根据第二初始节点特征向量、初始边特征向量和初始协作波束成形向量计算信干噪比；
步骤S620，对信干噪比进行对数运算，得到目标函数的函数值。
在一些实施例的步骤S610中，通信网络中若BS节点发送给第k个UE节点的信号为sk，由于干扰和噪声的存在，第k个UE节点接收的信号yk如公式(5)所示。
Figure BDA00037512851100001011
其中，yk包括三项，第一项为信号项，第二项为干扰项，用于表征来自BS节点的干扰，第三项为噪声项，用于表征来自UE节点的噪声，噪声服从复高斯分布
Figure BDA0003751285110000111
第k个UE节点的信干噪比如公式(6)所示。
Figure BDA0003751285110000112
将第二初始节点特征向量
Figure BDA0003751285110000113
初始边特征向量hm,k和初始协作波束成形向量vm,k输入如公式(6)所示的信干噪比公式，得到信干噪比。
在一些实施例的步骤S620中，对信干噪比进行对数运算，得到目标函数的函数值，目标函数如公式(7)所示。
Figure BDA0003751285110000114
参照图7，本申请实施例基于具有节点更新机制和边更新机制的图神经网络Edge-GNN进行协作波束成形，图神经网络包括预处理层、L个更新层和后处理层，将BS节点的节点特征fBS、UE节点的节点特征fUE以及定义在BS节点与UE节点相连接边上的边特征E输入至图神经网络，根据预处理层对节点特征fBS、fUE和边特征E进行预处理，得到初始节点表征
Figure BDA0003751285110000115
Figure BDA0003751285110000116
和初始边表征E(0)，将初始节点表征和初始边表征输入至第一个更新层，根据第一节点更新规则对初始基站节点表征
Figure BDA0003751285110000117
进行更新，得到第一个更新层输出的中间基站节点表征
Figure BDA0003751285110000118
根据第二节点更新规则初始用户节点表征
Figure BDA0003751285110000119
进行更新，得到第一个更新层输出的中间用户节点表征
Figure BDA00037512851100001110
根据边更新规则对初始边表征E(0)进行更新，得到第一个更新层输出的中间边表征E(1)，将第一个更新层输出的中间基站节点表征、中间用户节点表征和中间边表征输入至第二个更新层，根据第二个更新层的第一节点更新规则对中间基站节点表征进行更新，根据第二个更新层的第二节点更新规则对中间用户节点表征进行更新，根据第二个更新层的边更新规则对中间边表征进行更新，依此类推，将上一更新层输出的中间基站节点表征、中间用户节点表征和中间边表征输入至下一更新层进行更新，直至能够得到第L个更新层输出的目标基站节点表征
Figure BDA00037512851100001111
目标用户节点表征
Figure BDA00037512851100001112
和目标边表征E(L)。需要说明的是，每个更新层的第一节点更新规则、第二节点更新规则和边更新规则相同，其中第一节点更新规则如公式(2)所示，第二节点更新规则如公式(3)所示，边更新规则如公式(4)所示。表征的维度在更新层中不会改变，根据后处理层对目标边表征进行转换得到协作波束成形向量。
若一个下行链路MIMO系统中，在2×2km2的区域内，M个BS协同服务K个UE，BS均匀分布在该区域，BS之间的最小距离为500米，所有的UE节点均匀分布在距离BS节点50米到250米之间，每个BS配备2个天线，最大发射功率33dBm，路径损耗为30.5+36.7log10d，以dB为单位，其中d是以米为单位的距离。小规模信道遵循瑞利衰落，每个UE的噪声功率为-99dBm。采用具有L＝2个更新层的Edge-GNN，聚合函数AGG由最大聚合器实现，它返回输入向量每个维度的最大值。维度dBS、dUE和dE均为64。BS节点更新机制、UE节点更新机制和边更新机制中所有MLP均由3个线性层实现，分别有64、256、64个神经元，每个线性层后具有一个ReLU激活函数。
在图神经网络的训练过程中，迭代的次数设置为500，每次迭代包含256个训练样本，学习率为γ＝10-4。在每个训练样本中，BS节点和UE节点的位置以及小的比例通道是随机生成的，BS节点的数量设置为5个，UE节点的数量设置为2个，通过RMSProp优化器更新Edge-GNN的参数。训练后，在100个样本上测试Edge-GNN的平均性能，该平均性能包括Edge-GNN在总和率和计算时间方面的性能。Edge-GNN在不同BS节点数量下总和率方面的性能如图8所示，在不同BS节点数量下计算时间方面的性能如图9所示，在不同UE节点数量下总和率方面的性能如图10所示，在不同UE节点数量下计算时间方面的性能如图11所示。
需要说明的是，BS的发射功率减去路径损耗得到UE接收信号的功率。
需要进一步说明的是，第m个基站节点的最大发射功率为33dBm,33dBm为0dB，0dB为1V，则Pm为1。
通过在5至8个BS下测试训练后的Edge-GNN的总和率，证明Edge-GNN对不同数量BS的泛化能力。如图8所示，Edge-GNN比GP和WMMSE实现了更高的总和率，随着BS数量的增加，Edge-GNN仍然实现了GP和WMMSE更高的总和率，这种优越性是因为Edge-GNN学习了一个通用的从边特征(信道状态)、BS节点特征(功率预算)和UE节点特征(噪声功率)到相应波束成形向量的映射函数，该映射函数与BS的数量无关。此外，Edge-GNN中的参数数量与BS的数量无关，使训练后的Edge-GNN适用于不同数量的BS。由于Edge-GNN具有置换等变属性即PE属性，避免了很多次不必要的置换训练样本，提高了图神经网络的泛化能力。
如图9所示，Edge-GNN与GP和WMMSE相比，计算时间大幅缩短，Edge-GNN的计算时间甚至比WMMSE缩短了1000倍以上。Edge-GNN的运行速度快，适用于实时通信场景。
通过在2至8个UE下测试训练后的Edge-GNN的总和率，证明Edge-GNN对不同数量UE的泛化能力。如图10所示，随着UE数量的增加，Edge-GNN在总和率方面优于GP和WMMSE。如图11所示，在不同数量的UE下，Edge-GNN计算时间也比GP和WMMSE短。
请参阅图12，本申请实施例还提供一种协作波束成形装置，可以实现上述协作波束成形方法，应用于下行链路多输入多输出系统，下行链路多输入多输出系统包括多个基站节点和多个用户节点，基站节点和用户节点之间具有通信信道，该装置包括：
获取模块1210，用于获取基站节点的第一初始节点特征向量和用户节点的第二初始节点特征向量，并将基站节点到用户节点的通信信道作为初始边特征向量；
更新模块1220，用于将第一初始节点特征向量、第二初始节点特征向量和初始边特征向量输入预设的更新网络，得到目标特征向量，目标特征向量包括目标边特征向量；
第一计算模块1230，用于根据第一初始节点特征向量确定第一约束条件；
转换模块1240，用于对目标边特征向量进行转换处理，得到满足第一约束条件的初始协作波束成形向量；
第二计算模块1250，用于根据第二初始节点特征向量、初始边特征向量和初始协作波束成形向量计算目标函数的函数值；
协作波束成形模块1260，用于若函数值满足预设的第二约束条件，将初始协作波束成形向量作为目标协作波束成形向量，根据目标协作波束成形向量进行协作波束成形。
该协作波束成形装置的具体实施方式与上述协作波束成形方法的具体实施例基本相同，在此不再赘述。
本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述协作波束成形方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图13，图13示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器1310，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器1320，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器1320可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1320中，并由处理器1310来调用执行本申请实施例的协作波束成形方法；
输入/输出接口1330，用于实现信息输入及输出；
通信接口1340，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；
总线1350，在设备的各个组件(例如处理器1310、存储器1320、输入/输出接口1330和通信接口1340)之间传输信息；
其中处理器1310、存储器1320、输入/输出接口1330和通信接口1340通过总线1350实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述协作波束成形方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的协作波束成形方法、协作波束成形装置、电子设备及存储介质，其通过获取基站节点的第一初始节点特征向量和用户节点的第二初始节点特征向量，并将基站节点到用户节点的通信信道作为初始边特征向量，将第一初始节点特征向量、第二初始节点特征向量和初始边特征向量输入预设的更新网络，得到目标特征向量，目标特征向量包括目标边特征向量，对目标边特征向量进行转换处理，得到满足第一约束条件的初始协作波束成形向量，根据第二初始节点特征向量、初始边特征向量和初始协作波束成形向量计算目标函数的函数值，若函数值满足预设的第二约束条件，将初始协作波束成形向量作为目标协作波束成形向量，根据目标协作波束成形向量进行协作波束成形。本申请实施例通过将协作波束成形能够定义到边上，而非定义到节点上，使得更新网络能够处理发射器和多个接收器之间复杂的连接得到协作波束成形向量，以根据协作波束成形向量进行协作波束成形。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1-11中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.协作波束成形方法，其特征在于，应用于下行链路多输入多输出系统，所述下行链路多输入多输出系统包括多个基站节点和多个用户节点，所述基站节点和所述用户节点之间具有通信信道，所述方法包括：
获取基站节点的第一初始节点特征向量和用户节点的第二初始节点特征向量，并将所述基站节点到所述用户节点的所述通信信道作为初始边特征向量；
将所述第一初始节点特征向量、所述第二初始节点特征向量和所述初始边特征向量输入预设的更新网络，得到目标特征向量，所述目标特征向量包括目标边特征向量；
根据所述第一初始节点特征向量确定第一约束条件；
对所述目标边特征向量进行转换处理，得到满足所述第一约束条件的初始协作波束成形向量；
根据所述第二初始节点特征向量、所述初始边特征向量和所述初始协作波束成形向量计算目标函数的函数值；
若所述函数值满足预设的第二约束条件，将所述初始协作波束成形向量作为目标协作波束成形向量，根据所述目标协作波束成形向量进行协作波束成形。
2.根据权利要求1所述的协作波束成形方法，其特征在于，所述更新网络包括第一更新层和第二更新层，所述目标特征向量还包括第一目标节点特征向量和第二目标节点特征向量，所述将所述第一初始节点特征向量、所述第二初始节点特征向量和所述初始边特征向量输入预设的更新网络，得到目标特征向量，包括：
将所述第一初始节点特征向量、所述第二初始节点特征向量和所述初始边特征向量输入至所述第一更新层，对所述第一初始节点特征向量、所述第二初始节点特征向量和所述初始边特征向量进行更新，得到第一中间节点特征向量、第二中间节点特征向量和中间边特征向量；
将所述第一中间节点特征向量、所述第二中间节点特征向量和所述中间边特征向量输入至第二更新层，根据预设的第一节点更新规则、所述第一中间节点特征向量、所述第二中间节点特征向量和所述中间边特征向量对所述第一中间节点特征向量进行更新得到所述第一目标节点特征向量；根据预设的第二节点更新规则、所述第一中间节点特征向量、所述第二中间节点特征向量和所述中间边特征向量对所述第二中间节点特征向量进行更新得到所述第二目标节点特征向量；根据预设的边更新规则、所述第一中间节点特征向量、所述第二中间节点特征向量和所述中间边特征向量对所述中间边特征向量进行更新得到所述目标边特征向量。
3.根据权利要求1所述的协作波束成形方法，其特征在于，在所述将所述第一初始节点特征向量、所述第二初始节点特征向量和所述初始边特征向量输入预设的更新网络之前，所述协作波束成形方法还包括：
将所述第一初始节点特征向量、所述第二初始节点特征向量和所述初始边特征向量输入至第一多层感知器，基于所述第一多层感知器分别对所述第一初始节点特征向量、所述第二初始节点特征向量和所述初始边特征向量进行预处理，得到预处理后的第一初始节点特征向量、预处理后的第二初始节点特征向量和预处理后的初始边特征向量。
4.根据权利要求2所述的协作波束成形方法，其特征在于，所述第一节点更新规则包括第二多层感知器、第三多层感知器和第一聚合函数，所述根据预设的第一节点更新规则、所述第一中间节点特征向量、所述第二中间节点特征向量和所述中间边特征向量对所述第一中间节点特征向量进行更新得到所述第一目标节点特征向量，包括：
基于所述第二多层感知器对所述第二中间节点特征向量和所述中间边特征向量进行非线性变换，得到第一中间特征向量；
根据所述第一聚合函数对所述第一中间特征向量进行聚合处理，得到第二中间特征向量；
基于所述第三多层感知器对所述第一中间节点特征向量和所述第二中间特征向量进行非线性变换，得到所述第一目标节点特征向量。
5.根据权利要求2所述的协作波束成形方法，其特征在于，所述第二节点更新规则包括第四多层感知器、第五多层感知器和第二聚合函数，所述根据预设的第二节点更新规则、所述第一中间节点特征向量、所述第二中间节点特征向量和所述中间边特征向量对所述第二中间节点特征向量进行更新得到所述第二目标节点特征向量，包括：
基于所述第四多层感知器对所述第一中间节点特征向量和所述中间边特征向量进行非线性变换，得到第三中间特征向量；
根据所述第二聚合函数对所述第三中间特征向量进行聚合处理，得到第四中间特征向量；
基于所述第五多层感知器对所述第二中间节点特征向量和所述第四中间特征向量进行非线性变换，得到所述第二目标节点特征向量。
6.根据权利要求2所述的协作波束成形方法，其特征在于，所述边更新规则包括第六多层感知器、第七多层感知器、第八多层感知器和第三聚合函数，所述根据预设的边更新规则、所述第一中间节点特征向量、所述第二中间节点特征向量和所述中间边特征向量对所述中间边特征向量进行更新得到所述目标边特征向量，包括：
基于所述第六多层感知器对所述第一中间节点特征向量和所述中间边特征向量进行非线性变换，得到第五中间特征向量；
基于所述第七多层感知器对所述第二中间节点特征向量和所述中间边特征向量进行非线性变换，得到第六中间特征向量；
根据所述第三聚合函数对所述第五中间特征向量和所述第六中间特征向量进行聚合处理，得到第七中间特征向量；
基于所述第八多层感知器对所述中间边特征向量和所述第七中间特征向量进行非线性变换，得到所述目标边特征向量。
7.根据权利要求1至6任一项所述的协作波束成形方法，其特征在于，所述根据所述第二初始节点特征向量、所述初始边特征向量和所述初始协作波束成形向量计算目标函数的函数值，包括：
根据所述第二初始节点特征向量、所述初始边特征向量和所述初始协作波束成形向量计算信干噪比；
对所述信干噪比进行对数运算，得到所述目标函数的所述函数值。
8.协作波束成形装置，其特征在于，应用于下行链路多输入多输出系统，所述下行链路多输入多输出系统包括多个基站节点和多个用户节点，所述基站节点和所述用户节点之间具有通信信道，所述装置包括：
获取模块，用于获取基站节点的第一初始节点特征向量和用户节点的第二初始节点特征向量，并将所述基站节点到所述用户节点的所述通信信道作为初始边特征向量；
更新模块，用于将所述第一初始节点特征向量、所述第二初始节点特征向量和所述初始边特征向量输入预设的更新网络，得到目标特征向量，所述目标特征向量包括目标边特征向量；
第一计算模块，用于根据所述第一初始节点特征向量确定第一约束条件；
转换模块，用于对所述目标边特征向量进行转换处理，得到满足所述第一约束条件的初始协作波束成形向量；
第二计算模块，用于根据所述第二初始节点特征向量、所述初始边特征向量和所述初始协作波束成形向量计算目标函数的函数值；
协作波束成形模块，用于若所述函数值满足预设的第二约束条件，将所述初始协作波束成形向量作为目标协作波束成形向量，根据所述目标协作波束成形向量进行协作波束成形。
9.电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至7任一项所述的方法的步骤。
10.存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的方法的步骤。
CN202210841545.XA 2022-07-18 2022-07-18 协作波束成形方法和装置、电子设备及存储介质 Pending CN115333595A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210841545.XA CN115333595A (zh) 2022-07-18 2022-07-18 协作波束成形方法和装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210841545.XA CN115333595A (zh) 2022-07-18 2022-07-18 协作波束成形方法和装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115333595A true CN115333595A (zh) 2022-11-11

Family

ID=83918463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210841545.XA Pending CN115333595A (zh) 2022-07-18 2022-07-18 协作波束成形方法和装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115333595A (zh)

Similar Documents

Publication Publication Date Title
CN109167787B (zh) 一种移动边缘计算网络中安全计算卸载的资源优化方法
CN111698789B (zh) 通信系统中的调度方法、装置及存储介质
US20220172054A1 (en) Intermediate network node and method performed therein for handling data of communication networks
CN117081956B (zh) 链路质量评估方法、系统、存储介质及电子设备
CN115913486A (zh) 信息上报方法、装置、终端及可读存储介质
Rajiv et al. Massive MIMO based beamforming by optical multi-hop communication with energy efficiency for smart grid IoT 5G application
CN115333595A (zh) 协作波束成形方法和装置、电子设备及存储介质
Omondi et al. Variational autoencoder-enhanced deep neural network-based detection for MIMO systems
CN113572550B (zh) 确定信号的信噪比的方法、装置、计算机设备及存储介质
US20240155383A1 (en) Reinforcement learning for son parameter optimization
CN112996125B (zh) 一种调度方法及装置
US20230188430A1 (en) First network node and method performed therein for handling data in a communication network
CN116827393B (zh) 基于联邦学习的无蜂窝大规模mimo接收方法及系统
WO2023179540A1 (zh) 信道预测方法、装置及无线通信设备
US20240297685A1 (en) Cooperative learning method and apparatus for power allocation in distributed multiple input and multiple output system
WO2024208167A1 (zh) 信息处理方法、信息处理装置、终端及网络侧设备
CN116781518B (zh) 一种联邦多臂老虎机学习方法及系统
WO2024083004A1 (zh) Ai模型配置方法、终端及网络侧设备
US20240354659A1 (en) Method for Updating Model and Communication Device
WO2024140422A1 (zh) Ai单元的性能监测方法、终端及网络侧设备
WO2023185890A1 (zh) 一种数据处理方法及相关装置
US20240291695A1 (en) Method for channel estimation, device, and storage medium
WO2024125525A1 (zh) Ai算力上报方法、终端及网络侧设备
WO2024067280A1 (zh) 更新ai模型参数的方法、装置及通信设备
de Lima Henriques Deep Learning-based Channel Predictor for RIS-assisted NOMA Communication Systems

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