CN115664471B - 基于宽学习的毫米波mimo基站协作波束选择方法 - Google Patents
基于宽学习的毫米波mimo基站协作波束选择方法 Download PDFInfo
- Publication number
- CN115664471B CN115664471B CN202211057673.1A CN202211057673A CN115664471B CN 115664471 B CN115664471 B CN 115664471B CN 202211057673 A CN202211057673 A CN 202211057673A CN 115664471 B CN115664471 B CN 115664471B
- Authority
- CN
- China
- Prior art keywords
- base station
- wide
- learning
- training
- user
- 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.)
- Active
Links
- 238000010187 selection method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 67
- 230000004044 response Effects 0.000 claims abstract description 64
- 238000004891 communication Methods 0.000 claims abstract description 23
- 230000005540 biological transmission Effects 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 239000000969 carrier Substances 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000001413 cellular effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 13
- 238000013461 design Methods 0.000 abstract description 4
- 238000005065 mining Methods 0.000 abstract 1
- 238000011144 upstream manufacturing Methods 0.000 abstract 1
- 230000003993 interaction Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了基于宽学习的毫米波MIMO基站协作波束选择方法,针对多点协作毫米波MIMO场景的下行波束选择问题,借鉴纵向联邦学习框架,将原集中式的多基站上行宽波束响应与最佳传输窄波束的映射问题,通过垂直切割数据特征空间,转化为分布式学习问题,并设计了具体的基站协作分布式波束选择框架。通过挖掘训练过程中间参数的稀疏性,降低了前传链路的通信开销。设计协作模式下基站本地网络的增量式更新方式,有效降低了网络的更新复杂度。本发明充分利用分布式宽学习在小样本条件下挖掘多基站宽波束响应与传输窄波束响应关系的能力,可实现多基站协作毫米波MIMO系统的低开销波束选择,缓解当前方案对中央处理单元单一引擎性能及前传链路带宽的较高要求。
Description
技术领域
本发明涉及基于宽学习的毫米波MIMO基站协作波束选择方法,属于无线通信网络优化和智能通信领域。
背景技术
毫米波大规模MIMO技术可以利用大带宽与高空间自由度,满足未来网络的高吞吐量需求。由于毫米波频段信号衰减较大,通常采用基于波束成形的窄波束进行数据传输。实际系统中,由于信道遮蔽效益的存在,如何利用窄波束快速对准并跟踪用户的信道主传播路径,成为实现毫米波大规模MIMO系统增益的关键。协作多点传输被认为是解决上述毫米波大规模MIMO系统关键问题的潜力技术之一。在多点协作毫米波大规模MIMO系统中,波束训练开销通常随协作基站数增加而显著上升,为此,现有研究分别从模型驱动与数据驱动两种思路出发,提出了相关的低开销波束训练方案。
现有典型的基于数据驱动的机器学习(Machine Learning,ML)类方法中,利用基站侧在离线阶段收集到的用户上行全向宽波束响应与上行窄波束响应样本,学习用户到多基站的宽波束响应中蕴含的用户位置与传播环境特征,并基于此实现从多基站宽波束响应到窄波束响应的有效预测。现有方法将各协作基站的样本汇总到中央处理单元,然后统一训练上述映射模型,这种集中式的学习策略虽然能够保障性能的相对最优,但在协作基站数较多或者训练样本数需求较大时,对前传链路会造成较大的压力。另一方面,现有方法基于深度神经网络,模型的更新较为复杂,在环境非平稳变化较为显著时,存在模型更新代价过高的问题
由于基站本地的宽波束响应与窄波束响应之间并不存在一对一映射关系,所以利用本地宽波束响应与窄波束响应对进行训练的完全分布式方案也并不适用。为此,需要考虑如何增加少量的基站间协作开销,以实现多基站宽波束响应的隐式共享,从而获得协作开销与窄波束响应预测性能的合理折衷。同时,需设计更新代价较低的窄波束预测模型,以提升方法对快时变毫米波大规模MIMO场景的适用性。
发明内容
发明目的:为解决当前多点协作毫米波大规模MIMO系统中基于宽波束响应的基站侧集中式低开销波束训练方法的模型训练过程通信代价过高这一问题,本发明提出一种借鉴联邦学习思想并基于分布式宽学习架构的毫米波MIMO基站增量协作波束选择方法,在实现ML模型轻量化及更新代价显著降低的同时,可有效降低达到集中式学习波束选择效果所需的前传链路开销。
技术方案:一种基于宽学习的毫米波MIMO基站增量协作波束选择方法,包括如下步骤:
S1,构建多基站协作传输场景下的毫米波MIMO系统模型,以最大化系统有效和速率为目标构建多基站协作波束选择问题模型。
S2,各基站利用上行全向宽波束响应与上行窄波束响应对应的等效速率指标,在中央处理单元(Central Unit,CU)集中训练模型:上行宽波束响应作为输入特征,各传输窄波束等效速率指标作为输出。
S3,根据分布式优化理论,将多基站波束选择问题转化为基于特征维度切分的分布式优化问题,设计迭代交互式方法训练多基站的本地宽学习映射网络,实现基站特征的隐式共享。
S4,在交替方向乘子(Alternating Direction Method of Multipliers,ADMM)算法和宽学习网络的基础上,利用各基站宽波束响应特征之间具有垂直分割的特点,设计步骤S3问题的纵向联邦学习框架,实现基站间的分布式训练。由CU将迭代过程的中间数据进行聚合,并反馈给参与基站,基站侧根据聚合后的模型信息进行本地模型的更新。
S5,引入一种增量式学习方法用于新增数据时协作模型参数的快速更新,并利用步骤S3、S4的算法在步骤S2生成的数据集上进行迭代训练。
S6,各基站将收集的用户宽波束响应输入本地映射网络,再上传中间参数至CU,得到反馈后预测自身的波束选择。
进一步的,所述S1步骤具体包括:
在多点协作毫米波MIMO系统中,存在B个基站与U个用户,子载波个数为K,单基站天线数为Mt,用户配置全向天线。参考典型无蜂窝MIMO架构,各基站连接到一个CU。多用户通过正交频分多址接入(Orthogonal Frequency Division Multiple Access,OFDMA)模式接受B个基站提供的协作下行传输。考虑单基站使用单个波束服务一个用户的典型情况,且多用户在一定区域内随机移动。记基站集为用户集为/>子载波集合为/>分配给用户u的子载波集合为/>记其大小为满足/>考虑上下行信道互易,如时分双工(Time DivisionDuplexing,TDD)模式下,记基站b与用户u之间的天线域信道在子载波k上的响应为hb,u,k,可建模为:
其中L表示该信道的可分辨散射路径数目,αb,u,l表示第l条路径的复增益,fk表示第k个子载波的中心频点,τl表示第l条路径的延迟。a(·)表示基站多天线阵列的导引矢量,若基站采用阵元间距为半波长的均匀矩形平面天线阵列(Uniform Panel Array,UPA),在水平和垂直方向具有的天线个数分别为W和H,满足Mt=WH。该UPA的导引矢量可表示为:
其中θb,u,l与φb,u,l分别是入射阵列的方位角和下倾角,且满足
其中λ是传播波长,d是相邻阵元间距。
考虑下行传输基于典型的混合预编码,各基站的模拟波束集合记为如标准离散傅立叶变换(Discrete Fourier Transformation,DFT)矩阵,满足FHF=FFH=IM。基站b从F中选择第/>列/>作为模拟波束/>服务用户u,定义多个基站的模拟波束组成矩阵/>CU可收集各基站的波束等效信道状态信息(Channel State Information,CSI),根据最大比发送(Maximum RatioTransmission,MRT)准则,设计在子载波/>上服务用户u的数字预编码矢量为其中/>其中
用户u在第k个子载波上的下行接收信号可以表示为:
其中为数据符号,/>为用户u在第k个子载波上的接收机噪声,σ2为噪声功率。当/>且系统采用用户间与子载波间等功率分配时,有/>其中P为基站总发射功率。相应的,用户u在子载波k上的接收信干噪比(Signal-to-Noise-and-Interference-Ratio,SINR)可以表示为:
对应的可达速率为:
基站需要获取一定CSI用于设计在大规模MIMO系统中,通常采用波束训练的方式进行,完整的波束训练需要消耗大量导频开销。定义信道时变的跟踪周期为T,即系统每隔T重新进行波束训练以更新预编码设计。各周期的前Tr时间,基站进行波束训练,余下时间进行数据传输。因此,用户u的实际有效速率可表示为:
波束选择问题可表述为通过波束选择最大化系统有效和速率的优化问题:
由于用户间通过OFDMA接入,不存在干扰,上述问题可转换为
由于上述问题的最优化需要从B个基站的级联可选模拟波束空间中选择最优波束组合,搜索空间大小为MB,实际系统往往难以承受。可进行转换如下,
获得原始问题的低复杂度次优解。
对于转换后的问题,如果基站侧能够获得完整波束域等效CSI:则可以最大化/>由于需要的波束训练时间开销较大,即/>较小,可能导致整体性能不佳。如何能够在保证cb,u不明显损失的前提下,尽可能降低Tr,成为解决问题的关键。
进一步的,所述S2步骤具体包括:
已有研究已证明通过用户发送上行导频信号可以帮助基站感知其与用户间的环境特征信息,利用多个基站收到的宽波束响应,可获得一种隐式的用户位置表示。由于波束选择决定于波束域等效CSI,而CSI信息与用户位置直接相关,因此可以判断多基站收到的用户宽波束响应与波束选择之间存在映射关系。另一方面,虽然不同用户被服务于不同的子载波,根据信道模型可以判断信道的窄波束响应强度与子载波频率无关。因此,对于步骤S1中构建的问题,一种可行的解决思路是各用户在训练阶段使用导频/>(这里为简化表示,实际中可能为导频序列),各基站/>以宽波束矢量/>模式及各待选模拟波束矢量/>接收,/>表示训练功率。各基站/>在子载波/>上得到导频接收信号为
其中是第b个BS在第k个子载波的接收噪声向量。经过导频匹配后,基站可获得波束矢量响应/>的估计为
定义为基站收集的来自第u个用户的宽波束响应,其中∠表示取复数相位操作符。用/>表示基站/>在离线训练阶段收集的所有用户的第n=1,…,N个宽波束响应样本。窄波束i=1,…,M对应的等效速率指标为/>定义 为第u个用户的待选择波束等效速率样本。
集中式模型训练方案中,CU通过收集上述样本,可分别针对各个用户训练多基站宽波束响应到窄波束等效速率指标的映射,也可利用多用户的样本训练同一个模型,利用各用户的环境相似性提升模型的泛化性能。为表述方便,这里以第一种方式为例进行说明。
定义为/>的one-hot编码向量,即原向量最大值位置取1,其余位置置零。经过数据编排后,用户u的第n个样本对应的CU宽学习网络模型的输入为输出为/> N个样本对应输入矩阵/>和标签对输入矩阵基站维度进行垂直分割,得到
进一步的,所述S3步骤具体包括:
基于宽学习的框架,首先利用输入数据Xb映射为I组特征节点与J组增强节点/>F与E分别表示每组的特征节点与增强节点数,即
其中Zb=[Zb,1,Zb,2,…,Zb,I]为I组特征节点的级联矩阵,Hb=[Hb,1,...,Hb,J]为J组增强节点的级联矩阵。与/>分别表示特征生成网络与特征增强网络的连接权重和偏置,通常随机生成。/>表示元素全为1的列向量。φ(·)与ξ(·)均表示线性或非线性激活函数。进一步,用户本地宽学习网络对联合特征增强节点/>进行仿射变换/>输出/>
基于宽学习架构将上行宽波束响应信号与波束选择结果之间的映射关系建模为一个多类分类问题。若采用传统集中式方法,则需要CU汇集各基站的训练样本,基于最小均方误差准则训练宽学习网络参数,并利用L2范数正则化提升网络泛化性能。宽学习网络集中式优化问题可建模为:
其中集中式特征增强节点输出仿射变换/>
求解上述问题可实现基于所有基站本地训练样本的集中式训练,但在此集中式学习模式下,问题的求解需要基于所有基站的宽波束特征变换A以及对应的各模拟波束响应Y。为了掌握完整环境信息的描述,针对每一个基站的宽波束响应与各模拟波束响应之间的映射,都需要利用其他基站收集到的宽波束响应作为输入。因此,所有基站收集的数据需要被传输到CU上,再由CU集中式执行宽学习模型训练任务,造成前传链路通信压力较大。
为了减小集中式处理带来的信息开销,利用步骤S2所述基于宽学习的分布式本地网络生成方法,结合A=[A1,…,AB],具有垂直分布式特征的特点。基于ADMM算法,将构建的集中式处理问题等价地转化为基于特征维度切分的分布式优化问题,分布式的原始优化问题可以表示为:
基于ADMM算法和分布式平均共识(Distributed Average Consensus,DAC)策略,将上述问题转换为:
其中为引入的辅助变量矩阵。该问题的求解只需要各基站利用本地宽学习网络经仿射变换与非线性变换后的联合特征增强节点Ab与本地权重参数Wb的乘积,并通过与CU的少量信息交互,实现各基站的分布式训练。上述优化问题的迭代求解过程如下:
其中,t表示迭代次数,参数ρ是控制估计一致性约束的惩罚系数,ρ>0,Qb=ρAb TAb+λI,其中I是一个单位矩阵,大小和Ab TAb相同,迭代重复上述过程tmax次,可实现上述优化问题的分布式求解。在某些通信场景下,各基站收集的宽波束响应信息是分别存储在各基站的,由于隐私保护或环境限制无法获得其他基站的信息,在上述迭代过程中,基站仅需要交互训练过程中的中间数据及其变体,而不是原始数据。
进一步的,所述S4步骤具体包括:
在ADMM算法和宽学习网络的基础上,借鉴纵向联邦学习框架实现各基站的分布式训练,各基站通过与CU的少量信息交互而获得整体环境信息,便可协同求解本地最优权值矩阵Wb。CU保存有所有基站的模拟波束对应的等效速率响应指标
每一个基站只用自己的宽波束响应映射各个窄波束响应指标,但利用自身与CU之间的少量交互,借鉴纵向联邦学习的算法流程如下:
(4.1)参数初始化。所有参与联邦学习训练的基站进行初始化权重Wb(0)=0,
V(0)=0,O(0)=0。
(4.2)构建本地初始模型。在基站b中,利用本地宽学习网络训练Ab,计算本地的Qb=ρAb TAb+λI。
(4.3)本地上传模型更新参数。基站更新本地权重Wb(t),更新过程为:
基站b计算模型参数AbWb,并将其上传至CU(主要通信开销为)。
(4.5)中央处理单元下发参数更新。CU收到来自各基站的AbWb后,聚合计算计算/>并将两个平均值反馈回每个参与此回合训练的基站(主要通信开销为/>)。
(4.6)本地模型更新。基站根据CU聚合后反馈的模型信息进行本地模型的更新:
上述流程即一个通信回合,重复步骤(4.3)~(4.6),直到达到迭代次数停止条件tmax,模型训练完毕,基站侧保存本地Wb。
联邦学习算法流程只涉及N×BM维数据的传输,若M<<2Ku,则借鉴联邦学习的训练方法的通信开销远小于本地直接传输原始数据方法(主要通信开销为);若M<<IE+JF,则借鉴联邦学习的训练方法的通信开销远小于在本地生成宽学习网络的联合特征增强节点Ab并上传至CU进行集中式训练方法(主要通信开销为/>)。
进一步的,所述S5步骤具体包括:
当无线环境因用户移动或者环境本身出现变化,各基站的宽学习网络需要自适应更新。定义各基站为适应环境变化新搜集的训练样本为/>其中/>表示新增样本数。经本地宽学习网络的特征处理,得到新增特征与增强节点为避免直接针对当前累计获得的数据特征与输出标签/>重新计算新的权值宽学习权值/>(主要计算量为的求逆运算),采用如下方式进行增量更新。
定义由矩阵求逆的Woodbury恒等式(D-UBV)-1=D-1+D-1U(B-1-VD-1U)-1VD-1可知,/>可以重新表述为:
其中为当前更新时的已知对称矩阵,不需要重新计算。/>计算只涉及/>维对称矩阵的求逆,若/>则上述增量式更新方法的计算开销远小于直接求逆方法。
进一步的,所述S6步骤具体包括:
在线执行阶段,借鉴联邦学习的波束选择预测流程如下:各基站仅需利用当前时隙的本地宽波束响应经过本地宽学习网络的非线性特征变换得到联合特征增强节点/>再经本地仿射变换处理后上传至CU,由CU反馈得到待选择模拟波束指标的预测值/>根据该预测值,可以确定各基站/>对其的模拟波束序号/>并将有效信道值反馈给CU进行MRT预编码,进行后续的下行数据传输。
用户在各子载波上的平均有效速率由下式给出:
其中2Td为基站训练B个宽波束响应和B个被选择模拟波束/>所花费的时间,其中Td表示单次波束训练需要花费的时间。
有益效果:与现有技术相比,本发明的技术方案具有以下有益技术效果:本发明所提出的基于宽学习的毫米波MIMO基站增量协作波束选择方法,利用宽学习网络结构的垂直可分割特征,并借鉴联邦学习框架,可实现对多基站宽波束响应到各基站窄波束响应映射关系的分布式增量学习。在相比集中式训练波束选择没有明显性能损失的前提下,显著降低网络的前传链路开销,同时快速适应环境的非平稳变化。
附图说明
图1为本发明实施例中基于宽学习的毫米波MIMO基站增量协作波束选择方法流程图。
图2为本发明实施例中多点协作毫米波大规模MIMO通信场景示意图。
图3为本发明实施例中基于宽学习的毫米波MIMO基站增量协作波束选择方法示意图。
图4为本发明实施例中基于宽学习的毫米波MIMO基站增量协作波束选择方法原理图。图5、6为本发明实施例中基于宽学习的毫米波MIMO基站增量协作波束选择方法与传统方法的性能对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实例中的附图和具体实施方式对本发明中的技术方案作进一步地详细说明,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。下面将通过具体的实施例对本发明提供的基于宽学习的毫米波MIMO用户增量协作波束选择方法进行详细解释和说明。
如图1所示,该方法包括:
步骤S1:构建用户位置动态变化场景下的多点协作毫米波大规模MIMO系统模型,建立以最大化系统有效和速率为目标的全局优化问题模型;
在本步骤中,本发明实施例采用开源Deep MIMO数据集构造场景并生成具体信道数据。Deep MIMO数据集中的‘O1’场景水平主街道长600m(沿Y轴方向),宽40m(沿X轴方向),主街共有12个基站,每边6个。用户位置网格位于主街道沿线,长550m,宽35m。从右上开始,距离街道起点15m,到左下结束,距离街道终点35m,网格包括2751行,从R1到R2751。其中,每一行有181个用户位置,每两个相邻用户位置间距为20cm,每个位置用户天线接收高度恒定为2m。
假设分配给用户u的子载波集合为记其大小为满足/>记基站b到用户u的下行天线域信道在子载波k上的响应为hb,u,k,可建模为:
其中L表示该传播信道的散射路径数目,αb,u,l表示第l条路径的复增益,fk表示第k个子载波的中心频点,τl表示第l条路径的路径延迟。a(·)表示基站多天线阵列的导引矢量,若基站采用阵元间距为半波长的UPA,在yz平面中分别在y,z方向具有的天线个数为W和H,即M=WH。该UPA阵列的导引矢量可表示为:
如图2所示,在本发明实施例中,通信场景选取范围Deep MIMO主街道中R1066到R1466行所覆盖的36m×80m区域,总共采集201×181=36281个位置的样本数据,相邻位置点间距为20cm。系统工作在毫米波频段,载波频率为60GHz,工作带宽为500MHz,基站数为4,配置8×4的均匀平面阵,考虑一个用户数为2的用户集,用户均配置全向单天线。
在本发明实施例中,需要说明的是,为了更好地拟合网络,对训练数据集进行最大值标准化处理,基站b的本地宽学习网络模型的所有输入都除以幅度的常数缩放因子△norm,定义为:
对本地宽学习网络模型的输出,将基站b的每个待选择波束响应样本分别进行归一化处理,操作如下:
在本发明实施例中,需要说明的是,各基站本地宽学习网络有2BKu个输入,对应用户集中Ku个子载波上用户上行宽波束响应的幅值和相位;各基站本地宽学习网络有M个输出,对应本地的各待选模拟波束等效速率指标。仿真中将上述36491个位置点划分为训练集与测试集,比例为8:2,大小分别为29192、7298,供用户集使用。
步骤S2:各用户在训练阶段使用导频/>(这里为简化表示,实际中可能为导频序列),各基站/>以宽波束矢量/>模式及各待选模拟波束矢量 接收,/>表示训练功率。各基站/>在子载波/>上得到导频接收信号为
其中是第b个BS在第k个子载波的接收噪声向量。经过导频匹配后,基站可获得波束矢量响应/>的估计为
定义为基站收集的来自第u个用户的宽波束响应,其中∠表示取复数相位操作符。用/>表示基站/>在离线训练阶段收集的所有用户的第n=1,…,N个宽波束响应样本。窄波束i=1,…,M对应的等效速率指标为/>定义 为第u个用户的待选择波束等效速率样本。
定义为/>的one-hot编码向量,即原向量最大值位置取1,其余位置置零。经过数据编排后,用户u的第n个样本对应的CU宽学习网络模型的输入为输出为/> N个样本对应输入矩阵/>和标签对输入矩阵基站维度进行垂直分割,得到
步骤S3:基于宽学习的框架,首先利用输入数据Xb映射为I组特征节点与J组增强节点/>F与E分别表示每组的特征节点与增强节点数,即
其中Zb=[Zb,1,Zb,2,…,Zb,I]为I组特征节点的级联矩阵,Hb=[Hb,1,...,Hb,J]为J组增强节点的级联矩阵。与/>分别表示特征生成网络与特征增强网络的连接权重和偏置,通常随机生成。/>表示元素全为1的列向量。φ(·)与ξ(·)均表示线性或非线性激活函数。进一步,用户本地宽学习网络对联合特征增强节点/>进行仿射变换/>输出/>
基于宽学习架构将上行宽波束响应信号与波束选择结果之间的映射关系建模为一个多类分类问题。若采用传统集中式方法,则需要CU汇集各基站的训练样本,基于最小均方误差准则训练宽学习网络参数,并利用L2范数正则化提升网络泛化性能。宽学习网络集中式优化问题可建模为:
其中集中式特征增强节点输出仿射变换/>将上述问题转换为:
其中为引入的辅助变量矩阵。该问题的求解只需要各基站利用本地宽学习网络经仿射变换与非线性变换后的联合特征增强节点Ab与本地权重参数Wb的乘积,并通过与CU的少量信息交互,实现各基站的分布式训练。上述优化问题的迭代求解过程如下:
其中,t表示迭代次数,参数ρ是控制估计一致性约束的惩罚系数,ρ>0,Qb=ρAb TAb+λI,其中I是一个单位矩阵,大小和Ab TAb相同,迭代重复上述过程tmax次,可实现上述优化问题的分布式求解。在某些通信场景下,各基站收集的宽波束响应信息是分别存储在各基站的,由于隐私保护或环境限制无法获得其他基站的信息,在上述迭代过程中,基站仅需要交互训练过程中的中间数据及其变体,而不是原始数据。
步骤S4:每一个基站只用自己的宽波束响应映射各个窄波束响应指标,但利用自身与CU之间的少量交互,借鉴纵向联邦学习的算法流程如下:
(4.1)参数初始化。所有参与联邦学习训练的基站进行初始化权重Wb(0)=0,V(0)=0,O(0)=0。
(4.2)构建本地初始模型。在基站b中,利用本地宽学习网络训练Ab,计算本地的Qb=ρAb TAb+λI。
(4.3)本地上传模型更新参数。基站更新本地权重Wb(t),更新过程为:/>
接着,基站b计算模型参数AbWb,并将其上传至CU(主要通信开销为)。
(4.5)中央处理单元下发参数更新。CU收到来自各基站的AbWb后,聚合计算计算/>并将两个平均值反馈回每个参与此回合训练的基站(主要通信开销为/>)。
(4.6)本地模型更新。基站根据CU聚合后反馈的模型信息进行本地模型的更新:
上述流程即一个通信回合,重复步骤(4.3)~(4.6),直到达到迭代次数停止条件tmax,模型训练完毕,基站侧保存本地Wb。
步骤S5:当无线环境因用户移动或者环境本身出现变化,各基站的宽学习网络需要自适应更新。定义由矩阵求逆的Woodbury恒等式(D-UBV)-1=D-1+D-1U(B-1-VD-1U)-1VD-1可知,/>可以重新表述为:
其中为当前更新时的已知对称矩阵,不需要重新计算。/>计算只涉及/>维对称矩阵的求逆,若/>则上述增量式更新方法的计算开销远小于直接求逆方法。
步骤S6:在本发明实施例中,如图3所示,采用基于宽学习架构的ADMM算法进行基站协作时的权重更新。如图4所示,基站与中央处理单元的交互过程不断循环,直到达到设定的交互迭代次数tmax。本发明实施例中,设置算法的惩罚系数ρ为0.1,正则化约束系数λ为2-8,训练过程的交互迭代次数tmax=5。在网络结构方面,仿真中设置宽学习网络的特征节点组数为10,每组特征节点数为20,增强节点数根据本地训练样本数量的变化灵活设置,所取参数均为能取得较优性能的配置,具体设置如下:当本地训练样本数小于200时,增强节点数设置为100;当本地训练样本数不超过300时,增强节点数设置为300;当本地训练样本数不超过500时,增强节点数设置为500;当本地训练样本数不超过800时,增强节点数设置为800;当本地训练样本数不超过1000时,增强节点数设置为1000;当本地训练样本数大于1000时,增强节点数设置为1500。不考虑特征层的非线性激活函数,增强层激活函数设计为Tansig,具体形式如下:
/>
本发明实施例中,需要说明的是,由于实际通信场景中真实有效的样本难以获得,增量学习主要考虑基站搜集样本数量有限的情况,充分利用增量式基站协作网络对小数据量的优势。用于训练的本地样本数据集个数从50个依次增量到2000个。在本发明实施例中,T设置为1ms,Ts设置为0.01ms。
本发明实施例利用图5比较了所设计的基于宽学习的基站增量协作波束选择方案(BS-ICBLS)与基于深度学习的基站侧集中式波束选择方案(DNN)、基于宽学习的基站侧集中式波束选择方案(BS-CBLS)、基于宽学习的基站侧完全分布式波束选择方案(BS-FDBLS)以及基于宽度学习的基站侧协作方案(BS-PCBLS)的用户平均有效速率曲线。BS-FDBLS方案性能较差,主要原因是其忽略了完整的环境信息特征,但在样本数比较小的情况下优于DNN波束选择方法,说明宽学习网络在本用例中更容易取得训练样本数与模型复杂度的合理折衷。相比传统穷举波束扫描搜索方法,当总训练样本数为100时,BS-FDBLS波束选择方法同样可以取得性能优势,平均有效速率提升了约24.8%。这再次表明宽学习网络在解决本文的波束选择问题方面有良好的表现。接着,当基站本地训练数据量为2000时,BS-ICBLS方法可取得11.33bps/Hz的平均有效速率,相比基于宽学习的用户侧完全分布式波束选择方法提升了约7.6%,相比传统穷举波束扫描搜索方法提升了约37.5%;且随着训练样本数量的增加,性能更加逼近BS-CBLS方案。同时,所设计的增量式更新机制与基于宽学习网络直接重新训练的方法可取得一致效果。
本发明实施例利用图6对所提ICBLS方案的收敛性能进行分析,展示了本地训练数据集数量为2000时所提方案的波束选择成功率与协作迭代次数的关系。可以看出,所提BS-ICBLS方案的波束选择成功率随着基站与CP之间通信回合次数的增加而上升,考虑到真实环境下的所消耗的计算时间,在小数据量条件下,BS-ICBLS方案在交互迭代次数为5次时,已经能够达到较优的性能,表明所提分布式基站协作波束协作算法是一种比较好的迭代算法,收敛速度也有保证。进一步,当协作迭代次数增加到10次时,所提算法相比BS-CBLS已经几乎没有性能损失,相比于BS-FDBLS方法有明显的优势,波束选择成功率提升了约26.7%。
本发明未详述之处,均为本领域技术人员的公知技术。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (8)
1.一种基于宽学习的毫米波MIMO基站协作波束选择方法,其特征在于,包括如下步骤:
S1,构建多基站协作传输场景下的毫米波MIMO系统模型,以最大化系统有效和速率为目标构建多基站协作波束选择问题模型;
S2,各基站利用上行全向宽波束响应与上行窄波束响应对应的等效速率指标,在CU集中训练毫米波MIMO系统模型:上行宽波束响应作为输入特征,各传输窄波束等效速率指标作为输出;
S3,根据分布式优化理论,将多基站波束选择问题转化为基于特征维度切分的分布式优化问题,设计迭代交互式方法训练多基站的本地宽学习映射网络,实现基站特征的隐式共享;
S4,在交替方向乘子算法和宽学习网络的基础上,利用各基站宽波束响应特征之间具有垂直分割的特点,设计步骤分布式优化问题的纵向联邦学习框架,实现基站间的分布式训练;由CU将迭代过程的中间数据进行聚合,并反馈给参与基站,基站侧根据聚合后的模型信息进行本地模型的更新;
S5,引入增量式学习方法用于新增数据时协作模型参数的快速更新,并利用步骤S3、S4的算法在步骤S2生成的数据集上进行迭代训练;
S6,各基站将收集的用户宽波束响应输入本地映射网络,再上传中间参数至中央处理单元,得到反馈后预测自身的波束选择。
2.根据权利要求1所述的一种基于宽学习的毫米波MIMO基站协作波束选择方法,其特征在于,所述S1步骤具体包括:
在多点协作毫米波MIMO系统中,存在B个基站与U个用户,子载波个数为K,单基站天线数为Mt,用户配置全向天线;参考典型无蜂窝MIMO架构,各基站连接到一个CU;多用户通过正交频分多址接入模式接受B个基站提供的协作下行传输;单基站使用单个波束服务一个用户,且多用户在一定区域内随机移动;记基站集为用户集为子载波集合为/>分配给用户u的子载波集合为/> 记其大小为/>满足/>上下行信道互易,记基站b与用户u之间的天线域信道在子载波k上的响应为hb,u,k,建模为:
其中L表示该信道的可分辨散射路径数目,αb,u,l表示第l条路径的复增益,fk表示第k个子载波的中心频点,τl表示第l条路径的延迟;a(·)表示基站多天线阵列的导引矢量;
波束选择问题表述为通过波束选择最大化系统有效和速率的优化问题:
表示用户u的实际有效速率;
上述问题可转换为
进一步转换如下,
获得原始问题的低复杂度次优解。
3.根据权利要求1所述的一种基于宽学习的毫米波MIMO基站协作波束选择方法,其特征在于,所述S2步骤具体包括:
令用户在训练毫米波MIMO系统模型阶段使用导频/>基站/>以宽波束/>及各待选模拟波束/>进行接收,/>表示导频功率;基站/>在子载波/>上得到导频信号为:
其中是第b个BS在第k个子载波的接收噪声向量;经过导频匹配后,基站获得波束矢量响应/>的估计为
定义为基站/>收集的来自第u个用户的宽波束响应,其中∠表示取复数相位操作符;用/>表示基站/>在离线训练阶段收集的所有用户的第n=1,…,N个宽波束响应样本;窄波束i=1,…,M对应的等效速率指标为/>定义 为第u个用户的待选择波束等效速率样本;
CU通过收集上述样本,分别针对各个用户训练多基站宽波束响应到窄波束等效速率指标的映射,或利用多用户的样本训练同一个模型。
4.根据权利要求3所述的一种基于宽学习的毫米波MIMO基站协作波束选择方法,其特征在于,CU通过收集上述样本分别针对各个用户训练多基站宽波束响应到窄波束等效速率指标的映射的步骤如下:
定义为/>的one-hot编码向量,即原向量最大值位置取1,其余位置置零;经过数据编排后,用户u的第n个样本对应的CU宽学习网络模型的输入为输出为/> N个样本对应输入矩阵/>和标签对输入矩阵基站维度进行垂直分割,得到
5.根据权利要求3所述的一种基于宽学习的毫米波MIMO基站协作波束选择方法,其特征在于,所述S3步骤具体包括:
基于宽学习的框架,首先利用输入数据Xb映射为I组特征节点与J组增强节点/>F与E分别表示每组的特征节点与增强节点数,即
其中Zb=[Zb,1,Zb,2,…,Zb,I]为I组特征节点的级联矩阵,Hb=[Hb,1,...,Hb,J]为J组增强节点的级联矩阵;与/>分别表示特征生成网络与特征增强网络的连接权重和偏置;/>表示元素全为1的列向量;φ(·)与ξ(·)均表示线性或非线性激活函数;用户本地宽学习网络对联合特征增强节点 进行仿射变换/>输出/>
基于ADMM算法,将构建的集中式处理问题等价地转化为基于特征维度切分的分布式优化问题,分布式的原始优化问题表示为:
基于ADMM算法和分布式平均共识策略,将上述问题转换为:
其中为引入的辅助变量矩阵。
6.根据权利要求3所述的一种基于宽学习的毫米波MIMO基站协作波束选择方法,其特征在于,所述S4步骤具体包括:
CU保存有所有基站的模拟波束对应的等效速率响应指标
若M<<2Ku,则借鉴联邦学习的训练方法的通信开销远小于本地直接传输原始数据方法;若M<<IE+JF,则借鉴联邦学习的训练方法的通信开销远小于在本地生成宽学习网络的联合特征增强节点Ab并上传至CU进行集中式训练方法。
7.根据权利要求1所述的一种基于宽学习的毫米波MIMO基站协作波束选择方法,其特征在于,所述S5步骤具体包括:
定义各基站为适应环境变化新搜集的训练样本为/>其中/>表示新增样本数;经本地宽学习网络的特征处理,得到新增特征与增强节点/> 采用如下方式进行增量更新:
定义 表述为:
其中为当前更新时的已知对称矩阵,不需要重新计算。
8.根据权利要求1所述的一种基于宽学习的毫米波MIMO基站协作波束选择方法,其特征在于,所述S6步骤具体包括:
在线执行阶段,借鉴联邦学习的波束选择预测流程如下:各基站仅需利用当前时隙的本地宽波束响应经过本地宽学习网络的非线性特征变换得到联合特征增强节点/>再经本地仿射变换处理后上传至CU,由CU反馈得到待选择模拟波束指标的预测值/>根据该预测值,确定各基站/>对其的模拟波束序号/>并将有效信道值反馈给CU进行MRT预编码,进行后续的下行数据传输;
用户在各子载波上的平均有效速率由下式给出:
其中2Td为基站训练B个宽波束响应和B个被选择模拟波束/>所花费的时间,其中Td表示单次波束训练需要花费的时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211057673.1A CN115664471B (zh) | 2022-08-31 | 2022-08-31 | 基于宽学习的毫米波mimo基站协作波束选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211057673.1A CN115664471B (zh) | 2022-08-31 | 2022-08-31 | 基于宽学习的毫米波mimo基站协作波束选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115664471A CN115664471A (zh) | 2023-01-31 |
CN115664471B true CN115664471B (zh) | 2024-01-02 |
Family
ID=84984238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211057673.1A Active CN115664471B (zh) | 2022-08-31 | 2022-08-31 | 基于宽学习的毫米波mimo基站协作波束选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115664471B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116390135B (zh) * | 2023-04-26 | 2024-02-02 | 中南大学 | 基于动态时分双工通信的自回程毫米波蜂窝网络通信方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3200507A1 (en) * | 2014-09-26 | 2017-08-02 | ZTE Corporation | Method and device for selecting heterogeneous network serving cell based on inter-cell cooperation |
US10666342B1 (en) * | 2019-05-01 | 2020-05-26 | Qualcomm Incorporated | Beam management using adaptive learning |
CN111917447A (zh) * | 2020-08-12 | 2020-11-10 | 电子科技大学 | 基于波束选择的低频辅助混合预编码设计方法 |
CN113395703A (zh) * | 2021-06-01 | 2021-09-14 | 中国电子科技集团公司第五十四研究所 | 一种基于mimo技术的高频段异构网络共存传输方法 |
CN114204971A (zh) * | 2021-12-10 | 2022-03-18 | 东南大学 | 一种迭代的聚合波束成形设计和用户设备选择方法 |
CN114580498A (zh) * | 2022-01-26 | 2022-06-03 | 华东师范大学 | 一种无线通信场景下高通信效率的联邦学习方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11361223B2 (en) * | 2020-07-24 | 2022-06-14 | Huawei Technologies Co., Ltd. | Hybrid message-passing-algorithm-based deep learning neural network for a massive beam-forming system |
-
2022
- 2022-08-31 CN CN202211057673.1A patent/CN115664471B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3200507A1 (en) * | 2014-09-26 | 2017-08-02 | ZTE Corporation | Method and device for selecting heterogeneous network serving cell based on inter-cell cooperation |
US10666342B1 (en) * | 2019-05-01 | 2020-05-26 | Qualcomm Incorporated | Beam management using adaptive learning |
CN111917447A (zh) * | 2020-08-12 | 2020-11-10 | 电子科技大学 | 基于波束选择的低频辅助混合预编码设计方法 |
CN113395703A (zh) * | 2021-06-01 | 2021-09-14 | 中国电子科技集团公司第五十四研究所 | 一种基于mimo技术的高频段异构网络共存传输方法 |
CN114204971A (zh) * | 2021-12-10 | 2022-03-18 | 东南大学 | 一种迭代的聚合波束成形设计和用户设备选择方法 |
CN114580498A (zh) * | 2022-01-26 | 2022-06-03 | 华东师范大学 | 一种无线通信场景下高通信效率的联邦学习方法 |
Non-Patent Citations (3)
Title |
---|
Channel Beam Pattern Extension for Massive MIMO via Deep Gaussian Process Regression;Cheng Zhang,etc.;《 2021 IEEE/CIC International Conference on Communications in China (ICCC)》;第172-177页 * |
吴君钦 ; 赵天.毫米波大规模MIMO系统波束选择方案的设计.《高技术通讯》.2017,第404-409页. * |
大规模MIMO无线通信系统中的传输方案设计与性能分析;张铖;《中国优秀博士论文全文数据库信息科技辑》;第1-178页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115664471A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110212959B (zh) | 一种毫米波mimo-ofdm通信系统的混合预编码能效优化方法 | |
CN111835406B (zh) | 适用于多波束卫星通信的能效谱效权衡的鲁棒预编码方法 | |
CN111147113B (zh) | 一种能效保障的多波束卫星通信鲁棒预编码方法 | |
CN107171708B (zh) | 一种大规模mimo系统的信道跟踪与混合预编码方法 | |
CN104601209B (zh) | 一种适用于3d‑mimo系统的协作多点传输方法 | |
CN111988073B (zh) | 面向宽带毫米波通信系统半动态子阵混合结构的设计方法 | |
CN112260737B (zh) | 总能效与最小能效权衡的多波束卫星通信鲁棒预编码方法 | |
CN109547076B (zh) | 一种毫米波大规模mimo系统中的混合预编码方法 | |
CN115664471B (zh) | 基于宽学习的毫米波mimo基站协作波束选择方法 | |
CN107135023A (zh) | 用于毫米波通信系统的三维训练码书设计方法及波束对准方法 | |
CN114172549B (zh) | 天波大规模mimo通信下行传输方法 | |
CN114640379A (zh) | 一种基于智能反射面阵元分组的波束优化方法及系统 | |
CN114844538B (zh) | 一种基于宽学习的毫米波mimo用户增量协作波束选择方法 | |
CN112105077B (zh) | 一种基于swipt技术的大规模mimo系统uav中继通信方法 | |
CN112600593A (zh) | 一种基于noma的波束选择方法 | |
CN109787672B (zh) | 基于参数学习的大规模mimo格点偏移信道估计方法 | |
CN113258985B (zh) | 单站多星mimo上注系统能效优化方法 | |
Javadi et al. | Resource allocation for IRS‐assisted MC MISO‐NOMA system | |
CN111245525B (zh) | 大规模mimo水声通信方法与系统 | |
Huang et al. | Self-attention reinforcement learning for multi-beam combining in mmWave 3D-MIMO systems | |
CN109347528B (zh) | 3d-mimo下行多用户调度及自适应传输方法 | |
CN110445519B (zh) | 基于信干噪比约束的抗组间干扰方法及装置 | |
CN114337902A (zh) | 一种irs辅助的毫米波多小区间干扰的抑制方法 | |
Sun et al. | Downlink ergodic sum capacity maximisation for massive distributed antenna systems with SWIPT protocol | |
CN117295077B (zh) | 一种多小区协同多址地空数据传输方法 |
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 |