CN115426007B - 一种基于深度卷积神经网络的智能波束对准方法 - Google Patents

Abstract

本发明属于无线通信和深度学习技术领域，具体涉及一种基于深度卷积网络的智能波束对准方法。本发明通过找到一种可以明确表征不同波束之间空间相关性的方法，并利用这种空间相关性在波束空间中选择固定的波束子集，再通过利用深度卷积神经网络强大的特征提取及表征能力，将离线收集的波束子集的信噪比输入到深度卷积神经网络中进行波束训练，进而深度卷积网络可以推断出最优波束。利用本发明提出的方法，接入点不需要探测整个波束空间，只需要探测少量固定的波束，就可以准确的推断出当前时刻与用户设备通信的最优波束，完成严格的波束对准，在降低系统的开销的同时提高吞吐量性能。

Description

一种基于深度卷积神经网络的智能波束对准方法

技术领域

本发明属于无线通信和深度学习技术领域，具体涉及一种基于深度卷积神经网络的智能波束对准方法。

背景技术

毫米波有望解决5G及以上频段的频谱短缺问题。然而，高度定向的波束将毫米波技术与sub-6G技术区分开来。为了在接入点(Access Point，AP)和用户设备(UserEquipment，UE)之间实现高性能的毫米波传输，现有技术通常使用波束训练方法来达到严格的波束对准。

严格的波束对准意味着接收机接收到的信噪比最高。为了实现波束训练，现有的3GPP标准中建议首先分别使用一组波束，对发射机和接收机的波束空间离散化处理，然后使用穷尽波束搜索(Exhaustive Beam Search，EBS)的方法探测所有波束对的相应接收信噪比，最终可以根据最高的接收信噪比来确定最优波束对。但是EBS方法的开销会随着波束空间大小的增长而呈指数增长，进而成为阻碍吞吐量性能提升的瓶颈。

近年来，为了减少系统的训练开销，人工智能中的深度神经网络逐渐被引入到毫米波波束训练过程中来。现有的先进技术主要有：

(1)基于深度学习的辅助校准波束训练技术。由于宽波束空间的尺寸大小要小于窄波束空间的大小，该技术通过码本的设计，使用宽波束的接收信号来预测最优的窄波束，最终实现高吞吐量的数据传输。具体来讲，该技术利用深度卷积神经网络，在离线的状态下使用从宽波束接受到的信号，学习接收信号与最优窄波束的映射关系。此外，该技术通过将卷积神经网络与长-短期记忆网络集成，利用长-短期记忆网络学习用户的运动轨迹，进一步提高了系统的性能。

(2)基于深度学习的可调波束训练的设计与实现技术。该技术观察到在用户处接收到的相邻波束的信噪比具有高度相关性，因此提出了探测部分波束的接收信噪比以推断最优波束的方法，从而减少波束训练中的开销。该技术在进一步研究中发现，较少数量的探测波束会导致系统推断出的最优波束的精度较低。为了获得良好的吞吐量性能，该技术进一步采用强化学习的技术来自适应地确定合适的探测波束数量。

但是在上述的技术中，并没有充分的挖掘和利用不同波束之间的空间相关性。具体来讲，技术(1)并未研究窄波束之间的空间相关性，而技术(2)的研究中探测波束仅仅采用基于均匀分布的方法来选择，无法明确地反映所有波束之间的空间相关性。因此，这些方法可能会导致系统的吞吐量性能不够理想。

发明内容

针对上述问题，本发明的目标是在上述技术的基础上，找到一种可以明确表征不同波束之间空间相关性的方法，并利用这种空间相关性在波束空间中选择固定的波束子集进行波束训练，进而提高系统的吞吐量性能。

A问题描述

本发明考虑下行链路的端到端的毫米波通信场景，如图1所示，其中接入点为用户设备提供服务。具体而言，接入点的天线阵列配置为均匀线阵，用户设备配备全向天线。

本发明使用扩展的Saleh-Valenzuela几何信道模型来表示接入点和用户设备之间的稀疏毫米波信道，可以表示为

其中α表示从接入点到用户设备的大尺度衰减系数，L表示路径数，是第l条路径的复路径增益，/>是第l条路径的天线阵列响应向量，可以表示为

其中，φ_l表示第l路径的离开方向(direction of departure,DoD)，λ表示信号波长，d表示天线阵元的间距。

本发明使用基于码本的模拟波束成型方法，其中每个发射波束由一个码字所定义。本发明采用离散傅立叶变换(Discrete Fourier Transform,DFT)码本。当波束数量与天线数量相等时，DFT码本矩阵即为DFT矩阵，该矩阵任意两列向量相互正交；当波束数量大于天线数量，DFT码本的码字失去正交性，但波束方向的分辨率增加，适用于天线数量受限的场景，此时波束数量一半设置为天线数量的倍数，且倍数一般为2的整数次幂，本发明考虑波束数量等于天线数量的场景。

本发明中的离散傅立叶变换码本共由M个码字组成的，其中第i个码字可以表示为

其中，i＝0,1,…,M-1。

当选择用c_i来配置接入点处的模拟波束成型时，则在用户处的接收信号可以表示为

其中P是发射功率，s(t)是发射信号，是噪声向量。本发明中的阻塞波束的功率会衰减20-35dB，而与阻塞波束相邻的波束的功率衰减比阻塞波束低5-10dB。

本发明中遵循IEEE 802.11ad/ay协议，使用信标间隔(Beacon Interval,BI)来表示信号传输的时间帧，如图2所示。如果将每个BI的持续时间表示为T_BI，则信道h(t)在每个BI内保持不变，而在不同的BI之间独立变化。每个BI包括两个阶段，即信标头间隔(BeaconHeader Interval,BHI)阶段，它的持续时间记为T_BHI，以及数据传输间隔(DataTransmission Interval,DTI)阶段，它的持续时间为T_DTI＝T_BI-T_BHI。接入点可以在BHI阶段找到在用户设备处的最优波束或码字，也就是具有最高接收信噪比的波束。而在DTI阶段，接入点使用最优波束向用户设备传输数据。为了找到最优波束，波束训练阶段还包括了多个波束探测间隔(Beam Probing Intervals,BPI)。接入点在每个BPI中都会使用探测波束来探测用户设备处的接收信噪比，在完成所有BPI的探测后，接入点就可以根据所有探测过的信噪比来确定最优波束。而EBS方法正是通过探测所有可能的波束，也就是BPI的数量与整个波束空间的数量相同，来确定最优波束的。

从以上的分析中，如果本发明定义探测波束的数量为N_s，则每个BI的持续时间的长短T_BHI主要与探测波束的数量N_s有关，则本发明定义系统的训练延迟为

LT＝N_s·T_BPI+(N_s-1)·T_SBIFS+T_others,

其中，T_BPI是每个BPI的持续时间，T_SBIFS是两个连续BPI之间的间隔的持续时间，T_others是所有与T_BPI和T_SBIFS无关的持续时间之和，例如用户设备反馈间隔和确认间隔等。

在用户设备处探测到的第t个BI时刻并且通过第i个波束传输信号的信噪比，本发明用γ(i,t)来表示。在EBS方法中，接入点会探测所有波束空间的波束，即N_s＝M，最优波束的索引就是具有最高信噪比的波束的索引，即

opt(t)＝arg maxγ(i,t),i＝1,2,…,M.

本发明将系统的带宽用B来表示，则系统相应的吞吐量可以定义为

依据公式，在EBS方法中选择探测所有波束空间的波束(N_s＝M)，限制了系统吞吐量提高的可能性。而减小探测波束的数量N_s则会降低最优波束的推断精度，进而会降低吞吐量。因此，本发明的目的是只使用小部分波束(N_s<M)进行探测，在保证最优波束的推断精度的同时，提高系统的吞吐量性能。

B智能波束对准技术设计

1)智能波束对准技术框架

在前文已经介绍过，EBS方法需要探测整个波束空间，这样可以在每个BI的BHI部分中确定接收信噪比最高的最优波束。由于在特定环境中，不同波束之间通常存在很强的空间相关性。所以本发明中利用这些空间相关性来减少需要探测的波束数量。具体来讲，本发明技术的思路是首先选择波束空间的固定子集的波束作为探测波束，并获得相应的接收信噪比。再通过将这些波束的信噪比与不同波束之间的相关性关系合并在一起，利用这些波束的信噪比就可以推断出整个波束空间中的最优波束。本发明使用卷积神经网络提取并表示出不同波束之间的相关性，其中卷积神经网络的输入和输出分别是探测波束的接收信噪比和推断出的最优波束索引，技术算法的整体框图如图3所示。为了实现该算法，本发明首先要确定好需要探测波束的子集，并通过卷积神经网络把波束之间的空间相关性提取并表示出来。

2)智能波束对准技术的实现步骤

S1、构建智能波束对准技术的数据集：在波束训练阶段，选择N_s个具有最高空间互信息的波束进行探测K个BI时间，将探测波束的信噪比向量表示为Γ(t)，作为智能波束对准技术的数据集。并计算出每个BI对应的最优波束的索引，作为智能波束对准技术数据集的标签。其中，空间互信息的实施方式以及探测波束的选择方式如下所述：

空间互信息包含两种互信息，一种是波束与其余波束(Beam and the RemainingBeams,BRB)之间的互信息，称为BRB互信息，由I_BRB表示。另一种是波束和最优波束(Beamand the Optimal Beam,BOB)之间的互信息，称为BOB互信息，由I_BOB表示。为了计算这两种互信息，本发明首先使用EBS方法离线收集K个BI时间内所有波束的信噪比以及每个BI对应的最优波束，同时用Γ_i＝{γ(i,1),…,γ(i,K)}来表示波束i的在K个BI的信噪比向量。

①BRB互信息的实现

分别定义Γ_i和Γ_j为波束i和波束j的信噪比向量，其中i,j∈1,2,…,M。则两个向量之间的归一化非线性相关系数可通过以下公式计算：

其中H(Γ_i)是Γ_i的香农熵，H(Γ_i；Γ_j)是Γ_i和Γ_j之间的联合熵，它们的定义分别为

其中p_x表示Γ_i的概率密度函数，p_xy表示Γ_i和Γ_j的联合概率密度函数。本发明使用Γ_i和Γ_j之间的离散直方图分布来近似其概率分布，进而得到p_x和p_xy的近似估计值。波束i的直方图宽度为

如果本发明用h_i(x)表示波束i的第x个直方图，并定义e_i＝min(Γ_i)，则p_x可以近似等于γ(i,t)位于第x直方图范围内的概率，即

其中1是指示函数，当不等式为真时，指示函数的值等于1，否则等于0。类似地，p_xy可以近似为γ(i,t)和γ(j,t)分别同时位于直方图h_i(x)和h_j(y)范围内的概率，即

e_j+w_j·(y-1)≤γ(j,t)≤e_j+w_j·y).

则波束i的平均BRB互信息为

②BOB互信息的实现

本发明采用了k最近邻方法，来计算每个波束的信噪比与最优波束指数之间的互信息。波束i在第t个BI时刻的BOB互信息I_BOB可以被表示为

I_BOB(i,t)＝ψ(K)-ψ(O(i,t))+ψ(k)-ψ(n(i,

其中ψ表示当x>0时严格递增的digamma函数，O(i,t)表示波束i在除去第t个时刻的BI之外的其余所有K个BI中上作为最优波束的次数，即

当波束i在第τ个BI时刻为最优波束时，本发明将此时波束i的信噪比表示为γ(i^＊,τ)，这样γ(i,t)的第k近邻信噪比可以由所有历史信噪比集合Υ＝{γ(i^＊,τ)∣opt(τ)＝i}中与γ(i,t)第k接近的那个值。为了确定γ(i,t)的第k近邻信噪比，本发明首先计算γ(i,t)和每个γ(i^＊,τ)之间的信噪比距离d_i(t,τ)，即

进而可以得到一个关于波束i在t时刻的信噪比距离集，即这样集合/>中选择的第k个最小值即为γ(i,t)与其第k个最近邻信噪比之间的信噪比距离r_i(t,k)。

对于n(i,t)，它表示所有信噪比位于波束i在第t时刻信噪比γ(i,t)与其第k个最近邻信噪比之间的最优波束数，计算式为

平均BOB互信息为

③探测波束的选择

本发明将波束i的空间互信息定义为平均BRB互信息和平均BOB互信息的加权组合，即

其中β(0≤β≤1)是权重系数，在波束训练阶段，选择N_s个具有最高空间互信息的波束进行探测，并将探测波束的信噪比向量表示为Γ(t)。最优β的设计将通过仿真结果来确定，以便最大程度地提高最优波束的推断精度。

S2、构建智能波束对准网络：本发明需要使用卷积神经网络来根据探测波束的信噪比推断最优波束索引。如图4所示，网络的结构设计包括特征提取模块和最优波束推断模块。具体的设计方式如下所述：

①特征提取模块设计

特征提取模块用于从收集到的探测波束的信噪比中提取出空间特征，模块的设计主要包含了m层级联的卷积层。如果本发明把卷积神经网络的输入表示为则第i层卷积层的输入和输出之间的数学关系为

其中，粗体字母表示一维向量，表示第l层中的第i个特征图，n_l表示第l层中的特征图的个数，/>表示第(l-1)层中第j个特征图的卷积核，它的作用是通过卷积运算获取第l层中的第i个特征映射。b是偏差，f_act是激活函数。

②最优波束推断模块设计

模块首先引入了一个展平层，接下来是若干个全连接层。其中展平层的作用是将特征提取模块输出的n_m个特征图展平为一维的特征图，即

其中f_fla表示展平函数，f⁰表示展平之后的一维特征图。随后本发明将将展平的特征图f⁰输入到全连接层，即

f^k＝w^kf_act(f^k-1)+b^k,k＝1,2,..

其中，n表示全连接层的总层数，f^k表示第k个全连接层的输出，w^k和b^k分别为第k层全连接层的权重和偏移矩阵。最后一个全连接层后使用了softmax激活函数来获得每个波束是最优波束的概率，即

其中，是波束i被推断为最优波束概率。

S3、训练智能波束对准网络：采用S1构建的训练数据对S2构建的智能波束对准网络进行训练，本发明使用了交叉熵损失函数来衡量实际的最优波束和推断的最优波束之间的差异，即

其中，当推断出的最优波束i为实际最优波束时，p_i的值为1，否则p_i的值为0。然后，通过不断的最小化上述公式中的交叉熵，就可以使用离线收集到数据对卷积神经网络进行适当的训练。

S4、进行智能波束对准

接入点依据S1选择探测波束，获得当前BI的信噪比向量Γ(t)，输入到S3中训练好的网络中，得到智能波束网络推断的最优波束的结果。最优波束索引就是选择所有波束中推断为最优波束的概率最高的那一个，即

接入点使用推断出的最优波束进行数据传输即可达到波束对准的目的。

附图说明

图1为典型毫米波下行通信场景示意图。

图2为本发明波束训练帧的示意图。

图3为本发明的原理框架示意图。

图4为本发明的深度卷积神经网络结构示意图。

图5为不同β值的最优波束推断精度对比示意图。

图6为本发明与LABNT技术有关最优波束推断精度对比示意图。

图7为本发明与LABNT技术和EBS技术吞吐量对比示意图。

具体实施方式

下面结合仿真示例和附图来说明本发明的实用性，首先提供系统模型参数设置和仿真参数，然后提供仿真结果来评估本发明所提出算法的性能。同时，将所提出算法与现有的LABNT算法和EBS波束搜索算法进行比较。

本发明考虑一个简化的毫米波无线通信环境，整个通信环境的覆盖范围为2m到10m的圆盘区域，其中接入点位于中心。载波的频率为60GHz，噪声功率谱密度为-174dBm/Hz，系统带宽为2.16GHz。此外，T_BI,T_BPI,T_SBIEFS,T_others的时间间隔分别为10ms，15us，1us，42us。码字的个数也即是总的波束数目为128，用来进行探测的波束数量选择分别有8,16,32。

在训练阶段，本发明采用EBS方法收集用户设备处于不同位置时每个波束的信噪比。其中用户设备采用了可变角速度的离心和向心运动，以便收集到的数据能够尽可能包含整个环境的信息。具体而言，用户设备的角速度在0到2π之间均匀分布，同时用户设备的位置在两个连续的BI之间的距离变化均为0.2m。

而对于阻塞而言，阻塞波束的位置是固定的，本发明用(r,i)来表示，其中是r是接入点与阻塞之间的距离，i是阻塞波束的索引。阻塞波束的衰减为20dB-30dB，而相邻波束的衰减要小于阻塞波束。此外，在仿真信道模型中本发明只考虑了视距无线传输路径,采用了室内办公室路径损耗，即PL＝32.5+20log₁₀(f_c)+20log₁₀(d)，其中f_c是载波频率，d是接入点和用户设备之间的距离。

深度神经网络的设计与参数设置如下。卷积层共有三层，采用的卷积核的尺寸均为(1，3)，并且再每一层的卷积层之后均连接有Tanh激活函数。第一层卷积层的输入通道数为1，输出通道数为8；第二层卷积层的输入通道数为8，输出通道数为16；第三层卷积层的输入通道数为16，输出通道数为32。在卷积层之后为展平层，将上述卷积层获得的若干特征向量展平为一维向量。之后是两次全连接层，其中第一层全连接层的输入通道数为32(N_s-6)，输出通道数为256，并且使用Tanh激活函数；第二层全连接层的输入通道数为256，输出通道数为128，使用Softmax激活函数。此外，网络所采用的优化器为Adam优化器，学习率为0.01。

在训练阶段，本发明收集了K＝3500个BI的离线数据，也就是本发明使用了3500个用户设备的离散位置来表示整个通信环境。在测试阶段，用户设备随机移动了5000个BI。此外，所有的仿真结果均为10次试验的平均值。

图5展示了最优波束的推断精度在不同数量的探测波束，以及在空间互信息中定义的不同权重β值下的结果。本发明观察到，对于N_s＝8和N_s＝16，使最优波束的推断精度最大化的β值约为0.2；而对于N_s＝32，使得推断精度最大的β值约为0。这意味着在本发明所选择的通信环境中，BRB互信息可以更好的表征整个环境的信息。

图6展示了本发明所提出的技术与LABNT技术，在不同探测波束情况下的最优波束推断精度的对比。本发明观察到，本发明所提出的技术推断精度最优波束的推断精度远高于参考的技术，特别是当探测波束的数量很小的情况下。这表明了本发明所提出的技术可以更充分地利用训练阶段所收集的数据。

图7比较了不同技术的系统吞吐量性能。值得注意的是，LABNT技术既可以在固定数量的探测波束的情况下使用，也可以在自适应数量的探测波束的情况下使用。为了进行公平对比，本发明在LABNT技术中给出了当N_s＝8时技术的吞吐量，以及当N_s在集合{8,16,32}中自适应变化时技术的吞吐量。图7展示了本发明所提出的技术在吞吐量性能上相对于LABNT技术以及EBS技术的优势。

Claims (1)

1.一种基于深度卷积网络的智能波束对准方法，用于毫米波通信系统，定义系统包括信号接入点和用户设备，信号接入点包括M个天线，其特征在于，包括以下步骤：

S1、选择N_s个具有最高空间互信息的波束进行K个信标间隔BI时间的探测，将探测波束的信噪比向量表示为Γ(t)，计算出每个BI对应的最优波束的索引作为Γ(t)的标签，从而得到训练数据集；

其中选择N_s个具有最高空间互信息的波束的方法为，将波束i的空间互信息定义为平均BRB互信息和平均BOB互信息的加权组合，即：

先收集M个波束的信噪比以及每个BI对应的最优波束，然后基于I_i从M个波束内选择出N_s个具有最高空间互信息的波束；其中，β是权重系数，为波束i的平均BOB互信息：

I_BOB是波束i在第t个BI时刻的BOB互信息，BOB互信息的定义为波束i与最优波束之间的互信息：

I_BOB(i,t)＝ψ(K)-ψ(O(i,t))+ψ(k)-ψ(n(i,t)),

其中ψ表示当x>0时严格递增的digamma函数，O(i,t)表示波束i在除去第t个时刻的BI之外的其余所有K个BI中作为最优波束的次数，n(i,t)表示所有信噪比位于波束i在第t时刻信噪比γ(i,t)与其第k个最近邻信噪比之间的最优波束数；

波束i的平均BRB互信息为，BRB互信息的定义为波束i与其余波束之间的互信息：

其中，Γ_i和Γ_j为波束i和波束j的信噪比向量，i,j∈1,2,…,M，

其中I_BRB(Γ_i；Γ_j)是两个向量之间的归一化非线性相关系数，H(Γ_i)是Γ_i的香农熵，H(Γ_i；Γ_j)是Γ_i和Γ_j之间的联合熵；

S2、构建智能波束对准网络，包括特征提取模块和最优波束推断模块；

所述特征提取模块用于从收集到的探测波束的信噪比Γ(t)中提取出空间特征，特征提取模块包含m层级联的卷积层，定义卷积神经网络的输入表示为则第i层卷积层的输入和输出之间的数学关系为

其中，表示第l层中的第i个特征图，n_l表示第l层中的特征图的个数，/>表示第(l-1)层中第j个特征图的卷积核，b是偏差，f_act是激活函数；

Γ(t)通过特征提取模块后得到n_m个特征图；

所述最优波束推断模块由一个展平层和若干个全连接层构成；其中展平层的作用是将特征提取模块输出的n_m个特征图展平为一维的特征图，即

其中f_fla表示展平函数，f⁰表示展平之后的一维特征图；

经过展平层得到的特征图f⁰输入到全连接层，即

f^k＝w^kf_act(f^k-1)+b^k,k＝1,2,…,n,

其中，f^k表示第k个全连接层的输出，w^k和b^k分别为第k层全连接层的权重和偏移矩阵；在最后一个全连接层后使用softmax激活函数来获得每个波束是最优波束的概率，即

其中，n表示全连接层的总层数，是波束i被推断为最优波束概率；

S3、训练智能波束对准网络：采用S1构建的训练数据对S2构建的智能波束对准网络进行训练，使用交叉熵损失函数来衡量实际的最优波束和推断的最优波束之间的差异，即

其中，当推断出的最优波束i为实际最优波束时，p_i的值为1，否则p_i的值为0；通过不断的最小化上述公式中的交叉熵，从而得到训练好的智能波束对准网络；

S4、进行智能波束对准：信号接入点依据S1的方法选择探测波束，获得当前BI的信噪比向量Γ(t)，输入到S3中训练好的网络中，得到智能波束网络推断的最优波束的结果，最优波束索引就是选择所有波束中推断为最优波束的概率最高的那一个，即

接入点使用推断出的最优波束进行数据传输即可实现波束对准。