CN115801070A - 一种基于深度学习的毫米波mimo码本搜索方法 - Google Patents
一种基于深度学习的毫米波mimo码本搜索方法 Download PDFInfo
- Publication number
- CN115801070A CN115801070A CN202210518234.XA CN202210518234A CN115801070A CN 115801070 A CN115801070 A CN 115801070A CN 202210518234 A CN202210518234 A CN 202210518234A CN 115801070 A CN115801070 A CN 115801070A
- Authority
- CN
- China
- Prior art keywords
- codebook
- model
- combiner
- label
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 53
- 230000003595 spectral effect Effects 0.000 claims abstract description 11
- 238000013136 deep learning model Methods 0.000 claims abstract description 10
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 238000013145 classification model Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000003491 array Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
- Radio Transmission System (AREA)
Abstract
本发明公开了一种基于深度学习的毫米波MIMO码本搜索方法，通过引入深度学习的方法将码本搜索问题转化为了多分类问题，采用了两种模型结构，将问题具体转化为了多标签分类问题与单标签多分类问题。在神经网络的训练阶段，将采集好的信道信息，以最大化频谱效率为目标，采用码本遍历的方法，得到最佳的模拟预编码器与组合器的索引，此索引便为对应信道信息的标签。将信道信息作为深度学习模型的输入，对应的模拟预编码器与组合器的索引作为模型的输出，对深度学习模型进行训练，直到训练完成。本发明不依赖于特定的码本，取得了接近于码本遍历方法的频谱效率，且能有效的减少计算复杂度，提高系统实时性。
Description
技术领域
本发明涉及毫米波MIMO码本搜索方法的技术领域，特别是涉及一种基于深度学习的毫米波MIMO码本搜索方法。
背景技术
近年来，在毫米波通信领域由于毫米波频段丰富的频谱资源而引起了广泛的研究。毫米波存在传输损耗大的问题，要提供足够大的覆盖，需要波束赋形的增益。不过幸运的是毫米波较小的波长使得大型天线阵列所需的空间变小。另外，若采用全数字天线阵列提供波束赋形的增益，将带来高成本、高功率消耗的问题。而模拟天线阵列的提出很好的解决了上述问题，因此它在毫米波通信领域有着重要的地位。现有大量的毫米波通信领域的工作都是基于混合天线架构与模拟天线架构实现的。
为了解决在毫米波通信中基于穷举的波束搜索方案的计算复杂度高，从而导致时间延迟较长的问题，本发明提供了一种基于深度学习的毫米波MIMO码本搜索方法，不像许多分层码本搜索方法需要依赖于特定的分层码本，本方法适合于大多数的码本集。
发明内容
有鉴于此，本发明的目的在于提供一种基于深度学习的毫米波MIMO码本搜索方法，用以解决遍历码本搜索算法中计算复杂度高的问题。本发明取得了接近于码本遍历方法的频谱效率，且能有效的减少计算复杂度，提高系统实时性。
为了实现上述目的，本发明采用如下技术方案：
一种基于深度学习的毫米波MIMO码本搜索方法，所述码本搜索方法包括如下步骤：
步骤S1、构建用于训练码本搜索深度神经网络模型的训练集，该训练集包括：在发射端采集到的发射端与接收端之间的信道信息，以及该信道信息对应的标签，其中，该标签为将采集好的信道信息，以最大化频谱效率为目标，采用码本遍历的方法，得到最佳的模拟预编码器与组合器的索引；所述被训练的码本搜索深度神经网络模型包括：单标签多分类模型和多标签多分类模型；
步骤S2、对步骤S1中构建的训练集，执行预处理操作；
步骤S3、使用经过预处理之后的训练集对码本搜索深度神经网络模型进行训练，其中，以预处理好的的信道信息作为模型输入，以对应的模拟预编码器与组合器的索引形式作为模型的输出；分别对单标签多分类模型和多标签多分类模型进行训练；
步骤S4、将训练好的码本搜索深度神经网络模型上线进行运行使用。
进一步的，在所述步骤S1中，针对一个毫米波MIMO通信系统，在其发射端配备有一条射频电路与Nt根发射天线，相应的，在其接收端配备有一条射频电路与Nr根接收天线；
在毫米波频段的无线通信场景下，采用Saleh-Valenzuela模型的窄带集群信道来模拟发射端和接收端之间的传输环境，则从发射端到接收端的信道矩阵表示为：
公式中，L代表散射路径数，αl代表第l条路径的复数增益，增益是独立且均匀分布的复高斯随机变量，其为零均值和单位方差；
与
分别代表第l条路径的到达角与离开角，
与
分别表示收发端的天线阵列响应向量。
进一步的，假设收发端均配备了均匀线性阵列，天线之间的间隔是波长的一半；，则阵列响应向量表示为：
进一步的，在所述步骤S1中，所述将采集好的信道信息，以最大化频谱效率为目标，采用码本遍历的方法，得到最佳的模拟预编码器与组合器的索引，其具体包括：
步骤S101、初始化频谱效率值为R＝0，最佳的模拟预编码器与组合器的索引为p1＝0,p2＝0；模拟预编码码本码字集合为
总共有M个码字，当前选择的码字索引为m；判断m＜M，若为真执行步骤S102，若为假执行步骤S104；
步骤S102、模拟组合器码本码字集合为
总共有N个码字，当前选择的码字索引为n；判断n＜N，若为真执行步骤S103，若为假执行步骤S101；
步骤S103、计算
其中，γ为信噪比，H为发射端到接收端的信道矩阵，fn为模拟预编码向量，wm为模拟组合器向量；执行判断Rn＜R，若为假，记录下此时得模拟预编码码字索引以及模拟组合器码本索引，使得p1＝m,p2＝n，且R＝Rn，再执行步骤S102；若为真，执行步骤S104；
步骤S104、得到最佳的模拟预编码器与组合器的索引p1与p2。
进一步的，在所述步骤S2中，针对信道信息，具体执行如下的预处理：
步骤S201、将发射端与接收端之间的信道向量H的实部与虚部分别取出，然后横向拼接合并成一个新的向量，表示为：
Hn＝[Re(Hn),Im(Hn)]
在公式中，Re(·)，Im(·)分别表示取实部与虚部，Hn是经过第一步预处理后的新矩阵。
步骤S202、将Hn经过Flatten函数将Hn从多维变为一维hn。
进一步的，在所述步骤S2中，针对标签，具体执行如下的预处理：
假设预编码器码本码字总数量为T，组合器码本码字总数量为R。
在单标签多分类模型中，其具有两个输出通道，输出通道数分别为T与R；
单标签多分类模型的预编码器与组合器的设置是相同的，针对预编码器，具体设置如下：
码本的每一个码字对应于1个标签，即标签总数为发射端码本码字的数量T，且深度学习模型输出通道数量等于码本码字数量；将在步骤S1中所得到模拟预编码器索引的位置设置为1，其他设置为0；
在多标签分类模型中，其输出通道数为T+R个，则具体设置如下：
将在步骤S1中所得到模拟预编码器与组合器索引的位置设置为1，其他位置设置为0，即前T个序列上只有一个位置为1，后R个序列上也只有一个位置为1。
进一步的，所述的单标签多分类模型为一个单输入多输出模型，输入为预处理之后的信道状态信息，有两个输出，训练阶段时，分别为单标签多分类模型的预编码器与组合器的设置；
网络总共由三层结构组成，前两层的激活函数为Relu，其输出分别通过两个输出层输出，其激活函数都为Softmax函数；
模型的Loss函数为categorical_crossentropy：
在公式中，N代表代表样本总数，yn与
分别是真实值与预测值。
进一步的，所述多标签多分类模型为单输入单输出模型，输入为预处理之后的信道状态信息，训练阶段时，输出为多标签分类模型预编码器与组合器的设置；
网络由三层结构组成，前两层的激活函数为relu，最后一层的激活函数为sigmiod函数；
模型的Loss函数为binary_crossentropy：
在公式中，N代表代表样本总数，yn与
分别是真实值与预测值。
进一步的，在所述步骤S3中，采用的如下方法对单标签多分类模型和多标签多分类模型进行训练，包括：
步骤S301、对深度学习模型参数进行初始化，然后将采集到的训练集进行训练，训练集的数据为预处理之后的信道状态信息与模拟预编码器与组合器的索引设置；
步骤S302、设置对整个训练集的数据进行训练的总次数K与当前训练进行到次数k，初始化k＝0；
步骤S303、判断k＜K，若为真，则执行步骤S304；若为假，则执行步骤S305；
步骤S304、计算Loss函数，并且更新网络的参数；
步骤S305、完成模型训练。
本发明的有益效果是：
本发明设计的一种基于深度学习的毫米波MIMO码本搜索方法，与传统的部分分层码本搜索方法相比，此方法不依赖于特定的码本。
本发明设计的一种基于深度学习的毫米波MIMO码本搜索方法，取得了接近于码本遍历方法的频谱效率，且能有效的减少计算复杂度，提高系统实时性。
附图说明
图1为实施例1中提供的单标签多分类模型的结构示意图；
图2为实施例1中提供的多标签分类模型的结构示意图；
图3为实施例1中提供的单标签多分类模型的输出设置图；
图4为实施例1中提供的多标签分类模型的输出设置图；
图5为实施例1方法的频谱效率图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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。
实施例1
参见图1-图5，本实施例提供一种基于深度学习的毫米波MIMO码本搜索方法，该方法具体包括：
步骤S1、构建用于训练码本搜索深度神经网络模型的训练集，该训练集包括：在发射端采集到的发射端与接收端之间的信道信息，以及该信道信息对应的标签，其中，该标签为将采集好的信道信息，以最大化频谱效率为目标，采用码本遍历的方法，得到最佳的模拟预编码器与组合器的索引；所述被训练的码本搜索深度神经网络模型包括：单标签多分类模型和多标签多分类模型；
具体的说，在本实施例中，该步骤S1包括：
针对一个毫米波MIMO通信系统，在其发射端配备有一条射频电路与Nt根发射天线，相应的，在其接收端配备有一条射频电路与Nr根接收天线。
发射端采集发射端与接收端之间的信道信息以用于深度神经网络的训练。
在毫米波频段的无线通信场景下，可以用S-V(Saleh-Valenzuela)模型的窄带集群信道来模拟发射端和接收端之间的传输环境。
将采集好的信道信息，以最大化频谱效率为目标，采用码本遍历的方法，得到最佳的模拟预编码器与组合器的索引，此索引便为对应信道信息的标签。信道信息与对应的最佳的模拟预编码器与组合器的索引组成码本搜索深度神经网络的训练集。
更具体的说，上述的采集的信道信息，具体包括：
发射端可以通过不断的实时采集发射端与接受端之间的信道信息，此情况下可以采集到具体应用场景环境的信息。另外，在毫米波频段的无线通信场景下，可以采用S-V(Saleh-Valenzuela)模型的窄带集群信道来模拟发射端和接收端之间的传输环境。
从发射端到接收端的信道矩阵可表示为：
在公式(1)中，L代表散射路径数，αl代表第l条路径的复数增益，增益是独立且均匀分布的复高斯随机变量，其为零均值和单位方差；
与
分别代表第l条路径的到达角与离开角，
与
分别表示收发端的天线阵列响应向量。
在本实施例中，假设收发端均配备了均匀线性阵列(ULA)，天线之间的间隔是波长的一半。因此，阵列响应向量可以表示为：
步骤S101、初始化频谱效率值为R＝0，最佳的模拟预编码器与组合器的索引为p1＝0,p2＝0；模拟预编码码本码字集合为
总共有M个码字,当前选择的码字索引为m；判断m＜M，若为真执行步骤S102，若为假执行步骤S104；
步骤S102、模拟组合器码本码字集合为
总共有N个码字，当前选择的码字索引为n；判断n＜N，若为真执行步骤S103，若为假执行步骤S101；
步骤S103、计算
其中，γ为信噪比，H为发射端到接收端的信道矩阵，fn为模拟预编码向量，wm为模拟组合器向量；执行判断Rn＜R，若为假，记录下此时得模拟预编码码字索引以及模拟组合器码本索引，使得p1＝m,p2＝n，且R＝Rn，再执行步骤S102；若为真，执行步骤S104；
步骤S104、得到最佳的模拟预编码器与组合器的索引p1与p2。
步骤S2、对步骤S1中构建的训练集，执行预处理操作；
具体的说，在步骤S2中，针对信道信息，具体执行如下的预处理：
步骤S201、将发射端与接收端之间的信道向量H的实部与虚部分别取出，然后横向拼接合并成一个新的向量，可表示为：
Hn＝[Re(Hn),Im(Hn)] (2)
在公式(2)中，Re(·)，Im(·)分别表示取实部与虚部，Hn是经过第一步预处理后的新矩阵。
步骤S202、将Hn经过Flatten函数将Hn从多维变为一维hn。
具体的说，在步骤S2中，针对标签，具体执行如下的预处理：
假设预编码器码本码字总数量为T，组合器码本码字总数量为R。
在单标签多分类模型中，其具有两个输出通道，输出通道数分别为T与R。
单标签多分类模型的预编码器与组合器的设置是相同的，以预编码器为例进行说明：
如图3所示，码本的每一个码字对应于1个标签，即标签总数为发射端码本码字的数量T，且深度学习模型输出通道数量等于码本码字数量。将在步骤S1中所得到模拟预编码器索引的位置设置为1，其他设置为0。
在多标签分类模型中，其输出通道数为T+R个，如图4所示，具体包括：
将在步骤S1中所得到模拟预编码器与组合器索引的位置设置为1，其他位置设置为0，即前T个序列上只有一个位置为1，后R个序列上也只有一个位置为1。
步骤S3、使用经过预处理之后的训练集对码本搜索深度神经网络模型进行训练，其中，以预处理好的的信道信息作为模型输入，以对应的模拟预编码器与组合器的索引形式作为模型的输出；分别对单标签多分类模型和多标签多分类模型进行训练；
具体的说，在本实施例中，上述的两种深度学习模型结构的如下：
单标签多分类模型结构为一个单输入多输出模型，如图1所示，输入为预处理之后的信道状态信息，有两个输出，训练阶段时，分别为单标签多分类模型的预编码器与组合器的设置；
在预测阶段时，选取对应输出概率最大的标签。
网络总共由三层结构组成，前两层的激活函数为Relu，其输出分别通过两个输出层输出，其激活函数都为Softmax函数。
模型的Loss函数为categorical_crossentropy：
在公式(3)中，N代表代表样本总数，yn与
分别是真实值与预测值。
多标签多分类模型结构为单输入单输出模型，如图2所示，输入为预处理之后的信道状态信息，训练阶段时，输出为多标签分类模型预编码器与组合器的设置；
预测阶段，选取前T个序列上概率最大的位置与后R个序列上概率最大的位置。网络同样由三层结构组成，前两层的激活函数为relu，最后一层的激活函数为sigmiod函数。
模型的Loss函数为binary_crossentropy：
在公式(4)中，N代表代表样本总数，yn与
分别是真实值与预测值。
具体的说，在本实施例中，通过如下的方法对上述的两个深度学习模型进行线下训练：
步骤S301、对深度学习模型参数进行初始化，然后将采集到的训练集进行训练，训练集的数据为预处理之后的信道状态信息与模拟预编码器与组合器的索引设置；
步骤S302、设置对整个训练集的数据进行训练的总次数K与当前训练进行到次数k，初始化k＝0；
步骤S303、判断k＜K，若为真，则执行步骤S304；若为假，则执行步骤S305；
步骤S304、计算Loss函数，并且更新网络的参数；
步骤S305、完成模型训练。
步骤S4、将训练好的码本搜索深度神经网络模型上线进行运行使用。
另外，通过实验发现码本遍历的方法与码本的数量大小相关。本实施例直观的通过程序运行在Python中的时间来观察三种方法的时间复杂度，具体展示在表1中。
表1计算时间
可以看出当码本数量很大时，本实施例的方法计算时间是优越于遍历码本的方法。
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 (9)
1.一种基于深度学习的毫米波MIMO码本搜索方法，其特征在于，所述码本搜索方法包括如下步骤：
步骤S1、构建用于训练码本搜索深度神经网络模型的训练集，该训练集包括：在发射端采集到的发射端与接收端之间的信道信息，以及该信道信息对应的标签，其中，该标签为将采集好的信道信息，以最大化频谱效率为目标，采用码本遍历的方法，得到最佳的模拟预编码器与组合器的索引；所述被训练的码本搜索深度神经网络模型包括：单标签多分类模型和多标签多分类模型；
步骤S2、对步骤S1中构建的训练集，执行预处理操作；
步骤S3、使用经过预处理之后的训练集对码本搜索深度神经网络模型进行训练，其中，以预处理好的的信道信息作为模型输入，以对应的模拟预编码器与组合器的索引形式作为模型的输出；分别对单标签多分类模型和多标签多分类模型进行训练；
步骤S4、将训练好的码本搜索深度神经网络模型上线进行运行使用。
2.根据权利要求1所述的一种基于深度学习的毫米波MIMO码本搜索方法，其特征在于，在所述步骤S1中，针对一个毫米波MIMO通信系统，在其发射端配备有一条射频电路与Nt根发射天线，相应的，在其接收端配备有一条射频电路与Nr根接收天线；
在毫米波频段的无线通信场景下，采用Saleh-Valenzuela模型的窄带集群信道来模拟发射端和接收端之间的传输环境，则从发射端到接收端的信道矩阵表示为：
公式中，L代表散射路径数，αl代表第l条路径的复数增益，增益是独立且均匀分布的复高斯随机变量，其为零均值和单位方差；
与
分别代表第l条路径的到达角与离开角，
与
分别表示收发端的天线阵列响应向量。
3.根据权利要求2所述的一种基于深度学习的毫米波MIMO码本搜索方法，其特征在于，假设收发端均配备了均匀线性阵列，天线之间的间隔是波长的一半；，则阵列响应向量表示为：
4.根据权利要求1所述的一种基于深度学习的毫米波MIMO码本搜索方法，其特征在于，在所述步骤S1中，所述将采集好的信道信息，以最大化频谱效率为目标，采用码本遍历的方法，得到最佳的模拟预编码器与组合器的索引，其具体包括：
步骤S101、初始化频谱效率值为R＝0，最佳的模拟预编码器与组合器的索引为p1＝0,p2＝0；模拟预编码码本码字集合为
总共有M个码字，当前选择的码字索引为m；判断m＜M，若为真执行步骤S102，若为假执行步骤S104；
步骤S102、模拟组合器码本码字集合为
总共有N个码字，当前选择的码字索引为n；判断n＜N，若为真执行步骤S103，若为假执行步骤S101；
步骤S103、计算
其中，γ为信噪比，H为发射端到接收端的信道矩阵，fn为模拟预编码向量，wm为模拟组合器向量；执行判断Rn＜R，若为假，记录下此时得模拟预编码码字索引以及模拟组合器码本索引，使得p1＝m,p2＝n，且R＝Rn，再执行步骤S102；若为真，执行步骤S104；
步骤S104、得到最佳的模拟预编码器与组合器的索引p1与p2。
5.根据权利要求1所述的一种基于深度学习的毫米波MIMO码本搜索方法，其特征在于，在所述步骤S2中，针对信道信息，具体执行如下的预处理：
步骤S201、将发射端与接收端之间的信道向量H的实部与虚部分别取出，然后横向拼接合并成一个新的向量，表示为：
Hn＝[Re(Hn),Im(Hn)]
在公式中，Re(·)，Im(·)分别表示取实部与虚部，Hn是经过第一步预处理后的新矩阵。
步骤S202、将Hn经过Flatten函数将Hn从多维变为一维hn。
6.根据权利要求1所述的一种基于深度学习的毫米波MIMO码本搜索方法，其特征在于，在所述步骤S2中，针对标签，具体执行如下的预处理：
假设预编码器码本码字总数量为T，组合器码本码字总数量为R。
在单标签多分类模型中，其具有两个输出通道，输出通道数分别为T与R；
单标签多分类模型的预编码器与组合器的设置是相同的，针对预编码器，具体设置如下：
码本的每一个码字对应于1个标签，即标签总数为发射端码本码字的数量T，且深度学习模型输出通道数量等于码本码字数量；将在步骤S1中所得到模拟预编码器索引的位置设置为1，其他设置为0；
在多标签分类模型中，其输出通道数为T+R个，则具体设置如下：
将在步骤S1中所得到模拟预编码器与组合器索引的位置设置为1，其他位置设置为0，即前T个序列上只有一个位置为1，后R个序列上也只有一个位置为1。
7.根据权利要求1所述的一种基于深度学习的毫米波MIMO码本搜索方法，其特征在于，所述的单标签多分类模型为一个单输入多输出模型，输入为预处理之后的信道状态信息，有两个输出，训练阶段时，分别为单标签多分类模型的预编码器与组合器的设置；
网络总共由三层结构组成，前两层的激活函数为Relu，其输出分别通过两个输出层输出，其激活函数都为Softmax函数；
模型的Loss函数为categorical_crossentropy：
在公式中，N代表代表样本总数，yn与
分别是真实值与预测值。
8.根据权利要求1所述的一种基于深度学习的毫米波MIMO码本搜索方法，其特征在于，所述多标签多分类模型为单输入单输出模型，输入为预处理之后的信道状态信息，训练阶段时，输出为多标签分类模型预编码器与组合器的设置；
网络由三层结构组成，前两层的激活函数为relu，最后一层的激活函数为sigmiod函数；
模型的Loss函数为binary_crossentropy：
在公式中，N代表代表样本总数，yn与
分别是真实值与预测值。
9.根据权利要求1所述的一种基于深度学习的毫米波MIMO码本搜索方法，其特征在于，在所述步骤S3中，采用的如下方法对单标签多分类模型和多标签多分类模型进行训练，包括：
步骤S301、对深度学习模型参数进行初始化，然后将采集到的训练集进行训练，训练集的数据为预处理之后的信道状态信息与模拟预编码器与组合器的索引设置；
步骤S302、设置对整个训练集的数据进行训练的总次数K与当前训练进行到次数k，初始化k＝0；
步骤S303、判断k＜K，若为真，则执行步骤S304；若为假，则执行步骤S305；
步骤S304、计算Loss函数，并且更新网络的参数；
步骤S305、完成模型训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210518234.XA CN115801070A (zh) | 2022-05-12 | 2022-05-12 | 一种基于深度学习的毫米波mimo码本搜索方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210518234.XA CN115801070A (zh) | 2022-05-12 | 2022-05-12 | 一种基于深度学习的毫米波mimo码本搜索方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115801070A true CN115801070A (zh) | 2023-03-14 |
Family
ID=85431119
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210518234.XA Pending CN115801070A (zh) | 2022-05-12 | 2022-05-12 | 一种基于深度学习的毫米波mimo码本搜索方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115801070A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130215987A1 (en) * | 2012-02-16 | 2013-08-22 | Seoul National University Industry Foundation | Mimo system and method of generating hierarchical codebook therefor |
| CN110457514A (zh) * | 2019-08-12 | 2019-11-15 | 桂林电子科技大学 | 一种基于深度哈希的多标签图像检索方法 |
| CN111092641A (zh) * | 2019-12-18 | 2020-05-01 | 重庆邮电大学 | 基于毫米波mimo系统深度学习的混合预编码设计方法 |
-
2022
- 2022-05-12 CN CN202210518234.XA patent/CN115801070A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130215987A1 (en) * | 2012-02-16 | 2013-08-22 | Seoul National University Industry Foundation | Mimo system and method of generating hierarchical codebook therefor |
| CN110457514A (zh) * | 2019-08-12 | 2019-11-15 | 桂林电子科技大学 | 一种基于深度哈希的多标签图像检索方法 |
| CN111092641A (zh) * | 2019-12-18 | 2020-05-01 | 重庆邮电大学 | 基于毫米波mimo系统深度学习的混合预编码设计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陆昀程: "毫米波通信中基于强化学习的自适应波束跟踪与对准算法研究", 《信息科技辑》, 29 February 2024 (2024-02-29) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110365612B (zh) | 一种基于近似消息传递算法的深度学习波束域信道估计方法 | |
| CN111092641B (zh) | 基于毫米波mimo系统深度学习的混合预编码设计方法 | |
| CN113411110B (zh) | 一种基于深度强化学习的毫米波通信波束训练方法 | |
| CN110557177A (zh) | 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法 | |
| Yang et al. | Machine learning enabling analog beam selection for concurrent transmissions in millimeter-wave V2V communications | |
| CN110336594B (zh) | 一种基于共轭梯度下降法的深度学习信号检测方法 | |
| CN112564752A (zh) | 一种优化稀疏天线激活可重构智能表面辅助通信方法 | |
| CN107332598A (zh) | 一种基于深度学习的mimo系统联合预编码和天线选择方法 | |
| CN114172547B (zh) | 基于智能反射面的无线携能通信混合预编码设计方法 | |
| CN113162666B (zh) | 一种面向智慧钢铁的大规模mimo混合预编码方法及装置 | |
| CN111277312A (zh) | 基于深度复数网络的固定子阵空基毫米波波束成形方法 | |
| CN112468202B (zh) | 低复杂度毫米波大规模mimo混合预编码方法 | |
| CN115102592B (zh) | 一种基于联邦学习的多用户mimo波束成形方法 | |
| CN113965233A (zh) | 一种基于深度学习的多用户宽带毫米波通信资源分配方法及系统 | |
| CN110113088A (zh) | 一种分离型数模混合天线系统波达角智能化估计方法 | |
| CN114844545A (zh) | 基于sub6GHz信道以及部分毫米波导频的通信波束选择方法 | |
| CN113381790A (zh) | 一种基于ai的环境知识辅助的无线信道反馈方法 | |
| CN114422059A (zh) | 信道预测方法、装置、电子设备及存储介质 | |
| Sidharth et al. | Deep learning based hybrid precoding for mmWave massive MIMO system using comcepNet | |
| CN115426013B (zh) | 基于无监督学习的ris辅助通信系统预编码与相移方法 | |
| Liu et al. | Deep learning aided two-stage multi-finger beam training in millimeter-wave communication | |
| CN111010222A (zh) | 一种基于深度学习的大规模mimo下行用户调度方法 | |
| CN113078931A (zh) | 基于qga-omp算法的毫米波大规模mimo混合预编码方法及系统 | |
| CN115801070A (zh) | 一种基于深度学习的毫米波mimo码本搜索方法 | |
| Qi et al. | DL-based joint waveform and beamforming design for integrated sensing and communication |
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 |