CN115426013A - 基于无监督学习的ris辅助通信系统预编码与相移方法 - Google Patents

基于无监督学习的ris辅助通信系统预编码与相移方法 Download PDF

Info

Publication number
CN115426013A
CN115426013A CN202211063854.5A CN202211063854A CN115426013A CN 115426013 A CN115426013 A CN 115426013A CN 202211063854 A CN202211063854 A CN 202211063854A CN 115426013 A CN115426013 A CN 115426013A
Authority
CN
China
Prior art keywords
matrix
ris
neural network
training
ith
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
CN202211063854.5A
Other languages
English (en)
Inventor
李潇
焦阳
金石
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202211063854.5A priority Critical patent/CN115426013A/zh
Publication of CN115426013A publication Critical patent/CN115426013A/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
    • H04B7/0413—MIMO systems
    • 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
    • H04B7/04013—Intelligent reflective surfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H04B7/06—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
    • H04B7/0619—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 using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0634—Antenna weights or vector/matrix coefficients
    • 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
    • H04B7/0848—Joint weighting
    • H04B7/0854—Joint weighting using error minimizing algorithms, e.g. minimum mean squared error [MMSE], "cross-correlation" or matrix inversion
    • 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)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于无监督学习的RIS辅助通信系统预编码与相移方法，该方法首先利用基站到RIS以及RIS到用户的信道信息，经过预处理获得卷积神经网络所需要的训练样本集；接着构建一个两级卷积神经网络模型，初始化模型相关参数，并采用分段的训练方法对卷积网络模型进行离线训练，使得模型预测的基站混合预编码以及RIS相移所对应的损失函数尽可能的小，以获得模型参数。在线预测时，利用待设计的系统中的信道信息，经过预处理后生成模型的归一化输入矩阵，由已训练的模型在线预测获得基站的混合预编码矩阵以及RIS相移矩阵。该方法利用无监督学习进行预编码和RIS相移的设计，可以显著的降低计算复杂度和时延并获得较高的频谱效率。

Description

基于无监督学习的RIS辅助通信系统预编码与相移方法
技术领域
本发明涉及一种基于无监督学习的RIS辅助通信系统预编码和RIS相移方法，属于基站配置均匀线性天线阵的点对点MIMO下行系统自适应传输技术领域。
背景技术
毫米波通信作为一种可以提高网络传输速率和缓解频谱资源短缺问题的有效方法被视作新一代无线通信网络的关键技术之一。
然而，在实际应用中，毫米波信号路径损耗大，覆盖范围有限。因此，毫米波技术通常与大规模多输入多输出(MIMO，multiple-input multiple-output)技术相结合，通过波束成形技术提供高波束增益，来缓解毫米波信号路径损耗大的问题。另一方面，在毫米波大规模MIMO系统中，由于大型天线阵列提供的高方向性波束以及毫米波较差的绕射能力，使得毫米波通信极易受到障碍物的阻塞，大大限制了其在室内和密集的城市环境中的覆盖范围。近年来，可重构智能表面(RIS，reconfigurable intelligent surface)技术作为未来通信系统中一种很有前途的物理层传输技术受到了广泛关注。RIS是一个由大量低成本无源反射元件构成的平面，每一个反射元件都可以独立改变入射信号的相位或振幅，以实现较高精度的反射波束形成。通过在环境中合理的部署RIS，可以在发送端和接收端之间建立一条通过RIS的额外的通信链路，从而更好地解决毫米波遮挡效应，提升毫米波通信系统的覆盖范围。
现有针对RIS辅助的毫米波通信系统预编码和RIS相移设计的研究主要有基于交替优化的传统算法和深度监督学习方法。传统算法多采用数值迭代优化方法存在复杂度高、计算时延大的问题。深度监督学习方法则对训练数据量有很高的要求，且对信道衰落变化很敏感。此外，上述两类方法大都只考虑理想的RIS相移，因此这两种方法都难以应用于实际。
发明内容
技术问题：为了克服现有技术中存在的不足，本发明利用无监督学习进行毫米波基站混合波束成形矩阵和离RIS反射系数矩阵的设计，提供一种基于无监督学习的RIS辅助通信系统预编码与相移方法，基于无监督学习无需进行样本标注的特点和深度神经网络解决非线性优化问题的能力，能够有效抑制干扰，并能以较低计算复杂度获取较高系统频谱效率。
技术方案：根据本发明提出的基于无监督学习的RIS辅助通信系统预编码与相移方法包括以下步骤：
步骤一、基站为配置Nt个天线单元的均匀线性天线阵列，其射频链路数为
Figure BDA0003827023070000011
发送Ns路独立数据流，RIS为具有M个反射单元的均匀平面反射表面，用户侧为配备Nr个天线单元的均匀线性天线阵列，其具有
Figure BDA0003827023070000021
条射频链路且
Figure BDA0003827023070000022
基站和RIS均已知基站到RIS以及RIS到用户间的信道矩阵，分别记为G和R，其中G的第i行第j列元素表示基站第j根天线到第i个RIS反射单元之间的信道系数，R的第i行第j列元素则表示第j个RIS反射单元到用户第i根天线的信道系数；
对G和R进行预处理得到作为输入的三维矩阵样本，具体为利用R的第i列ri与GT的第i列gi进行运算
Figure BDA0003827023070000023
得到仅与第i个反射单元相关的信道信息，上标(·)T表示矩阵转置，然后将二维矩阵Ti,i＝1,…,M在第三维堆叠构成(Nr,Nt,M)的三维矩阵T，最后将复数的三维矩阵T分解为幅度和相位两个实数矩阵
Figure BDA0003827023070000024
得到输入的一个训练样本，其中
Figure BDA0003827023070000025
表示对括号内矩阵取各元素幅度，
Figure BDA0003827023070000026
表示对括号内矩阵取各元素相位；采用上述方法，生成N个训练样本；
步骤二、构建两级卷积神经网络模型并采用Xavier normal初始化模型参数，其中第一级卷积神经网络的输入为步骤一中预处理得到的训练样本，输出作为RIS的离散相移向量[φ1,…,φi,…,φM]，根据离散相移向量计算得到离散相移的RIS反射系数矩阵
Figure BDA0003827023070000027
其中φi表示第i个反射单元的相移，i＝1,…,M；第二级的卷积神经网络的输入是将从基站经RIS到用户的等效级联信道H＝RΦG分解为幅度和相位两个实数矩阵
Figure BDA0003827023070000028
输出作为模拟预编码矩阵FRF和数字预编码矩阵FBB；
步骤三、采用分段训练的方法利用步骤一中生成的训练样本对前述两级卷积神经网络进行训练，直至系统神经网络参数收敛；
步骤四、在线预测时，对获得的瞬时基站到RIS以及RIS到用户间的信道矩阵G和R采用步骤一所述方法进行预处理，即利用R的第i列ri与GT的第i列gi进行运算
Figure BDA0003827023070000029
得到仅与第i个反射单元相关的信道信息，上标(·)T表示矩阵转置，然后将二维矩阵Ti,i＝1,…,M在第三维堆叠构成(Nr,Nt,M)的三维矩阵T，最后将复数的三维矩阵T分解为幅度和相位两个实数矩阵
Figure BDA00038270230700000210
得到本次预测所需的输入，此后输入已训练的模型，由第一级卷积神经网络的输出[φ1,…,φi,…,φM]构建得到RIS反射系数矩阵
Figure BDA00038270230700000211
由第二级卷积神经网络输出模拟预编码阵FRF和数字预编码矩阵FBB，再利用已经获得的RIS反射系数矩阵、模拟预编码矩阵和数字预编码矩阵，根据MMSE准则计算获得数字合并矩阵WBB。
所述两级卷积神经网络，第一级卷积神经网络包含一个卷积块、一个压缩激励-残差SE-Res块和一个全连接块，其中卷积块由一层卷积层、一层BN层和一层LeakyReLu激活层组成，全连接块则有一层全连接层、一层BN层和一层Dropout层组成，全连接块的输出经过Sigmoid激活函数后再经过一层量化层f(φ)得到离散的RIS相移；第二级卷积神经网络同样包含一个卷积块、一个SE-Res块和一个全连接块，全连接块的输出分别做为数字预编码部分和模拟预编码部分的输入，针对模拟预编码部分则采用Gumbel SoftMax作为激活函数输出模拟预编码码字选择矩阵C，最后将模拟预编码码字选择矩阵C与预先设定的DFT码本
Figure BDA0003827023070000031
相乘即可得到最终的模拟预编码矩阵FRF，针对数字预编码部分选用线性激活函数以及一个归一化层来输出满足功率约束的数字预编码矩阵FBB，归一化层的具体表达式如下
Figure BDA0003827023070000032
其中FRF是模拟预编码矩阵，
Figure BDA0003827023070000033
是经过线性激活函数之后而未经归一化的数字预编码矩阵，P是基站最大发送功率；
量化层f(φ)在离线训练和在线预测时选用不同的函数，具体如下
Figure BDA0003827023070000034
其中b为对应的量化比特，k为量化的超参数。
所述分段训练方法，首先固定第一级神经网络参数不变，仅训练更新第二级神经网络参数，至其收敛；然后固定第二级已经收敛的神经网络参数不变，仅训练更新第一级神经网络参数，至其收敛；最后联合训练两级神经网络，至整个系统参数收敛；在整个训练过程中，采用如下的损失函数
Figure BDA0003827023070000035
其中B表示一个批次训练样本的大小，Ri表示该批次训练样本中第i个样本的频谱效率，由下式子求计算得到
Figure BDA0003827023070000036
其中上标
Figure BDA0003827023070000037
表示矩阵的广义逆，上标(·)H表示矩阵的共轭转置，
Figure BDA0003827023070000038
表示单位矩阵，Hi＝RiΦiGi为该批次训练样本中第i个样本所对应的等效级联信道，Ri和Gi为该批次训练样本中第i个样本所对应的基站到RIS以及RIS到用户间的信道矩阵,Φi为该批次训练样本中第i个样本所对应的前述神经网络输出的RIS反射系数矩阵,σ2为噪声功率，
Figure BDA0003827023070000041
为该批次训练样本中第i个样本所对应的前述神经网络输出的模拟预编码矩阵，
Figure BDA0003827023070000042
为该批次训练样本中第i个样本所对应的前述神经网络输出的数字预编码矩阵，
Figure BDA0003827023070000043
为MMSE方法求得的该批次训练样本中第i个样本所对应的数字合并矩阵，具体计算方法如下
Figure BDA0003827023070000044
并且步骤四中在线预测时根据MMSE准则计算获得数字合并矩阵WBB的方法也为上述表达式所描述的方法。
所述两级卷积神经网络模型，其参数包括权重参数、偏置参数、每层神经元数目、学习率以及每个样本批次的大小。
有益效果：本发明利用无监督学习方法获得基站混合波束成形矩阵以及RIS反射系数矩阵，能够同时兼顾性能与算法的复杂度。在离线训练完成后，线上使用可以在保证性能的前提下降低时延，使得MIMO系统能够提供实时的服务。
(1)本设计方法收敛速度快、易于实现，所需计算资源少，特别是在RIS反射单元数和天线数较大时；
(2)本方法同时考虑毫米波信道稀疏性和大规模MIMO天线相关性大的影响，信道更具一般性。
(3)本方法能获得较高的系统频谱效率。
附图说明
图1是SE-Res块的结构图。
图2是本发明方法所涉及的卷积神经网络结构图。
图3是量化层函数f(φ)。
具体实施方式
下面结合说明书附图对本发明作更进一步的说明。
考虑一个RIS辅助的毫米波MIMO点对点下行链路，基站按如下步骤进行波束成形设计：
步骤一、基站为配置Nt＝64个天线单元的均匀线性天线阵列，其射频链路数为
Figure BDA0003827023070000045
发送Ns＝4路独立数据流，RIS为具有M＝100个反射单元的均匀平面反射表面，用户侧为配备Nr＝4个天线单元的均匀线性天线阵列，其具有
Figure BDA0003827023070000046
条射频链路；基站和RIS均已知基站到RIS以及RIS到用户间的信道矩阵，分别记为G和R，其中G的第i行第j列元素表示基站第j根天线到第i个RIS反射单元之间的信道系数，R的第i行第j列元素则表示第j个RIS反射单元到用户第i根天线的信道系数。
对G和R进行预处理得到作为输入的三维矩阵样本，具体为利用R的第i列ri与GT的第i列gi进行运算
Figure BDA0003827023070000051
得到仅与第i个反射单元相关的信道信息，上标(·)T表示矩阵转置，然后将二维矩阵Ti,i＝1,…,M在第三维堆叠构成(Nr,Nt,M)的三维矩阵T，最后将复数矩阵T分解为幅度和相位两个实数矩阵
Figure BDA0003827023070000052
得到输入的一个训练样本，其中
Figure BDA0003827023070000053
表示对括号内矩阵取各元素幅度，
Figure BDA0003827023070000054
表示对括号内矩阵取各元素相位。采用上述方法，生成N＝100000个训练样本。
步骤二、构建两级的卷积神经网络模型，并采用Xavier normal初始化模型参数。具体的神经网络模型为，第一级卷积神经网络包含一个卷积块、一个压缩激励-残差SE-Res块和一个全连接块，其中卷积块由一层卷积层(64个卷积核，每个卷积核的尺寸为3×3)、一层BN层和一层LeakyReLu激活层组成，全连接块则有一层全连接层(512个神经元)、一层BN层和一层Dropout层组成，全连接块的输出经过Sigmoid激活函数后再经过一层量化层f(φ)，输出作为离散的RIS相移向量[φ1,…,φi,…,φM]，再根据所得离散相移向量计算得到RIS反射系数矩阵
Figure BDA0003827023070000055
第二级卷积神经网络同样包含一个卷积块、一个SE-Res块和一个全连接块，全连接块的输出分别做为数字预编码部分和模拟预编码部分的输入，针对模拟预编码部分则采用Gumbel SoftMax作为激活函数输出模拟预编码码字选择矩阵C，最后将模拟预编码码字选择矩阵C与预先设定的DFT码本
Figure BDA0003827023070000059
相乘，所得结果作为最终的模拟预编码矩阵FRF，针对数字预编码部分选用线性激活函数以及一个归一化层进行处理，输出作为数字预编码矩阵FBB，归一化层的具体表达式如下
Figure BDA0003827023070000056
其中FRF是模拟预编码矩阵，
Figure BDA0003827023070000057
是经过线性激活函数之后而未经归一化的数字预编码矩阵，P是基站最大发送功率。
量化层f(φ)在离线训练和在线预测时选用不同的函数，具体如下
Figure BDA0003827023070000058
其中b＝2为对应的量化比特，k＝10为量化的超参数。
步骤三、采用分段训练的方法利用步骤一中生成的训练样本对前述两级卷积神经网络进行训练，采用的损失函数为
Figure BDA0003827023070000061
其中B表示一个批次训练样本的大小，Ri表示该批次训练样本中第i个样本的频谱效率，由下式子求计算得到
Figure BDA0003827023070000062
其中上标
Figure BDA0003827023070000063
表示矩阵的广义逆，上标(·)H表示矩阵的共轭转置，
Figure BDA0003827023070000064
表示单位矩阵，Hi＝RiΦiGi为该批次训练样本中第i个样本所对应的等效级联信道，Ri和Gi为该批次训练样本中第i个样本所对应的基站到RIS以及RIS到用户间的信道矩阵,Φi为该批次训练样本中第i个样本所对应的前述神经网络输出的RIS反射系数矩阵,σ2为噪声功率，
Figure BDA0003827023070000065
为该批次训练样本中第i个样本所对应的前述神经网络输出的模拟预编码矩阵，
Figure BDA0003827023070000066
为该批次训练样本中第i个样本所对应的前述神经网络输出的数字预编码矩阵，
Figure BDA0003827023070000067
为MMSE方法求得的该批次训练样本中第i个样本所对应的数字合并矩阵，其计算方法如下
Figure BDA0003827023070000068
并且步骤四中在线预测时根据MMSE准则计算获得数字合并矩阵WBB的方法也为上述表达式所描述的方法。
具体训练方法如下，首先，固定第一级卷积神经网络的参数不变，仅在训练过程中以0.001的学习率利用Adam算法更新第二级卷积神经网络的参数，至其收敛；在第二级卷积神经网络参数收敛后，固定其参数值不变，在接下来的训练过程中同样以0.001的学习率利用Adam算法仅更新第一级卷积神经网络的参数，至其收敛；最后同时训练更新两级神经网络，此时选用较小的学习率0.003对训练参数进行微调，至其收敛。此外，每个样本批次的大小设定为B＝500。
步骤四、在线预测时，对获得的瞬时基站到RIS以及RIS到用户间的信道矩阵G和R采用步骤一所述方法进行预处理，即利用R的第i列ri与GT的第i列gi进行运算
Figure BDA0003827023070000069
得到仅与第i个反射单元相关的信道信息，上标(·)T表示矩阵转置，然后将二维矩阵Ti,i＝1,…,M在第三维堆叠构成(Nr,Nt,M)的三维矩阵T，最后将复数的三维矩阵T分解为幅度和相位两个实数矩阵
Figure BDA0003827023070000071
得到本次预测所需的输入，此后输入已训练的模型，由第一级卷积神经网络的输出即RIS的离散相移向量构建得到RIS反射系数矩阵，由第二级卷积神经网络输出模拟预编码和数字预编码矩阵，再利用已经获得的RIS反射系数矩阵、模拟预编码和数字预编码矩阵，根据MMSE准则计算获得数字合并矩阵WBB。
传统的算法大多依赖迭代优化的方法，虽然可以取得不错的性能，但是算法复杂度太高，计算时延大，因此无法满足实时业务的需求。深度学习作为人工智能的一种实现方式，将线上计算的复杂度转移到线下，在保证性能的前提下，可以极大的减少计算所带来的时延。但由于深度监督学习方法需要大量带标注的训练样本，而这些样本的获取又依赖于复杂的传统算法，因此其获取训练样本代价极大。在样本无法获取或获取困难的条件下，无监督学习是一种更好的选择。
综上，本发明在时间复杂度和系统性能上均超过传统的RIS辅助通信系统预编码和RIS相移设计方法，其利用卷积神经网络解决非线性优化问题的能力，快速学习出最优的混合预编码和RIS反射系数矩阵，在有限的资源开销下，有效提高系统的频谱效率。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于无监督学习的RIS辅助通信系统预编码与相移方法，其特征在于，包括以下步骤：
步骤一、基站为配置Nt个天线单元的均匀线性天线阵列，其射频链路数为
Figure FDA0003827023060000011
发送Ns路独立数据流，RIS为具有M个反射单元的均匀平面反射表面，用户侧为配备Nr个天线单元的均匀线性天线阵列，其具有
Figure FDA0003827023060000012
条射频链路且
Figure FDA0003827023060000013
基站和RIS均已知基站到RIS以及RIS到用户间的信道矩阵，分别记为G和R，其中G的第i行第j列元素表示基站第j根天线到第i个RIS反射单元之间的信道系数，R的第i行第j列元素则表示第j个RIS反射单元到用户第i根天线的信道系数；
对G和R进行预处理得到作为输入的三维矩阵样本，具体为利用R的第i列ri与GT的第i列gi进行运算
Figure FDA0003827023060000014
得到仅与第i个反射单元相关的信道信息，上标(·)T表示矩阵转置，然后将二维矩阵Ti,i＝1,…,M在第三维堆叠构成(Nr,Nt,M)的三维矩阵T，最后将复数的三维矩阵T分解为幅度和相位两个实数矩阵
Figure FDA0003827023060000015
得到输入的一个训练样本，其中
Figure FDA0003827023060000016
表示对括号内矩阵取各元素幅度，
Figure FDA0003827023060000017
表示对括号内矩阵取各元素相位；采用上述方法，生成N个训练样本；
步骤二、构建两级卷积神经网络模型并采用Xavier normal初始化模型参数，其中第一级卷积神经网络的输入为步骤一中预处理得到的训练样本，输出作为RIS的离散相移向量[φ1,…,φi,…,φM]，根据离散相移向量计算得到离散相移的RIS反射系数矩阵
Figure FDA0003827023060000018
其中φi表示第i个反射单元的相移，i＝1,…,M；第二级的卷积神经网络的输入是将从基站经RIS到用户的等效级联信道H＝RΦG分解为幅度和相位两个实数矩阵
Figure FDA0003827023060000019
输出作为模拟预编码矩阵FRF和数字预编码矩阵FBB；
步骤三、采用分段训练的方法利用步骤一中生成的训练样本对前述两级卷积神经网络进行训练，直至系统神经网络参数收敛；
步骤四、在线预测时，对获得的瞬时基站到RIS以及RIS到用户间的信道矩阵G和R采用步骤一所述方法进行预处理，即利用R的第i列ri与GT的第i列gi进行运算
Figure FDA00038270230600000110
得到仅与第i个反射单元相关的信道信息，上标(·)T表示矩阵转置，然后将二维矩阵Ti,i＝1,…,M在第三维堆叠构成(Nr,Nt,M)的三维矩阵T，最后将复数的三维矩阵T分解为幅度和相位两个实数矩阵
Figure FDA00038270230600000111
得到本次预测所需的输入，此后输入已训练的模型，由第一级卷积神经网络的输出[φ1,…,φi,…,φM]构建得到RIS反射系数矩阵
Figure FDA0003827023060000021
由第二级卷积神经网络输出模拟预编码阵FRF和数字预编码矩阵FBB，再利用已经获得的RIS反射系数矩阵、模拟预编码矩阵和数字预编码矩阵，根据MMSE准则计算获得数字合并矩阵WBB。
2.根据权利要求1所述的基于无监督学习的RIS辅助通信系统预编码与相移方法，其特征在于：所述两级卷积神经网络，第一级卷积神经网络包含一个卷积块、一个压缩激励-残差SE-Res块和一个全连接块，其中卷积块由一层卷积层、一层BN层和一层LeakyReLu激活层组成，全连接块则有一层全连接层、一层BN层和一层Dropout层组成，全连接块的输出经过Sigmoid激活函数后再经过一层量化层f(φ)得到离散的RIS相移；第二级卷积神经网络同样包含一个卷积块、一个SE-Res块和一个全连接块，全连接块的输出分别做为数字预编码部分和模拟预编码部分的输入，针对模拟预编码部分则采用Gumbel SoftMax作为激活函数输出模拟预编码码字选择矩阵C，最后将模拟预编码码字选择矩阵C与预先设定的DFT码本
Figure FDA0003827023060000022
相乘即可得到最终的模拟预编码矩阵FRF，针对数字预编码部分选用线性激活函数以及一个归一化层来输出满足功率约束的数字预编码矩阵FBB，归一化层的具体表达式如下
Figure FDA0003827023060000023
其中FRF是模拟预编码矩阵，
Figure FDA0003827023060000024
是经过线性激活函数之后而未经归一化的数字预编码矩阵，P是基站最大发送功率；
量化层f(φ)在离线训练和在线预测时选用不同的函数，具体如下
Figure FDA0003827023060000025
其中b为对应的量化比特，k为量化的超参数。
3.根据权利要求1所述基于无监督学习的RIS辅助通信系统预编码与相移方法，其特征在于：所述分段训练方法，首先固定第一级神经网络参数不变，仅训练更新第二级神经网络参数，至其收敛；然后固定第二级已经收敛的神经网络参数不变，仅训练更新第一级神经网络参数，至其收敛；最后联合训练两级神经网络，至整个系统参数收敛；在整个训练过程中，采用如下的损失函数
Figure FDA0003827023060000026
其中B表示一个批次训练样本的大小，Ri表示该批次训练样本中第i个样本的频谱效率，由下式子求计算得到
Figure FDA0003827023060000031
其中上标
Figure FDA0003827023060000037
表示矩阵的广义逆，上标(·)H表示矩阵的共轭转置，
Figure FDA0003827023060000032
表示单位矩阵，Hi＝RiΦiGi为该批次训练样本中第i个样本所对应的等效级联信道，Ri和Gi为该批次训练样本中第i个样本所对应的基站到RIS以及RIS到用户间的信道矩阵,Φi为该批次训练样本中第i个样本所对应的前述神经网络输出的RIS反射系数矩阵,σ2为噪声功率，
Figure FDA0003827023060000033
为该批次训练样本中第i个样本所对应的前述神经网络输出的模拟预编码矩阵，
Figure FDA0003827023060000034
为该批次训练样本中第i个样本所对应的前述神经网络输出的数字预编码矩阵，
Figure FDA0003827023060000035
为MMSE方法求得的该批次训练样本中第i个样本所对应的数字合并矩阵，具体计算方法如下
Figure FDA0003827023060000036
并且步骤四中在线预测时根据MMSE准则计算获得数字合并矩阵WBB的方法也为上述表达式所描述的方法。
4.根据权利要求1所述基于无监督学习的RIS辅助通信系统预编码与相移方法，其特征在于：所述两级卷积神经网络模型，其参数包括权重参数、偏置参数、每层神经元数目、学习率以及每个样本批次的大小。
CN202211063854.5A 2022-08-31 2022-08-31 基于无监督学习的ris辅助通信系统预编码与相移方法 Pending CN115426013A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211063854.5A CN115426013A (zh) 2022-08-31 2022-08-31 基于无监督学习的ris辅助通信系统预编码与相移方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211063854.5A CN115426013A (zh) 2022-08-31 2022-08-31 基于无监督学习的ris辅助通信系统预编码与相移方法

Publications (1)

Publication Number Publication Date
CN115426013A true CN115426013A (zh) 2022-12-02

Family

ID=84201175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211063854.5A Pending CN115426013A (zh) 2022-08-31 2022-08-31 基于无监督学习的ris辅助通信系统预编码与相移方法

Country Status (1)

Country Link
CN (1) CN115426013A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116455492A (zh) * 2023-04-04 2023-07-18 兰州交通大学 高速场景下ris辅助被动mimo的信道处理方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116455492A (zh) * 2023-04-04 2023-07-18 兰州交通大学 高速场景下ris辅助被动mimo的信道处理方法及装置
CN116455492B (zh) * 2023-04-04 2023-11-21 兰州交通大学 高速场景下ris辅助被动mimo的信道处理方法及装置

Similar Documents

Publication Publication Date Title
CN111181619B (zh) 基于深度强化学习的毫米波混合波束成形设计方法
CN110557177A (zh) 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法
WO2021248792A1 (zh) 基于单比特量化信号虚拟域统计量重建的互质阵列波达方向估计方法
Bao et al. Deep CNN and equivalent channel based hybrid precoding for mmWave massive MIMO systems
WO2020253691A1 (zh) 一种基于共轭梯度下降法的深度学习信号检测方法
CN109617584A (zh) 一种基于深度学习的mimo系统波束成形矩阵设计方法
CN109714091B (zh) 一种在毫米波mimo系统中基于分层设计的迭代混合预编码方法
CN110138425B (zh) 低复杂度阵列天线多输入多输出系统混合预编码算法
CN113839697B (zh) 一种基于深度学习的联合反馈和混合预编码设计方法
CN110138427B (zh) 基于部分连接的大规模多输入多输出混合波束赋形算法
CN113193893B (zh) 毫米波大规模mimo智能混合波束成形设计方法
Xie et al. Dictionary learning for channel estimation in hybrid frequency-selective mmWave MIMO systems
CN112468202A (zh) 低复杂度毫米波大规模mimo混合预编码方法
CN110719127B (zh) 一种具有恒模约束的毫米波mimo系统波束成形方法
Kang et al. Mixed-timescale deep-unfolding for joint channel estimation and hybrid beamforming
CN115426013A (zh) 基于无监督学习的ris辅助通信系统预编码与相移方法
Li et al. Multi-task deep learning based hybrid precoding for mmWave massive MIMO system
Balevi et al. Unfolded hybrid beamforming with GAN compressed ultra-low feedback overhead
Nosrati et al. Switch-based hybrid beamforming for massive MIMO communications in mmWave bands
CN113572503B (zh) 一种低复杂度的基于gp的改进混合波束成形方法
CN113472409B (zh) 毫米波大规模mimo系统中基于past算法的混合预编码方法
Thuc et al. A metaheuristics-based hyperparameter optimization approach to beamforming design
CN112235022B (zh) 一种低复杂度的大规模mimo低轨卫星预编码方法
CN111313945B (zh) 一种降低毫米波mimo系统峰均比的方法
Chen et al. A deep learning driven hybrid beamforming method for millimeter wave MIMO system

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