CN116112044A - 基于神经网络的高能效混合预编码方法 - Google Patents

基于神经网络的高能效混合预编码方法 Download PDF

Info

Publication number
CN116112044A
CN116112044A CN202210958446.XA CN202210958446A CN116112044A CN 116112044 A CN116112044 A CN 116112044A CN 202210958446 A CN202210958446 A CN 202210958446A CN 116112044 A CN116112044 A CN 116112044A
Authority
CN
China
Prior art keywords
matrix
precoding
digital
neural network
representing
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
CN202210958446.XA
Other languages
English (en)
Inventor
黑永强
陆奕臣
兰毛毛
魏建军
李文涛
牟进超
乔海东
康忱
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN202210958446.XA priority Critical patent/CN116112044A/zh
Publication of CN116112044A publication Critical patent/CN116112044A/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
    • H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Variable-Direction Aerials And Aerial Arrays (AREA)

Abstract

本发明公开了一种基于神经网络的高能效混合预编码方法，主要解决现有技术中移相器功耗高以及利用坐标下降法求解自适应开关矩阵算法复杂度高的问题，其实现方案为：构建自适应开关相位调制阵列；将数字预编码模块和射频链路及自适应开关相位调制阵列级联，构建混合预编码系统；通过交替优化算法求解混合预编码系统中的对角矩阵P和数字预编码矩阵FBB；构建神经网络，并输入样本数据的估计信道矩阵

Description

基于神经网络的高能效混合预编码方法
技术领域
本发明属于通信技术领域，特别涉及一种混合预编码的方法，可用于无人驾驶、视频通话及大规模MIMO系统。
背景技术
预编码的本质是信号预处理技术，在天线阵列中通过调节每个阵元的权重因子，产生方向可控的波束，在期望方向上增强振幅，以此获得波束形成增益，来对抗传播中的路径损耗。同时，在接收端可对多个波束方向的信号进行组合，从而支持多流传输，实现空间复用增益。然而，对于大规模MIMO系统，全数字预编码的成本、功耗和硬件实现复杂度过高，模拟预编码由于缺乏幅度上的增益和移相器的有限量化精度，系统性能很差，为此提出了混合预编码技术，在数字域和模拟域分别对信号进行处理，减少了射频链路数。
此外，随着绿色低碳环保意识的提高，低功耗、高能效的通信系统成为主要的关注问题。为降低系统能耗和硬件成本，目前的研究方向大致包括两个方面：一是寻找移相器的替代组件，大量的移相器产生的能耗不容小视；二是改变天线与射频链路之间的连接形式。
中建五局安装工程有限公司在其申请号为202110812173.3的专利文献中公开了“一种基于毫米波混合预编码结构的低功耗电力通信方法”其采用开关与两级移相器级联的混合预编码方式，具体步骤包括：(1)建立基于开关与两级移相器级联的混合预编码系统模型；(2)对信道矩阵进行奇异值分解求解全数字预编码矩阵，生成基于移相器的模拟预编码矩阵；(3)利用最小二乘法优化数字预编码矩阵；(4)利用混合交替最小化方法优化移相器模拟预编码矩阵；(5)利用坐标下降法优化开关模拟预编码矩阵，最终完成混合预编码。但该方法中由于模拟预编码由移相器实现，功耗高且量化精度有限，存在量化损失；同时由于在求解模拟移相器预编码和模拟开关预编码的过程中，需要大量的循环迭代过程，算法复杂度高，不满足低时延通信的需求；此外由于其算法依赖准确的信道状态信息，而在大规模MIMO系统中，很难精准地估计信道，从而会使算法性能下降。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于神经网络的高能效混合预编码方法，以降低通过移相器实现模拟预编码的功耗、减小模拟预编码矩阵求解的复杂度，提高信道估计精准度。
为了实现上述目的，本发明采用的技术方案包括如下：
(1)构建基于自适应开关模块-子阵连接的相位调制阵列ASM-SA-PMA结构：
(1a)设置发射天线数为Nt，设置Nt个延迟线组，每个延迟线组由一个多控开关控制四种相位值的延迟线，延迟线之间并联连接，延迟线的移相数值分别为0，π/2，π，3π/2；每个延迟线组与一根天线级联，Na个延迟线组并联成一个子阵，M个子阵并联成子阵连接的相位调制阵列SA-PMA，其中Na×M＝Nt；
(1b)设置K个单控开关，将这些开关与相位调制阵列SA-PMA级联，构成基于自适应开关模块-子阵连接的相位调制阵列ASM-SA-PMA；
(2)选用包括数字预编码模块和射频链路模块的混合预编码结构，并在其射频链路模块后面级联相位调制阵列ASM-SA-PMA，构成混合预编码系统，在该混合预编码系统中，数字预编码模块和射频链路对数据流进行数字预编码，得到数字预编码矩阵FBB，自适应开关相位调制阵列ASM-SA-PMA对数据流进行模拟预编码，得到自适应开关矩阵D和相位调制阵列SA-PMA对应的对角矩阵P；
(3)通过交替优化算法，固定自适应开关矩阵D，求解数字预编码矩阵FBB和相位调制阵列SA-PMA对应的对角矩阵P；
(4)构建由输入层、卷积层、最大池化层、多个全连接层、输出层依次级联，且激活函数为ReLU的神经网络；
(5)输入具有不同导频噪声功率比PNR的模拟样本数据，该样本数据的准确信道为H，通过最小二乘估计算法得到该样本数据的估计信道
Figure BDA0003789261180000021
(6)对神经网络进行迭代训练：
(6a)将估计信道
Figure BDA0003789261180000022
馈送到网络中作为训练数据，设置最大迭代次数I＞20、学习率
Figure BDA0003789261180000023
和神经元的数目N；
(6b)采用无监督学习的方式，以混合预编码系统能效均值的相反数作为神经网络损失函数loss，利用准确信道H计算该神经网络的损失值l0，然后将估计信道矩阵
Figure BDA0003789261180000024
代入损失函数，利用损失值l0，更新自适应开关矩阵D，完成一次网络训练；
(6c)重复(6b)对估计信道
Figure BDA0003789261180000025
训练I轮次，得到训练好的神经网络；
(7)将实际环境的信道矩阵输入该训练好的网络，获得优化后的自适应开关矩阵D′，再通过交替优化算法，求解实际环境下优化后的对角矩阵P′和数字预编码矩阵FBB′，完成混合预编码。
本发明与现有技术相比，具有以下优点：
第一，本发明由于使用子阵连接的相位调制阵列SA-PMA，通过开关控制延迟线移相数值，使相位值可选[0,2π)内的任意数值，不仅能实现相位覆盖整个复平面，无相位分辨率的限制，而且增加了幅度自由度，避免现有技术中的恒模约束所造成的功耗。
第二，本发明由于构建了混合预编码系统及神经网络，且使用混合预编码系统能效均值的相反数作为神经网络的损失函数，在训练神经网络时，将真实信道代入损失函数计算出损失值，调整自适应开关矩阵的值使估计信道算出的损失值逼近该真实信道算出的损失值，相比于现有技术能逼近真实信道，进一步提高系统能效，同时由于在实际环境中直接使用训练好的神经网络输出自适应开关矩阵，相比于现有技术，求解自适应开关矩阵的复杂度更低，提高了信道估计的精准度。
附图说明
图1为本发明的实现流程图；
图2为本发明中构建的混合预编码系统框图；
图3为本发明中构建的神经网络框图。
具体实施方式
下面结合附图对本发明的实施例作进一步详细描述。
参照图1，本实例的实现步骤如下：
步骤1，构建自适应开关相位调制阵列ASM-SA-PMA。
1.1)组建相位调制阵列SA-PMA：
设置发射天线数为Nt，设置Nt个延迟线组，每一个延迟线组由一个多控开关和四种相位值的延迟线组成，多控开关控制延迟线的选择，延迟线之间并联连接，延迟线的移相数值分别为0，π/2，π，3π/2；
将每个延迟线组与一根天线级联，Na个延迟线组并联成一个子阵，将M个子阵并联成相位调制阵列SA-PMA，其中Na×M＝Nt；
1.2)添加自适应开关，组建自适应开关相位调制阵列ASM-SA-PMA：
设置K个单控开关，将这些开关与相位调制阵列SA-PMA级联，组建自适应开关相位调制阵列ASM-SA-PMA。
步骤2，构建混合预编码系统。
选用包括数字预编码模块和射频链路模块的混合预编码结构，设置射频链路数为NRF，并在其射频链路模块后面级联自适应开关相位调制阵列ASM-SA-PMA，构成混合预编码系统，如图2所示：
该混合预编码系统包括数字预编码模块、射频链路、自适应开关相位调制阵列ASM-SA-PMA，其中，数字预编码模块和射频链路用于对数据流进行数字预编码，得到数字预编码矩阵FBB，自适应开关相位调制阵列ASM-SA-PMA用于对数据流进行模拟预编码，得到自适应开关矩阵D和相位调制阵列SA-PMA对应的对角矩阵P，最终完成混合预编码。
步骤3，通过交替优化算法求解对角矩阵P和数字预编码矩阵FBB。
3.1)固定自适应开关矩阵D，确定优化目标函数为：
Figure BDA0003789261180000041
其中，Fopt表示全数字最优预编码矩阵；
Figure BDA0003789261180000042
表示相位调制阵列SA-PMA对应的对角矩阵,其中
Figure BDA0003789261180000043
αi∈[0,1]表示pi的幅值，vi∈[0,2π]表示pi的角度；D表示自适应开关矩阵；FBB表示数字预编码矩阵；B＝DFBB；
3.2)将上述优化目标函数进行如下分解：
Figure BDA0003789261180000044
其中，fi和bi分别表示Fopt和B的第i行矩阵；
Figure BDA0003789261180000045
ni表示bifi H的幅值，βi表示bifi H的角度；fi H表示fi的共轭转置矩阵；
Figure BDA0003789261180000046
表示bi的共轭转置矩阵；
Figure BDA0003789261180000047
表示pi的共轭转置矩阵；
3.3)求解对角矩阵P的对角线元素pi：
设置上述分解式中的2Re[pibifi H]项值最大，以使优化目标函数最小化，令pibi＝fi，对该等式两边乘上矩阵bi的共轭转置矩阵
Figure BDA0003789261180000048
Figure BDA0003789261180000049
以使
Figure BDA00037892611800000410
值为常数，对该等式两边同时除以
Figure BDA00037892611800000411
得到对角线元素pi：
Figure BDA00037892611800000412
3.4)根据
Figure BDA00037892611800000413
的表达式确定出最终的对角矩阵P；
3.5)将自适应开关矩阵D和对角矩阵P代入最小二乘公式，得到最小二乘矩阵
Figure BDA0003789261180000051
Figure BDA0003789261180000052
其中，DH表示自适应开关矩阵D的共轭转置矩阵；PH表示对角矩阵P的共轭转置矩阵；
3.6)对最小二乘矩阵
Figure BDA0003789261180000053
进行归一化，得到数字预编码矩阵FBB：
Figure BDA0003789261180000054
步骤4，构建神经网络。
参照图3，本步骤的具体实现如下：
4.1)设置各层参数：
设置输入层的通道数为3，三个通道的输入分别为样本估计信道
Figure BDA0003789261180000055
的实部、虚部、模值；
设置卷积层的输入通道为3,输出通道数为32,卷积核大小为3×3，步长为1，卷积层的作用是提取输入数据的隐藏特征；
设置最大池化层的池化核大小为2×2，步长为1，最大池化层的作用是降低数据维数；
设置全连接层的数量为4，每一个全连接层均对进入该层的数据进行批量归一化来标准化数据；
设置输出层的通道数为3；
4.2)将输入层、卷积层、最大池化层、多个全连接层、输出层依次级联，并设前三个全连接层使用ReLU函数作为激活函数，构成神经网络。
所述激活函数ReLU的表达式为：
Figure BDA0003789261180000056
其中，x表示激活函数的输入；f(x)表示激活函数的输出。
步骤5，估计样本数据信道矩阵
Figure BDA0003789261180000057
分别向上述构建的神经网络输入导频噪声功率比PNR＝{0,5,10}dB的模拟样本数据，通过最小二乘公式得到样本数据的估计信道矩阵
Figure BDA0003789261180000058
Figure BDA0003789261180000059
其中，y＝HX表示模拟样本数据，H表示该样本数据的准确信道矩阵，X表示已知的导频数据矩阵；XH表示导频数据矩阵的共轭转置矩阵。
步骤6，对神经网络进行迭代训练。
6.1)设置神经网络训练参数：
将估计信道矩阵
Figure BDA0003789261180000061
馈送到神经网络中作为训练数据，设置最大迭代次数T＝300，学习率
Figure BDA0003789261180000062
神经网络四个全连接层的神经元的数量分别设置为8NtNRF、4NtNRF、2NtNRF、NtNRF，其中，Nt表示发射天线数，NRF表示射频链路数；
6.2)采用无监督学习的方式，根据混合预编码系统的能效确定神经网络的损失函数loss：
6.2.1)计算混合预编码系统的频谱效率R(P,D,FBB)：
Figure BDA0003789261180000063
其中，
Figure BDA0003789261180000064
表示Nr维单位矩阵；Nr表示接收天线数；ρ表示平均接收功率；Ns表示数据流数；σ2表示加性高斯白噪声方差；H表示信道矩阵；
Figure BDA0003789261180000065
表示数字预编码矩阵FBB的共轭转置矩阵；DH表示自适应开关矩阵D的共轭转置矩阵；PH表示对角矩阵P的共轭转置矩阵；HH表示信道矩阵H的共轭转置矩阵；
6.2.2)计算混合预编码系统的总能耗P(P,D,FBB)：
P(P,D,FBB)＝Pt+PBB+NRFwPRF+NRFNtPSW+NtPSA-PMA
其中Pt表示发射功率；PBB表示数字预编码模块的功率；NRFw表示工作的射频链路数；PRF表示一条射频链路的功率；NRF表示射频链路数；Nt表示发射天线数；PSW表示一个开关的功率；PSA-PMA表示一个延迟线组的功率；
6.2.3)根据6.2.1)和6.2.2)的结果计算混合预编码系统的能效：
Figure BDA0003789261180000066
Figure BDA0003789261180000067
D(i,j)∈{0,1},1≤i≤Nt,1≤j≤NRF
Figure BDA0003789261180000069
其中，
Figure BDA0003789261180000068
表示基站发射功率的约束；||·||F表示矩阵的F范数；D(i,j)∈{0,1}表示自适应开关矩阵D的第i行第j列的元素取值范围为0或1；
6.2.4)将混合预编码系统的能效均值的相反数作为神经网络的损失函数loss，表示为：
Figure BDA0003789261180000071
其中，N表示混合预编码系统中的样本数；Pn、Dn、FBBn、Hn分别表示样本n对应的对角矩阵、自适应开关矩阵、数字预编码矩阵、信道矩阵；
6.3)对神经网络进行第一次训练：
第一次训练时，初始化自适应开关矩阵D0，并对其进行固定，通过交替优化算法先求出初始的对角矩阵P0和数字预编码矩阵FBB0，再将初始的准确信道矩阵H0代入损失函数loss中，求出本次训练的损失值l0，然后将初始的估计信道矩阵
Figure BDA0003789261180000072
代入损失函数，利用损失值l0和初始的对角矩阵P0及数字预编码矩阵FBB0，更新自适应开关矩阵D0；
6.4)对神经网络进行i次训练：
在以后的第i次训练中，使用第i-1次训练得到的开关矩阵Di-1、对角矩阵Pi-1、数字预编码矩阵FBBi-1，将准确信道矩阵Hi代入损失函数loss中求出损失值li，然后将估计信道矩阵
Figure BDA0003789261180000073
代入损失函数，以损失值li为目标，更新自适应开关矩阵Di，其中i＝2,...,T；
6.5)重复(6.4)直至达到训练最大轮次300，得到训练好的神经网络。
步骤7，利用训练好的神经网络，完成混合预编码。
将实际环境的信道矩阵输入该训练好的网络，获得优化后的自适应开关矩阵Dfinal，再通过交替优化算法，求解实际环境下优化后的对角矩阵Pfinal和数字预编码矩阵FBBfinal，表示如下：
Figure BDA0003789261180000074
Figure BDA0003789261180000075
其中
Figure BDA0003789261180000076
表示实际环境下优化后的对角矩阵Pfinal中的第i个对角线元素，fi′表示实际环境下全数字最优预编码矩阵Foptfinal的第i行矩阵，b′表示DfinalFBBfinal的第i行矩阵；
Figure BDA0003789261180000077
表示b′的共轭转置矩阵；
Figure BDA0003789261180000078
表示实际环境下的最小二乘矩阵；
求出优化后的自适应开关矩阵Dfinal、对角矩阵Pfinal、数字预编码矩阵FBBfinal，即完成了混合预编码。
以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (5)

1.一种基于神经网络的高能效混合预编码方法，其特征在于，包括如下：
(1)构建基于自适应开关模块-子阵连接的相位调制阵列ASM-SA-PMA结构：
(1a)设置发射天线数为Nt，设置Nt个延迟线组，每个延迟线组由一个多控开关控制四种相位值的延迟线，延迟线之间并联连接，延迟线的移相数值分别为0，π/2，π，3π/2；每个延迟线组与一根天线级联，Na个延迟线组并联成一个子阵，M个子阵并联成子阵连接的相位调制阵列SA-PMA，其中Na×M＝Nt；
(1b)设置K个单控开关，将这些开关与相位调制阵列SA-PMA级联，构成基于自适应开关模块-子阵连接的相位调制阵列ASM-SA-PMA；
(2)选用包括数字预编码模块和射频链路模块的混合预编码结构，并在其射频链路模块后面级联相位调制阵列ASM-SA-PMA，构成混合预编码系统，在该混合预编码系统中，数字预编码模块和射频链路对数据流进行数字预编码，得到数字预编码矩阵FBB，自适应开关相位调制阵列ASM-SA-PMA对数据流进行模拟预编码，得到自适应开关矩阵D和相位调制阵列SA-PMA对应的对角矩阵P；
(3)通过交替优化算法，固定自适应开关矩阵D，求解数字预编码矩阵FBB和相位调制阵列SA-PMA对应的对角矩阵P；
(4)构建由输入层、卷积层、最大池化层、多个全连接层、输出层依次级联，且激活函数为ReLU的神经网络；
(5)输入具有不同导频噪声功率比PNR的模拟样本数据，该样本数据的准确信道为H，通过最小二乘估计算法得到该样本数据的估计信道
Figure FDA0003789261170000011
(6)对神经网络进行迭代训练：
(6a)将估计信道
Figure FDA0003789261170000012
馈送到网络中作为训练数据，设置最大迭代次数I＞20、学习率
Figure FDA0003789261170000015
和神经元的数目N；
(6b)采用无监督学习的方式，以混合预编码系统能效均值的相反数作为神经网络损失函数loss，利用准确信道H计算该神经网络的损失值l0，然后将估计信道矩阵
Figure FDA0003789261170000013
代入损失函数，利用损失值l0，更新自适应开关矩阵D，完成一次网络训练；
(6c)重复(6b)对估计信道
Figure FDA0003789261170000014
训练I轮次，得到训练好的神经网络；
(7)将实际环境的信道矩阵输入该训练好的网络，获得优化后的自适应开关矩阵D′，再通过交替优化算法，求解实际环境下优化后的对角矩阵P′和数字预编码矩阵FBB′，完成混合预编码。
2.根据权利要求1所述的方法，其特征在于，步骤(3)中通过交替优化算法，固定自适应开关矩阵D，求解数字预编码模块对应的数字预编码矩阵FBB和相位调制阵列SA-PMA对应的对角矩阵P,实现如下：
(3a)固定自适应开关矩阵D，确定优化目标函数为：
Figure FDA0003789261170000021
其中，Fopt表示全数字最优预编码矩阵；
Figure FDA0003789261170000022
表示对角矩阵P第i个对角线元素，αi∈[0,1],vi∈[0,2π],i∈[1,Nt]；B＝DFBB；
(3b)将上述优化目标函数进行如下分解：
Figure FDA0003789261170000023
其中，fi和bi分别表示Fopt和B的第i行矩阵；
Figure FDA0003789261170000024
ni表示bifi H的幅值，βi表示bifi H的角度；
(3c)求解对角矩阵P的对角线元素pi：
设置上述分解式中的2Re[pibifi H]项值最大，以使优化目标函数最小化，令pibi＝fi，对该等式两边乘上矩阵bi的共轭转置：
Figure FDA0003789261170000025
以使
Figure FDA0003789261170000026
值为常数，对该等式两边同时除以
Figure FDA0003789261170000027
得到对角线元素pi：
Figure FDA0003789261170000028
(3d)根据
Figure FDA0003789261170000029
确定对角矩阵P；
(3e)将自适应开关矩阵D和对角矩阵P代入最小二乘公式，得到数字预编码矩阵FBB的最小二乘解为：
Figure FDA00037892611700000210
(3f)对
Figure FDA00037892611700000211
进行归一化，得到数字预编码矩阵FBB：
Figure FDA0003789261170000031
其中，Ns表示数据流数。
3.根据权利要求1所述的方法，其特征在于，步骤(4)中构建的神经网络，各层参数如下:
输入层的通道数为3；
卷积层的输入通道为3,输出通道数为32,卷积核大小为3×3，卷积步长1；
最大池化层的池化核大小为2×2，步长为1；
输出层的通道数为3；
激活函数ReLU的表达式为：
Figure FDA0003789261170000032
其中，x表示激活函数的输入；f(x)表示激活函数输出。
4.根据权利要求1所述的方法，其特征在于，步骤(6b)以混合预编码系统能效均值的相反数作为神经网络损失函数loss，表示如下：
Figure FDA0003789261170000033
其中，N是训练样本数；Ns表示数据流数；ρ表示平均接收功率；σ2表示加性高斯白噪声方差；
Figure FDA0003789261170000034
表示单位矩阵；Pn、Dn、FBBn、Hn分别表示训练样本n对应的对角矩阵、自适应开关矩阵、数字预编码矩阵、信道矩阵。
5.根据权利要求1所述的方法，其特征在于，步骤(7)通过交替优化算法，求解实际环境下优化后的对角矩阵P′和数字预编码矩阵FBB′,表示如下：
Figure FDA0003789261170000041
Figure FDA0003789261170000042
其中
Figure FDA0003789261170000043
表示实际环境下混合预编码中的对角矩阵P′中第i个对角线元素，fi′表示实际环境下全数字最优预编码矩阵Fopt′的第i行矩阵，b′表示D′FBB′的第i行矩阵；Ns表示实际环境下的数据流数，
Figure FDA0003789261170000044
表示实际环境下混合预编码中的数字预编码矩阵FBB′的最小二乘解。
CN202210958446.XA 2022-08-09 2022-08-09 基于神经网络的高能效混合预编码方法 Pending CN116112044A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210958446.XA CN116112044A (zh) 2022-08-09 2022-08-09 基于神经网络的高能效混合预编码方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210958446.XA CN116112044A (zh) 2022-08-09 2022-08-09 基于神经网络的高能效混合预编码方法

Publications (1)

Publication Number Publication Date
CN116112044A true CN116112044A (zh) 2023-05-12

Family

ID=86253351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210958446.XA Pending CN116112044A (zh) 2022-08-09 2022-08-09 基于神经网络的高能效混合预编码方法

Country Status (1)

Country Link
CN (1) CN116112044A (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018120339A1 (zh) * 2016-12-28 2018-07-05 西安交通大学 一种用于实际宽带大规模mimo系统的混合预编码设计方法
US20190356516A1 (en) * 2018-05-18 2019-11-21 Parallel Wireless, Inc. Machine Learning for Channel Estimation
CN110557177A (zh) * 2019-09-05 2019-12-10 重庆邮电大学 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法
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
CN111277312A (zh) * 2020-02-26 2020-06-12 电子科技大学 基于深度复数网络的固定子阵空基毫米波波束成形方法
US20200295975A1 (en) * 2019-03-15 2020-09-17 The Research Foundation For The State University Of New York Integrating volterra series model and deep neural networks to equalize nonlinear power amplifiers
CN113344187A (zh) * 2021-06-18 2021-09-03 东南大学 一种单小区多用户mimo系统的机器学习预编码方法
CN113839697A (zh) * 2021-09-23 2021-12-24 南通大学 一种基于深度学习的联合反馈和混合预编码设计方法
US20210410135A1 (en) * 2020-06-26 2021-12-30 Huawei Technologies Canada Co., Ltd. Deep-learning for distributed channel feedback and precoding
US20220060364A1 (en) * 2019-03-15 2022-02-24 Telefonaktiebolaget Lm Ericsson (Publ) Artificial neutral network precoding for massive mimo systems
CN114785389A (zh) * 2022-03-02 2022-07-22 郑州铁路职业技术学院 一种基于神经网络的毫米波mimo系统混合预编码方法
US20220247460A1 (en) * 2019-07-01 2022-08-04 Institut Mines-Telecom Devices and methods for machine learning assisted precoding

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018120339A1 (zh) * 2016-12-28 2018-07-05 西安交通大学 一种用于实际宽带大规模mimo系统的混合预编码设计方法
US20190356516A1 (en) * 2018-05-18 2019-11-21 Parallel Wireless, Inc. Machine Learning for Channel Estimation
US20200295975A1 (en) * 2019-03-15 2020-09-17 The Research Foundation For The State University Of New York Integrating volterra series model and deep neural networks to equalize nonlinear power amplifiers
US20220060364A1 (en) * 2019-03-15 2022-02-24 Telefonaktiebolaget Lm Ericsson (Publ) Artificial neutral network precoding for massive mimo systems
US20220247460A1 (en) * 2019-07-01 2022-08-04 Institut Mines-Telecom Devices and methods for machine learning assisted precoding
CN110557177A (zh) * 2019-09-05 2019-12-10 重庆邮电大学 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法
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
CN111277312A (zh) * 2020-02-26 2020-06-12 电子科技大学 基于深度复数网络的固定子阵空基毫米波波束成形方法
US20210410135A1 (en) * 2020-06-26 2021-12-30 Huawei Technologies Canada Co., Ltd. Deep-learning for distributed channel feedback and precoding
CN113344187A (zh) * 2021-06-18 2021-09-03 东南大学 一种单小区多用户mimo系统的机器学习预编码方法
CN113839697A (zh) * 2021-09-23 2021-12-24 南通大学 一种基于深度学习的联合反馈和混合预编码设计方法
CN114785389A (zh) * 2022-03-02 2022-07-22 郑州铁路职业技术学院 一种基于神经网络的毫米波mimo系统混合预编码方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
FULAI LIU 等: "Two-Stage Hybrid Precoding for Minimizing Residuals Using Convolutional Neural Network", 《IEEE COMMUNICATIONS LETTERS》, vol. 25, no. 12, 19 October 2021 (2021-10-19), XP011892780, DOI: 10.1109/LCOMM.2021.3121475 *
YONGQIANG HEI 等: "CNN Based Hybrid Precoding for MmWave MIMO Systems With Adaptive Switching Module and Phase Modulation Array", 《IEEE TRANSACTIONS ON ANTENNAS AND PROPAGATION》, vol. 21, no. 12, 4 July 2022 (2022-07-04), pages 1 - 5 *
李丽芳: "基于深度学习的天线选择和混合预编码算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 May 2022 (2022-05-15) *
李晓辉 等: "大规模MIMO系统用户数优化算法", 《西安电子科技大学学报》, vol. 42, no. 2, 27 April 2015 (2015-04-27) *
马明月: "联合天线选择的毫米波大规模MIMO混合预编码技术研究", 《万方学位论文》, 1 December 2021 (2021-12-01) *
魏建军 等: "无线通信中的多径效应实验", 《实验技术与管理》, vol. 37, no. 10, 14 October 2020 (2020-10-14) *

Similar Documents

Publication Publication Date Title
CN111092641B (zh) 基于毫米波mimo系统深度学习的混合预编码设计方法
CN111294096B (zh) 一种智能反射面miso无线通信系统的信道容量优化方法
CN113411110B (zh) 一种基于深度强化学习的毫米波通信波束训练方法
CN110099017B (zh) 基于深度神经网络的混合量化系统的信道估计方法
CN111277312B (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
CN110099016B (zh) 一种基于深度学习网络的毫米波稀疏阵面信道估计方法
CN111294095A (zh) 基于统计csi的irs辅助大规模mimo无线传输方法
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
CN109787671B (zh) 一种混合波束成形装置及方法
CN110113088B (zh) 一种分离型数模混合天线系统波达角智能化估计方法
CN110365388B (zh) 一种低复杂度毫米波多播波束成形方法
CN109547076B (zh) 一种毫米波大规模mimo系统中的混合预编码方法
CN112653496B (zh) 一种毫米波大规模mimo系统的混合预编码方法
CN110149126B (zh) 一种3d-mimo系统的波束赋形方法及波束赋形装置
CN113075622A (zh) 一种雷达通信一体化中多用户通信的发射波束赋形方法
CN112448742A (zh) 一种非均匀量化下基于卷积神经网络的混合预编码方法
CN114285702A (zh) 一种用于毫米波irs协作系统的稀疏级联信道估计方法
CN115102592B (zh) 一种基于联邦学习的多用户mimo波束成形方法
CN112468202A (zh) 低复杂度毫米波大规模mimo混合预编码方法
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
CN115733530A (zh) 一种可重构智能表面辅助毫米波通信的联合预编码方法
Xu et al. Learning to select for MIMO radar based on hybrid analog-digital beamforming
CN116112044A (zh) 基于神经网络的高能效混合预编码方法
Roshanaei et al. Adaptive antenna applications by brain emotional learning based on intelligent controller
CN112636800B (zh) 基于毫米波大规模mimo多用户场景的混合预编码方法

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