CN116405077A - 一种基于深度学习的大规模mimo混合波束赋形方法 - Google Patents
一种基于深度学习的大规模mimo混合波束赋形方法 Download PDFInfo
- Publication number
- CN116405077A CN116405077A CN202310386768.6A CN202310386768A CN116405077A CN 116405077 A CN116405077 A CN 116405077A CN 202310386768 A CN202310386768 A CN 202310386768A CN 116405077 A CN116405077 A CN 116405077A
- Authority
- CN
- China
- Prior art keywords
- state information
- full
- channel state
- connection layer
- neural network
- 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 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 7
- 238000007493 shaping process Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract description 5
- 238000001228 spectrum Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- H04B7/06—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
-
- 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
-
- 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)
- 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)
- Signal Processing (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)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radio Transmission System (AREA)
Abstract
本发明公开了一种基于深度学习的大规模MIMO混合波束赋形方法，可以实现不完美信道状态信息的混合波束赋形。该方法适用于单基站多用户场景，采用SV毫米波信道模型，生成大量的完美的信道状态信息作为数据集；将完美信道状态信息采用稀疏重构的信道估计算法进行信道估计，获得不完美信道状态信息；构建神经网络模型，网络输入为不完美信道状态信息和噪声功率，网络输出为数字波束赋形矩阵和模拟波束赋形矩阵，以负的系统总下行速率作为损失函数，进行无监督的训练，对收敛的神经网络模型输入不完美信道状态信息和噪声功率进行测试，与传统的OMP算法相比，具有更低的时间复杂度和更好的性能。
Description
技术领域
本发明属于混合波束赋形技术领域，具体涉及向一种基于深度学习的大规模MIMO混合波束赋形方法。
背景技术
为满足信息化时代对超高传输速率的需求，大规模多输入多输出(MultipleInput Multiple Output,MIMO)技术成为当前5G的关键性技术，通过增加收发端的天线数来提升空间复用增益和分集增益，在系统容量和降低系统功耗方面有着突出的贡献，应用于生活的方方面面。
波束赋形(Beamforming,BF)技术是大规模MIMO中提高频谱效率的一项重要技术，通过控制大规模MIMO天线阵列发射信号的幅度和相位，让波束信号在指定的方位进行汇集增强，减少其他方位的能量消耗，进而改善接收端收到的信号质量，并且可以减少用户间的相互干扰，增大小区的覆盖面积。因此研究人员开始研究如何设计发射端的波束赋形器，在较低成本下，既可以实现较低的系统功耗，又可以提升系统的频谱速率。传统的纯数字波束赋形方法要求收发端的每一根天线都配备有一条射频链路，这将会带来巨大的硬件开销成本。传统的模拟波束赋形方法是所有天线共享一条射频链路，可以降低硬件成本但只有一根射频链路只能进行单数据流的传输，这就导致了不支持多用户的场景。结合数字波束赋形和模拟波束赋形的优点，数字模拟混合波束赋形方法逐渐成为如今研究的主流。
但现有的多数混合波束赋形算法多数需要大量的迭代计算，复杂度很高，且多数依赖完美的信道状态信息(Channel State Information,CSI)，这在现实中是比较难以实现的。随着深度学习的发展，在通信领域逐渐得到了较广泛的应用，由于神经网络离线训练好的模型相对于传统的大量迭代算法复杂度较低，采用基于深度学习的大规模MIMO波束赋形方法渐渐取代传统的优化方法。目前基于深度学习的波束赋形方法多数为有监督的训练，需要大量的标签数据，获取成本比较大。针对经过信道估计获取的不完美信道状态信息，现有的传统算法的精度会受到极大的影响。
发明内容
发明目的：在不完美信道状态信息的情况下，为系统获得较高的频谱效率，提出一种基于深度学习的大规模MIMO混合波束赋形方法；
为了实现上述目的，本发明采用以下技术方案：一种基于深度学习的大规模MIMO混合波束赋形方法，包括如下步骤:
步骤1：发送端设置基站配备有Nt根天线，并且有NRF根发射射频链路，数据流的数量为Ns，接收端有K个用户，每个用户配备有单根天线，其中发送端使用均匀线阵，每个用户具有相同的优先级；
步骤2：在发送端中采用基于稀疏重构的毫米波信道估计算法对毫米波窄带信道进行信道估计，得到不完美信道状态信息
和噪声功率σ2；
步骤3：将经过信道估计的不完美信道状态信息
和噪声功率σ2输入深度神经网络波束赋形模型，得到最终模拟波束赋形矩阵VRF和最终数字波束赋形矩阵VD。
进一步地，所述深度神经网络波束赋形模型包括：
所述输入层，用于将不完美信道状态信息
和噪声功率σ2输入第一个全连接层；
第一个全连接层，用于对输入的不完美信道状态信息
和噪声功率σ2进行前向计算，再将第一全连接层的前向计算结果输入第二个全连接层；
第二个全连接层，用于对输入的第一个全连接层的前向计算结果进一步前向计算，再将第二个全连接层的前向计算结果输入第三个全连接层；
第三个全连接层，用于对输入的第二个全连接层的前向计算结果进一步前向计算，再将第三个全连接层的前向计算结果输入第四个全连接层；
第四全连接层，用于对输入的第三个全连接层的前向计算结果进行前向计算，再将第四个全连接层的前向计算结果进行复值变换得到最终模拟波束赋形矩阵VRF和最终数字波束赋形矩阵VD，并输入输出层；
以及输出层，用于将模拟波束赋形矩阵VRF和数字波束赋形矩阵VD输出。
进一步地，所述深度神经网络波束赋形模型训练步骤具体包括：
步骤S1：毫米波窄带信道通过毫米波SV信道模型生成大量的完美信道状态信息
和噪声功率σ2；
步骤S2：采用基于稀疏重构的毫米波信道估计算法对S1步骤中毫米波窄带信道进行信道估计，得到不完美的信道状态信息
和噪声功率σ2；
步骤S3：将S2步骤得到的不完美信道状态信息
和噪声功率σ2输入深度神经网络波束赋形模型，通过深度神经网络波束赋形模型输出模拟波束赋形矩阵V′RF和数字波束赋形矩阵V′D，与S2步骤得到的对应的完美信道状态信息/>
和噪声功率σ2一起进行损失函数的计算，来训练深度神经网络波束赋形模型，其中损失函数为总的用户速率负值，即-R。
进一步地，所述损失函数的公式具体为：
其中，N是一次训练的总样本数,
表示第n个样本的第k个用户的完美的信道状态信息，V′RF,n表示第n个样本通过深度神经网络波束赋形模型输出的模拟波束赋形矩阵，
表示第n个样本通过深度神经网络波束赋形模型输出的数字波束赋形矩阵V′D的第k列，
表示第n个样本通过深度神经网络波束赋形模型输出的数字波束赋形矩阵V′D的第i列。
进一步地，在对所述深度神经网络波束赋形模型训练时还包括总的下行用户可达速率的测试，测试时基于所述最终模拟波束赋形矩阵VRF和最终数字波束赋形矩阵VD计算总的下行用户可达速率步骤具体包括：
步骤A1：发送端发送数据符号s，经过所述最终数字波束赋形矩阵VD和最终模拟波束赋形矩阵VRF得到发送端发送给第k个用户的信息为：
其中
是最终数字波束赋形矩阵第i列，si是第i个用户的数据流向量；
步骤A2：发送端发送给第k个用户的信息经过毫米波窄带信道传输到接收端的第k个用户，得到第k个用户收到的信号，第k个用户收到的信息为：
其中(·)H表示共轭转置，nk是第k个用户处的加性高斯白噪声，
为第k个用户对应的完美信道状态信息，sk为第k个用户的数据流向量；
步骤A3：通过发送端发送给K个用户的信息和接收端K个用户接收到的信号，计算总的下行用户可达速率，总的下行用户可达速率计算公式为：
其中
表示最终数字波束赋形矩阵VD的第k列，/>
表示最终数字波束赋形矩阵的第i列。
有益效果：
1.本发明采用基于深度学习的混合波束赋形方法，可以离线进行训练，比传统的数字、模拟和混合波束赋形算法具有更低的计算复杂度。
2.本发明能够实现在不完美信道状态信息时给出接近完美信道状态信息的混合波束赋形方案，比传统的混合波束赋形算法精确度更高。
3.本发明采用无监督的方式训练神经网络模型，比监督学习的神经网络模型需要更低的标签产生成本。
附图说明
图1是本发明的实施流程图；
图2是本发明单基站多用户的大规模MIMO系统示意图；
图3是本发明的神经网络模型结构示意图；
图4是本发明与现有的OMP算法在测试数据上的测试对比结果图。
图3中：1、输入层，2、第一个全连接层，3、第二个全连接层，4、第三个全连接层，5、第四个全连接层，6、输出层。
具体实施方式
下面结合附图对本发明做更进一步的解释。
本发明提供了一种基于深度学习的大规模MIMO混合波束赋形方法，包括如下步骤:
步骤1：发送端设置基站配备有Nt根天线，并且有NRF根发射射频链路，数据流的数量为Ns，接收端有K个用户，每个用户配备有单根天线，其中发送端使用均匀线阵，每个用户具有相同的优先级；
步骤2：在发送端中采用基于稀疏重构的毫米波信道估计算法对毫米波窄带信道进行信道估计，得到不完美信道状态信息
和噪声功率σ2；
步骤3：将经过信道估计的不完美信道状态信息
和噪声功率σ2输入深度神经网络波束赋形模型，得到最终模拟波束赋形矩阵VRF和最终数字波束赋形矩阵VD。
参见图1-图4，本实施提供一种基于深度学习的大规模MIMO混合波束赋形方法，具体如图1所示，该方法包括如下步骤：
步骤1：构建如图2所示的发送端和接收端；
更具体的说，步骤1包括：首先设定场景，设置发送端配备有Nt根天线，并且有NRF根发射射频链路，数据流的数量为Ns，接收端总共有K个用户，每个用户配备有单根天线，基站端使用均匀线阵，每个用户具有相同的优先级，其中K为常数，K根据应用环境而定。
步骤2中采用基于稀疏重构的毫米波信道估计算法对毫米波窄带信道进行信道估计，发送端在T个连续时间段传输T个导频，用到T个波束赋形向量fp，用户接收端将检测到的信号拼接得到Y，这个过程公式如下：
其中F＝[f1,f2,...,fT]是T个波束赋形向量的拼接矩阵，N是T个噪声向量串联得到的噪声矩阵。在导频训练阶段，利用毫米波信道的稀疏性，Y量化然后经过一些列推导，公式如下所示：
其中yv是Y的量化向量，ρ是导频训练平均功率，Α是Nt根发射天线L条路径下的天线响应矩阵，α表示L条路径的复增益向量。
再假设离开角取均匀网格的N个点，ΑD是Nt×N维的字典矩阵，忽略网格量化误差，公式如下所示：
定义感知矩阵Ψ＝FTΑD，通过yv和感知矩阵Ψ＝FTΑD对毫米波窄带信道进行基于稀疏重构的信道估计，得到不完美的信道状态信息
和噪声功率σ2，其中第k个用户的估计的信道向量/>
步骤3中深度神经网络波束赋形模型训练收敛后，输入步骤2信道估计得到的不完美信道状态信息
和噪声功率σ2，模型输出最终数字波束赋形矩阵VD和最终模拟波束赋形矩阵VRF，实现数字模拟混合波束赋形。
参见图3，本实施例步骤3中的深度神经网络波束赋形模型包括：输入层1、第一个全连接层2、第二个全连接层3、第三个全连接层4、第四全连接层5以及输出层6。
输入层1，用于将不完美信道状态信息
和噪声功率σ2输入第一个全连接层2；
第一个全连接层2，用于对输入的不完美信道状态信息
和噪声功率σ2进行前向计算，再将第一全连接层2的前向计算结果输入第二个全连接层3。
第二个全连接层3，用于对输入的第一个全连接层2的前向计算结果进一步前向计算，再将第二个全连接层3的前向计算结果输入第三个全连接层4。
第三个全连接层4，用于对输入的第二个全连接层3的前向计算结果进一步前向计算，再将第三个全连接层4的前向计算结果输入第四个全连接层5。
第四全连接层5，用于对输入的第三个全连接层4的前向计算结果进行前向计算，再将第四个全连接层5的前向计算结果进行复值变换得到最终模拟波束赋形矩阵VRF和最终数字波束赋形矩阵VD，并输入输出层6。
以及输出层6，用于将模拟波束赋形矩阵VRF和数字波束赋形矩阵VD输出。
本实施例中深度神经网络波束赋形模型的训练步骤包括：
步骤S1：在毫米波窄带信道中采用的SV毫米波信道模型，包含一条视距内(Lineof Sight,LoS)路径和L-1条非视距内(Non Line of Sight,NLoS)，第k个用户信道向量公式如下所示：
其中αl表示第l条路径的复增益，满足独立同分布αl～CN(0,1)，a(θl)表示第l条路径下，角度θl的阵列响应向量。
以此SV毫米波信道模型为基础，仿真产生大量的完美信道状态信息数据集，第k个用户的信道向量
和噪声功率σ2。
步骤S2：对S1步骤中毫米波窄带信道进行信道估计，采用与上述步骤2相同估计步骤，得到不完美的信道状态信息
和噪声功率σ2。
步骤S3：如图3所示的深度神经网络波束赋形模型，将S2步骤得到的不完美信道状态信息
拆分成实部和虚部与噪声功率σ2一起作为深度神经网络波束赋形模型的输入，输入维度为2×K×Nt+1，网络的第二到第五层是全连接层，神经元设置为2048、1024、512、256，每一层都采用线性整流激活函数ReLU。输出的Nt×NRF维实值/>
表示相位，为满足模拟波束赋形的恒模约束，经过复值变换得到模拟波束赋形矩阵V′RF，公式如下所示：
深度神经网络波束赋形模型的另一部分输出为2×Ns×NRF维实值，经过复值变换得到Ns×NRF数字波束赋形矩阵V′D，进行功率归一化约束处理，公式如下所示：
V′D＝V′D/||V′RFV′D||F (6)
其中，||·||F表示矩阵的F-范数。
将模拟波束赋形矩阵V′RF和数字波束赋形矩阵V′D与步骤S2得到的对应的真实信道状态信息
和噪声功率σ2一起进行损失函数的计算，来训练深度神经网络波束赋形模型，使得深度神经网络波束赋形模型收敛，以最大化总的系统下行可达速率为优化目标，损失函数采用系统总下行可达速率的负值，公式如下所示：
其中，N是一次训练的总样本数,
表示第n个样本的第k个用户的完美的信道状态信息，V′RF,n表示第n个样本通过深度神经网络波束赋形模型输出的模拟波束赋形矩阵，
表示第n个样本通过深度神经网络波束赋形模型输出的数字波束赋形矩阵V′D的第k列，
表示第n个样本通过深度神经网络波束赋形模型输出的数字波束赋形矩阵V′D的第i列。
本实施例中在对所述深度神经网络波束赋形模型训练时还包括总的下行用户可达速率的测试，测试时基于所述最终模拟波束赋形矩阵VRF和最终数字波束赋形矩阵VD计算总的下行用户可达速率步骤具体包括：
步骤A1：发送端发送数据符号s，经过最终数字波束赋形矩阵VD和最终模拟波束赋形矩阵VRF，在发送端发送给K个用户的信号，计算公式如下所示：
其中
是最终数字波束赋形矩阵第i列，si是第i个用户的数据流向量。
步骤A2：发送端发送给第k个用户的信息经过毫米波窄带信道传输到接收端的第k个用户，得到第k个用户收到的信号，第k个用户收到的信息计算公式如下所示：
其中(·)H表示共轭转置，nk是第k个用户处的加性高斯白噪声，
为第k个用户对应的完美信道状态信息，sk为第k个用户的数据流向量。
步骤A3：通过发送端发送给K个用户的信号和接收端第k个用户收到的信号构建第k个用户的可达下行速率，公式如下所示：
其中，
表示最终数字波束赋形矩阵VD的第k列，/>
表示最终数字波束赋形矩阵VD的第i列，σ2表示噪声功率。
系统频谱效率等价于系统总的下行可达速率，公式如下所示：
其中，
表示最终数字波束赋形矩阵VD的第k列，/>
表示最终数字波束赋形矩阵的第i列，σ2表示噪声功率。
最终模拟波束赋形矩阵VRF需要满足恒模约束条件|[VRF]i,j|＝1，发送端要满足最大发射功率归一化约束条件||VRFVD||F≤1。
从图4可以看出，频率为28GHz，基站端发射天线数Nt＝64根，射频链路数NRF＝8，信道路径数L＝3，模型训练收敛后，与传统的OMP算法对比可以看出，在不完美信道状态信息下，我们发明的模型方法有更好地性能，更接近完美信道状态信息得出的结果。
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 (5)
1.一种基于深度学习的大规模MIMO混合波束赋形方法，其特征在于，包括如下步骤:
步骤1：发送端设置基站配备有Nt根天线，并且有NRF根发射射频链路，数据流的数量为Ns，接收端有K个用户，每个用户配备有单根天线，其中发送端使用均匀线阵，每个用户具有相同的优先级；
步骤2：在发送端中采用基于稀疏重构的毫米波信道估计算法对毫米波窄带信道进行信道估计，得到不完美信道状态信息
和噪声功率σ2；
步骤3：将经过信道估计的不完美信道状态信息
和噪声功率σ2输入深度神经网络波束赋形模型，得到最终模拟波束赋形矩阵VRF和最终数字波束赋形矩阵VD。
2.根据权利要求1所述的基于深度学习的大规模MIMO混合波束赋形方法，其特征在于，所述深度神经网络波束赋形模型包括：
所述输入层(1)，用于将不完美信道状态信息
和噪声功率σ2输入第一个全连接层(2)；
第一个全连接层(2)，用于对输入的不完美信道状态信息
和噪声功率σ2进行前向计算，再将第一全连接层(2)的前向计算结果输入第二个全连接层(3)；
第二个全连接层(3)，用于对输入的第一个全连接层(2)的前向计算结果进一步前向计算，再将第二个全连接层(3)的前向计算结果输入第三个全连接层(4)；
第三个全连接层(4)，用于对输入的第二个全连接层(3)的前向计算结果进一步前向计算，再将第三个全连接层(4)的前向计算结果输入第四个全连接层(5)；
第四全连接层(5)，用于对输入的第三个全连接层(4)的前向计算结果进行前向计算，再将第四个全连接层(5)的前向计算结果进行复值变换得到最终模拟波束赋形矩阵VRF和最终数字波束赋形矩阵VD，并输入输出层(6)；
以及输出层(6)，用于将模拟波束赋形矩阵VRF和数字波束赋形矩阵VD输出。
3.根据权利要求2所述的基于深度学习的大规模MIMO混合波束赋形方法，其特征在于，所述深度神经网络波束赋形模型训练步骤具体包括：
步骤S1：毫米波窄带信道通过毫米波SV信道模型生成大量的完美信道状态信息
和噪声功率σ2；
步骤S2：采用基于稀疏重构的毫米波信道估计算法对S1步骤中毫米波窄带信道进行信道估计，得到不完美的信道状态信息
和噪声功率σ2；
步骤S3：将S2步骤得到的不完美信道状态信息
和噪声功率σ2输入深度神经网络波束赋形模型，通过深度神经网络波束赋形模型输出模拟波束赋形矩阵V′RF和数字波束赋形矩阵V′D，与S2步骤得到的对应的完美信道状态信息/>
和噪声功率σ2一起进行损失函数的计算，来训练深度神经网络波束赋形模型，其中损失函数为总的用户速率负值，即-R。
4.根据权利要求3所述的基于深度学习的大规模MIMO混合波束赋形方法，其特征在于，所述损失函数的公式具体为：
其中，N是一次训练的总样本数,
表示第n个样本的第k个用户的完美的信道状态信息，/>
表示第n个样本通过深度神经网络波束赋形模型输出的模拟波束赋形矩阵，/>
表示第n个样本通过深度神经网络波束赋形模型输出的数字波束赋形矩阵V′D的第k列，/>
表示第n个样本通过深度神经网络波束赋形模型输出的数字波束赋形矩阵V′D的第i列。
5.根据权利要求4所述的基于深度学习的大规模MIMO混合波束赋形方法，其特征在于，在对所述深度神经网络波束赋形模型训练时还包括总的下行用户可达速率的测试，测试时基于所述最终模拟波束赋形矩阵VRF和最终数字波束赋形矩阵VD计算总的下行用户可达速率步骤具体包括：
步骤A1：发送端发送数据符号s，经过所述最终数字波束赋形矩阵VD和最终模拟波束赋形矩阵VRF得到发送端发送给第k个用户的信息为：
其中
是最终数字波束赋形矩阵第i列，si是第i个用户的数据流向量；
步骤A2：发送端发送给第k个用户的信息经过毫米波窄带信道传输到接收端的第k个用户，得到第k个用户收到的信号，第k个用户收到的信息为：
其中(·)H表示共轭转置，nk是第k个用户处的加性高斯白噪声，
为第k个用户对应的完美信道状态信息，sk为第k个用户的数据流向量；
步骤A3：通过发送端发送给K个用户的信息和接收端K个用户接收到的信号，计算总的下行用户可达速率，总的下行用户可达速率计算公式为：
其中
表示最终数字波束赋形矩阵VD的第k列，/>
表示最终数字波束赋形矩阵的第i列。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310386768.6A CN116405077A (zh) | 2023-04-12 | 2023-04-12 | 一种基于深度学习的大规模mimo混合波束赋形方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310386768.6A CN116405077A (zh) | 2023-04-12 | 2023-04-12 | 一种基于深度学习的大规模mimo混合波束赋形方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116405077A true CN116405077A (zh) | 2023-07-07 |
Family
ID=87010050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310386768.6A Pending CN116405077A (zh) | 2023-04-12 | 2023-04-12 | 一种基于深度学习的大规模mimo混合波束赋形方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116405077A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117914657A (zh) * | 2024-03-15 | 2024-04-19 | 齐鲁工业大学(山东省科学院) | 基于FFDNet的毫米波大规模MIMO系统信道估计方法 |
-
2023
- 2023-04-12 CN CN202310386768.6A patent/CN116405077A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117914657A (zh) * | 2024-03-15 | 2024-04-19 | 齐鲁工业大学(山东省科学院) | 基于FFDNet的毫米波大规模MIMO系统信道估计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111630787B (zh) | 基于深度学习的mimo多天线信号传输与检测技术 | |
| CN110557177A (zh) | 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法 | |
| 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 | |
| CN110336594B (zh) | 一种基于共轭梯度下降法的深度学习信号检测方法 | |
| 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 | |
| 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 | |
| CN110401476A (zh) | 一种基于码本的毫米波通信多用户并行波束训练方法 | |
| 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 | |
| CN110943768B (zh) | 一种毫米波大规模mimo系统的混合预编码码本联合设计方法 | |
| CN114422059B (zh) | 信道预测方法、装置、电子设备及存储介质 | |
| CN113691288A (zh) | 基于深度学习的联合导频、反馈、多用户混合编码方法 | |
| CN109547076A (zh) | 毫米波大规模mimo中基于dsbo的混合预编码算法 | |
| CN112910520A (zh) | 一种基于卷积神经网络的mimo系统波束训练方法 | |
| CN116405077A (zh) | 一种基于深度学习的大规模mimo混合波束赋形方法 | |
| CN113572503B (zh) | 一种低复杂度的基于gp的改进混合波束成形方法 | |
| CN110719127B (zh) | 一种具有恒模约束的毫米波mimo系统波束成形方法 | |
| Li et al. | Multi-task deep learning based hybrid precoding for mmWave massive MIMO system | |
| CN112398513A (zh) | 一种massive MIMO系统的波束赋形方法 | |
| 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 | |
| CN111313945B (zh) | 一种降低毫米波mimo系统峰均比的方法 | |
| CN117240331A (zh) | 一种基于图神经网络的无蜂窝网络下行预编码设计方法 | |
| CN114844541B (zh) | 一种基于深度学习的混合预编码和反馈方法 | |
| CN112054826A (zh) | 一种基于中间信道的单用户低复杂度混合预编码方法 | |
| CN114598574A (zh) | 一种基于深度学习的毫米波信道估计方法 | |
| Song et al. | Deep learning based low-rank channel recovery for hybrid beamforming in millimeter-wave massive MIMO |
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 |