CN117220740A - 一种非合作场景下通信与干扰一体化系统波束形成方法 - Google Patents
一种非合作场景下通信与干扰一体化系统波束形成方法 Download PDFInfo
- Publication number
- CN117220740A CN117220740A CN202311155595.3A CN202311155595A CN117220740A CN 117220740 A CN117220740 A CN 117220740A CN 202311155595 A CN202311155595 A CN 202311155595A CN 117220740 A CN117220740 A CN 117220740A
- Authority
- CN
- China
- Prior art keywords
- interference
- channel
- communication
- matrix
- signal
- 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
- 230000006854 communication Effects 0.000 title claims abstract description 131
- 238000004891 communication Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000000694 effects Effects 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000012938 design process Methods 0.000 claims abstract description 8
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 88
- 230000006870 function Effects 0.000 claims description 41
- 239000013598 vector Substances 0.000 claims description 34
- 230000005540 biological transmission Effects 0.000 claims description 20
- 238000013461 design Methods 0.000 claims description 17
- 230000002452 interceptive effect Effects 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 9
- 238000005562 fading Methods 0.000 claims description 8
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000007493 shaping process Methods 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000015429 Mirabilis expansa Nutrition 0.000 description 1
- 244000294411 Mirabilis expansa Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000000280 densification Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 235000013536 miso Nutrition 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000001629 suppression Effects 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
本申请提供一种非合作场景下通信与干扰一体化系统波束形成方法,方法包括:步骤1,对非合作场景下的通信与干扰一体化系统进行描述;步骤2,在频率选择性信道前提下,建立通信与干扰一体化系统的效果评估的模型;步骤3,根据模型建立优化问题;步骤4,在神经网络设计过程中,将专家知识融入到机器学习方法中,通过离线训练,在线部署的方式,实现非合作场景下通信与干扰一体化系统及其波束成。本提出了一种新的通信与干扰一体化指标。
Description
技术领域
本申请涉及通信对抗技术领域,具体涉及一种非合作场景下通信与干扰一体化系统波束形成方法。
背景技术
截止2020年,电子设备总数已达到两百亿个,电子设备的密集化使得需要频谱资源高度紧张。为了解决这一问题,探究共享频谱问题,充分利用原有的某一功能的独享频谱有实际意义。干扰作为一种破坏通信的手段,通过将不必要的信号注入到目标接收机中来破坏通信过程。在安全通信、网电对抗以及次级接入方面发挥着重要作用。在施加干扰的同时,往往存在一些通信需求,由于干扰的破坏属性,施加干扰时本方通信需求很难保证。本发明希望实现通信与干扰的频谱复用,规避通信对干扰的影响并利用干扰在特定频段形成的电磁屏障进行有效通信。
在对抗环境下,干扰信道信息获取困难,数据精度很难保证,根据此信息设计的一体化波束形成矩阵性能无法保证,现有的工作往往将干扰信道信息作为已知量,在此基础上进行系统设计。此外,针对同时进行多用户通信与多目标干扰的一体化系统研究较少。
发明内容
本申请提供了一种非合作场景下通信与干扰一体化系统波束形成方法,可用于解决非合作场景下实施压制干扰同时保证己方通信畅通的技术问题。
本申请提供一种非合作场景下通信与干扰一体化系统波束形成方法,方法包括:
步骤1,对非合作场景下的通信与干扰一体化系统进行描述;
步骤2,在频率选择性信道前提下,建立通信与干扰一体化系统的效果评估的模型;
步骤3,根据模型建立优化问题;
步骤4,在神经网络设计过程中,将专家知识融入到机器学习方法中,通过离线训练,在线部署的方式,实现非合作场景下通信与干扰一体化系统及其波束形成。
可选的,步骤1,对非合作场景下的通信与干扰一体化系统进行描述包括:
步骤11,设置通信与干扰一体化系统下行信号发射链路:
地面基站装备有Nt根天线,通过发射一体化通信与干扰信号同时对M个单天线通信用户进行通信并对N个单天线干扰目标产生干扰作用;
定义通信用户集干扰目标集/>定义接收机集包括通信用户与干扰目标为/>
针对频率选择性信道,采用OFDM的调制方式,将频率选择性信道转化为在单个子载波上的平坦衰落信道;
将下行发射链路的MIMO-OFDM系统模型描述如下:
首先对传输信道进行建模,考虑宽带频率选择性信道,信道阶数为R;将一体化系统中Nt根发射天线和M+N根接收天线之间的离散复合信道建模为(M+N)×Nt维的,阶数为R的有限脉冲响应滤波器;滤波器第r个抽头表示为:
其任意元素服从/>分布;将频率选择性信道建模成有限脉冲响应滤波器,并表示为/>给出由/>构成的信道参数矩阵/>
对于OFDM系统,用K,Ng和Ts分别表示子载波数,循环前缀长度与系统采样间隔;假设在K个子载波中有Nv个子载波用于信号传输并构建集合进行表示,其余Nc-Nv个为未调制的虚拟载波,需要通过发射滤波器进行输入信号脉冲整形;在无VC的系统中,取Nv=K;
当OFDM循环前缀数Nc大于信道阶数R时,接收信号不会出现符号间干扰,具有多径时延拓展的频率选择性信道等效为在每个子载波上的平坦衰落的MIMO信道;用表示第k个子载波上的一体化系统信道增益,与/>的关系表达为:
即序列的K点离散傅里叶变换的第k项;在给定/>之后,第k个子载波上的信道增益H(k)表示:
步骤12,设置通信与干扰一体化系统上行信道估计链路:
采用基于噪声子空间的盲信道估计算法,利用了通信信号与噪声的正交性对信道进行估计;
假设我方一体化发射机与干扰目标工作在双工状态,我方基站首先通过接收干扰目标的发射信号进行上行链路信道信息的估计,而后利用信道的互易性完成对下行干扰信道信息的估计:
在信道估计过程中,基站作为接收方接收来自干扰目标的上行信号,基站天线数表示为Nr,与上行链路中的Nt的取值相同;对估计过程中的所有符号表示增加上标(·)e;
定义第n个干扰目标的发射信号为:
经过K点的傅里叶逆变换并在输出序列前增加Ng维的循环前缀后,第n个干扰目标的时域信号表示为:
其中Nq=K+Ng,经过发射滤波器处理,时域采样信号转化为连续时间信号:
N个干扰目标同时发射经过信道传输,来自第n个干扰用户的发射信号/>通过具有脉冲响应/>的信道,并叠加与信号不相关的加性高斯白噪声,最终进入第nr个接收天线的前端接收滤波器grx(t);将第n个干扰用户和第nr个接收天线之间的复合信道脉冲响应表示为/>则第nr个接收天线上的接收信号表示为:
对进行速率为1/T的等间隔采样,采样后的接收信号表示为:
将公式中采样点写为/>并整理为:
为了建立公式中与/>的关系,对式中的/>进行整理,构建:
其中为式中向量/>的第Ng+m+1项;将式中的/>用/>表示,并重新排列为:
考虑ηe中任意元素服从一个空间上和时间上不相关的复高斯分布,即定义新的信道矩阵:
利用式的对应关系,接收信号re的矩阵形式表示为:
在盲信道估计的过程中,需要利用发射信号与噪声信号的正交性进行信道空间的确定,需要进一步确定se与/>的关系:
将重新排列为:
de为系统中N个干扰目标发射的NK个发射信号的集合,分别定义与傅里叶逆变换相关的矩阵W(i),W和为:
W=[W(K-1)T,…,W(0)T,W(K-1)T…,W(K-Ng)T]T, (21)
得到se与的关系为:
则式重写为:
可选的,所述步骤2中在频率选择性信道的前提下,建立非合作通信与干扰一体化系统的模型包括:
在发射端采用下行联合多用户预编码;用表示对第m个用户的传输数据xm的预编码方案,/>表示对第n个目标的干扰信号sn的预编码方案,其中xm,sn服从的复高斯分布;
发送信号经发送预编码处理与信道传输后,基站的联合发射信号xk表示为第p个接收方的接收信号表示为/>
可选的,基于所述步骤3中根据模型建立优化问题,包括:
对于通信用户,接收信号包括目标信号与多用户干扰,表示为:
第一项为第m个用户的目标信号,后两项为其他信号对第m个用户的多用户干扰项;通信用户m的通信速率表示为:
将第m个多用户干扰能量作为衡量其通信质量的指标;所有通信用户的多用户干扰能量:
其中为所有通信信号的预编码矩阵,/>表示所有干扰信号的预编码矩阵,/>为所有通信用户对应的信道状态信息,表示为:
根据第n个干扰目标接收信号得出对第n个目标和总干扰效果/>分别为:
其中为所有干扰目标对应的信道状态信息,表示为:
基于上述的讨论,综合考虑通信和干扰的效果,将优化问题建立为:
其中,ρ是一个[0,1]之间的常数,表示在通信与干扰效果的权重,PT是基站的最大发射功率。
可选的,在神经网络设计过程中,将专家知识融入到机器学习方法中,通过离线训练,在线部署的方式,实现非合作场景下通信与干扰一体化系统及其波束形成,包括:
步骤41,确定盲信道估计方法:
假设加性噪声与发射信号不相关,且系统的信息符号向量de的自相关矩阵Rdd=E{de(de)H}满秩;将re的自相关矩阵Rrr=E{re(re)H}通过特征值分解对角化时,将特征向量Ue划分为信号子空间向量和噪声子空间向量/>
作为KN维的特征向量,张成的信号空间与/>张成的空间相同,且与/>张成的噪声空间正交,关系写为:
利用上式中的正交关系估计MIMO信道时,首先根据接收信号自相关矩阵Rrr得到估计的噪声子空间;通过最小化二次损失函数得到信道矩阵/>的估计值,/>写为:
最优不满足式中的矩阵形式,且不能确定向量的模值;将/>进行转化,将对的求解转化为对应的时域脉冲响应/>的求解,构建/>分别表示第n个目标的状态信息以及系统总的状态信息:
首先将特征向量分为Nq个相同大小的子块:
而后构建矩阵为RNr×Nq维的矩阵
并定义矩阵
通过上述转换,得到损失函数等价于/>通过增加对/>的模值限制来保证解的唯一性;将式中对/>的求解转化为对应的时域脉冲响应/>的求解,问题表示为:
通过对矩阵ψ进行特征值分解进行问题求解,最终的取值为矩阵ψ最小的特征值对应的特征向量;
步骤42,深度学习网络设计与一体化波束形成求解:
使用深度学习的方法进行问题的求解,采用离线训练、在线部署的两阶段方式;
在离线训练阶段,通过输入估计的信道信息得到一体化波束形成输出:
利用Lambda层的自定义效果,将输出的波束形成矩阵与信道准确信息计算得到一体化波束形成指标,并将其相反数作为损失函数进行优化;在线部署阶段中,将训练好的BFNet、PowerNet与盲信道估计器相结合,输入估计的信道信息直接得到基站的一体化波束形成向量;
首先,针对传统神经网络结构输出波束形成向量不满足功率约束的问题,将神经网络分为BFNet与PowerNet;在功率网络中,将输出层设置为M+N维并采用“softmax”激活函数,以保证输出结果之和为1,通过将M+N维的输出向量与PT相乘,满足问题中的功率约束;
其次,在多层神经网络与损失值计算之间增加Lambda层,Lambda层参数确定,通过输入信道信息和波束形成矩阵得到一体化指标,进一步计算反向传播误差;
最后,利用无监督学习的方法,建立与问题的目标函数直接相关的新的损失函数来训练BFNet和PowerNet,表示为:
式中S为训练样本总数,Ws,Vs为第s个样本对应的通信波束形成矩阵与干扰波束形成矩阵;通过最小化损失函数来获得目标函数的最大值;
所构建的网络分为两个阶段,即离线训练、在线部署:
在离线训练阶段,根据下行链路中的系统模型,通过仿真随机生成信道参数矩阵
信道参数矩阵分为通信信道参数矩阵与干扰信道参数矩阵,针对干扰信道参数矩阵部分,随机产生多个OFDM信号,并利用盲信道估计算法对此接收信号进行采样处理,在无需解调出发射信号的前提下得到对信道参数矩阵的估计值/>并作为干扰链路的估计信息/>进行输入;
然后,通过式的对应关系得到任一子载波上的信道增益矩阵H(k)并作为通信链路与干扰链路准确信息通过输入/>与/>在BFNet与PowerNet中分别输出归一化波束形成向量/>以及对应的功率分配向量P,在Lambda层中输入干扰链路准确信息/>计算式中目标函数的值;
最终的目标函数为多个样本的平均值的相反数,通过最小化损失函数来实现目标函数的最大化;
对于在线部署阶段,基站侧采用盲信道估计算法;然后将信道估计信息送入训练好的BFNet与PowerNet中,得到优化后的一体化波束形成矩阵;其中,干扰链路准确信息只需要在线下训练阶段计算损失值;
在线部署时,BFNet与PowerNet中的所有参数都已经固定,通过输入干扰链路的估计信息与通信链路的准确信息/>直接输出一体化波束形成矩阵W,V。
本申请将多天线基站应用于通信与干扰一体化系统的设计,实现通信信号与干扰信号的同时同频发射。利用盲信道估计与深度学习相结合的方法,解决对抗频谱环境下通信与干扰一体化波束形成问题,弱化对信道先验信息的需求。具体而言,本发明的有益效果包括:
1、提出了一种新的通信与干扰一体化指标。将通信的多用户干扰作为度量通信效果的指标。将干扰目标的接收功率作为衡量干扰效果的指标。最后,通过将通信指标与干扰指标加权求和得到一体化指标。
2、改进了一种针对宽带频率选择性信道的信道盲估计方法。利用通信子空间与干扰子空间的正交性对干扰上行链路进行估计。在此基础上求解出每个子载波对应的平坦衰落信道并利用上下行信道的互易性估计出干扰下行链路的信道参数。
3、设计了一种适用于不完备信道信息情况下,波束形成求解的网络结构。通过离线训练在线部署的两阶段设计方法,降低网络对先验信息的依赖性。
附图说明
图1为本发明的一种非合作场景下通信与干扰一体化系统波束形成方法;
图2为非合作场景下通信与干扰一体化场景图;
图3为波束形成网络结构示意图;
图4为不同方案下一体化指标与基站天线数关系图;
图5为不同方案下一体化指标与基站发射功率关系图;
图6为不同权重和发射功率下通信与干扰效果图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
下面首先结合附图对本申请实施进行介绍。
一种非合作场景下通信与干扰一体化系统波束形成方法,方法包括:
步骤1,对非合作场景下的通信与干扰一体化系统进行描述;
步骤2,在频率选择性信道前提下,建立通信与干扰一体化系统的效果评估的模型;
步骤3,根据模型建立优化问题;
步骤4,在神经网络设计过程中,将专家知识融入到机器学习方法中,通过离线训练,在线部署的方式,实现了非合作场景下通信与干扰一体化系统及其波束形成。
具体的,步骤1,对非合作场景下的通信与干扰一体化系统进行描述包括:
步骤11,设置通信与干扰一体化系统下行信号发射链路
图2给出了本发明的系统场景图,地面基站装备有Nt根天线,通过发射一体化通信与干扰信号同时对M个单天线通信用户进行通信并对N个单天线干扰目标产生干扰作用;
定义通信用户集干扰目标集/>定义接收机集包括通信用户与干扰目标为/>
针对频率选择性信道,采用OFDM的调制方式,将频率选择性信道转化为在单个子载波上的平坦衰落信道。可将下行发射链路的MIMO-OFDM系统模型描述如下:
首先对传输信道进行建模,考虑宽带频率选择性信道,信道阶数为R;将一体化系统中Nt根发射天线和M+N根接收天线之间的离散复合信道建模为(M+N)×Nt维的,阶数为R的有限脉冲响应滤波器;滤波器第r个抽头表示为:
其任意元素服从/>分布;将频率选择性信道建模成有限脉冲响应滤波器,并表示为/>给出由/>构成的信道参数矩阵/>
对于OFDM系统,用K,Ng和Ts分别表示子载波数,循环前缀(CyclicPrefix,CP)长度与系统采样间隔;假设在K个子载波中有Nv个子载波用于信号传输并构建集合进行表示,其余Nc-Nv个为未调制的虚拟载波(VirtualCarrier,VC),需要通过发射滤波器进行输入信号脉冲整形;在无VC的系统中,取Nv=K;
当OFDM循环前缀数Nc大于信道阶数R时,接收信号不会出现符号间干扰,具有多径时延拓展的频率选择性信道等效为在每个子载波上的平坦衰落的MIMO信道。用表示第k个子载波上的一体化系统信道增益,与/>的关系表达为:
即序列的K点离散傅里叶变换的第k项;在给定hnt,p(k)之后,第k个子载波上的信道增益H(k)表示:
步骤12,设置通信与干扰一体化系统上行信道估计链路:
在系统设计过程中,需要用到通信与干扰的信道信息。而发射机与干扰目标不存在合作关系,无法通过导频信号来获得信道信息。在此背景下,采用基于噪声子空间的盲信道估计算法,利用了通信信号与噪声的正交性对信道进行估计。
假设我方一体化发射机与干扰目标工作在双工状态,我方基站首先通过接收干扰目标的发射信号进行上行链路信道信息的估计,而后利用信道的互易性完成对下行干扰信道信息的估计:
在信道估计过程中,基站作为接收方接收来自干扰目标的上行信号,基站天线数表示为Nr,与上行链路中的Nt的取值相同;对估计过程中的所有符号表示增加上标(·)e;
定义第n个干扰目标的发射信号为:
经过K点的傅里叶逆变换并在输出序列前增加Ng维的循环前缀后,第n个干扰目标的时域信号表示为:
其中Nq=K+Ng,经过发射滤波器处理,时域采样信号转化为连续时间信号:
N个干扰目标同时发射经过信道传输,来自第n个干扰用户的发射信号/>通过具有脉冲响应/>的信道,并叠加与信号不相关的加性高斯白噪声,最终进入第nr个接收天线的前端接收滤波器grx(t);将第n个干扰用户和第nr个接收天线之间的复合信道脉冲响应表示为/>则第nr个接收天线上的接收信号表示为:
对进行速率为1/T的等间隔采样,采样后的接收信号表示为:
进一步,将公式中采样点写为/>并整理为:
/>
为了建立公式中与/>的关系,对式中的/>进行整理,构建
其中为式中向量/>的第Ng+m+1项;将式中的/>用/>表示,并重新排列为:
考虑ηe中任意元素服从一个空间上和时间上不相关的复高斯分布,即定义新的信道矩阵:
利用式的对应关系,接收信号re的矩阵形式表示为:
在盲信道估计的过程中,需要利用发射信号与噪声信号的正交性进行信道空间的确定,需要进一步确定se与/>的关系:
将重新排列为:
de=[de(1)T,de(2)T,…,de(K)T]T. (19)
de为系统中N个干扰目标发射的NK个发射信号的集合,分别定义与傅里叶逆变换相关的矩阵W(i),W和为:
W=[W(K-1)T,…,W(0)T,W(K-1)T…,W(K-Ng)T]T, (21)
得到se与的关系为:
则式重写为:
步骤2中在频率选择性信道的前提下,建立非合作通信与干扰一体化系统的模型包括:
因多个分布式通信用户之间无法进行联合信号处理,且发射端数据处理能力较强,考虑对于通信与干扰信号,在发射端采用下行联合多用户预编码。这里关注第k个子载波上的波束形成,因此,在一体化传输方案的表示过程中,为了简化书写,省略子载波的编号k。根据图2中的场景,用表示对第m个用户的传输数据xm的预编码方案,/>表示对第n个目标的干扰信号sn的预编码方案,其中xm,sn服从/> 的复高斯分布;
发送信号经发送预编码处理与信道传输后,基站的联合发射信号xk表示为第p个接收方的接收信号表示为/>
步骤3中根据模型建立优化问题,包括:
对于通信用户,接收信号包括目标信号与多用户干扰,表示为:
第一项为第m个用户的目标信号,后两项为其他信号对第m个用户的多用户干扰项;通信用户m的通信速率表示为:
将第m个多用户干扰能量作为衡量其通信质量的指标;所有通信用户的多用户干扰能量:
其中为所有通信信号的预编码矩阵,/>表示所有干扰信号的预编码矩阵,/>为所有通信用户对应的信道状态信息,表示为:
/>
根据第n个干扰目标接收信号得出对第n个目标和总干扰效果/>分别为:
其中为所有干扰目标对应的信道状态信息,表示为:
在通信与干扰一体化系统中,面对不同任务或同一任务的不同阶段,常常有不同的通信与干扰需求。不同于以干扰为中心或以通信为中心的一体化设计方式,本申请中给出一种灵活的、统一的通信与干扰一体化指标。希望尽可能增加干扰功率同时减少对通信设备的干扰。
基于上述的讨论,综合考虑通信和干扰的效果,将优化问题建立为:
其中,ρ是一个[0,1]之间的常数,表示在通信与干扰效果的权重,PT是基站的最大发射功率。
步骤4在神经网络设计过程中,将专家知识融入到机器学习方法中,通过离线训练,在线部署的方式,实现非合作场景下通信与干扰一体化系统及其波束形成。具体包括:
步骤41,确定盲信道估计方法:
盲信道估计是一种无需导频开销的信道估计技术,发射端无需发射导频信号,接收方根据接收信号的二阶统计量或自相关矩阵进行信道估计,提高了通信速率。在施加干扰的过程中,干扰方与干扰目标无法通过合作信息交互获得信道信息。从另一个角度看,盲信道估计也适用于非合作场景下对干扰信道的粗略估计。
深度学习,也被称为深度神经网络技术,通过多层多元素的线性或非线性的简单函数来拟合复杂函数,通过大量数据的训练拟合所需函数,并利用此网络结构进行新的预测工作。深度学习被应用于解决功率分配、波束形成设计等优化问题,可以摆脱过多迭代带来的复杂性,实现实时计算。从实时资源分配到通信系统端到端设计,DL在提高回归和分类任务的计算效率和性能方面取得了巨大成功。深度学习方法还在毫米波系统和MISO系统中的波束成形设计中得到应用,提升了不完备信道信息情况下的系统性能。因此,利用深度学习解决通信与干扰一体化波束成形问题可以避免因迭代导致的高复杂度问题,实现实时的波束成形设计;此外,通过建立干扰信道估计值与最佳波束成形的对应关系,降低对干扰信道信息准确性的要求。
假设加性噪声与发射信号不相关,且系统的信息符号向量de的自相关矩阵Rdd=E{de(de)H}满秩;将式中re的自相关矩阵Rrr=E{re(re)H}通过特征值分解对角化时,将特征向量Ue划分为信号子空间向量和噪声子空间向量/>
作为KN维的特征向量,张成的信号空间与/>张成的空间相同,且与/>张成的噪声空间正交,关系写为:
利用上式中的正交关系估计MIMO信道时,首先根据接收信号自相关矩阵Rrr得到估计的噪声子空间;在这种情况下,我们可以通过最小化二次损失函数得到信道矩阵的估计值,/>写为:
最优不满足式中的矩阵形式,且不能确定向量的模值;将/>进行转化,将对的求解转化为对应的时域脉冲响应/>的求解,构建/>分别表示第n个目标的状态信息以及系统总的状态信息:
首先将特征向量分为Nq个相同大小的子块,
而后构建矩阵为RNr×Nq维的矩阵
并定义矩阵
/>
通过上述转换,得到损失函数等价于/>通过增加对/>的模值限制来保证解的唯一性;将式中对/>的求解转化为对应的时域脉冲响应/>的求解,问题表示为:
通过对矩阵ψ进行特征值分解进行问题求解,最终的取值为矩阵ψ最小的特征值对应的特征向量。
步骤42,深度学习网络设计与一体化波束形成求解:
使用深度学习的方法进行问题(32)的求解,采用离线训练、在线部署的两阶段方式;;使用深度学习的方法进行问题的求解主要基于以下考虑。首先,采用盲信道估计获得的信道信息有固有的模糊性,因为矩阵的特征向量作为基础解系的线性组合,并不唯一。此误差很难描述,采用数学方法难以解决。其次,问题中的目标函数中因为通信与干扰指标优化方向相反,存在负号,无法利用常见的波束成形设计方式将上述问题转化为类似的形式,并用SDP的方式得到最优解,因而,问题是一个NP难问题,难以直接求解,所以考虑利用深度学习对误差的学习能力完成信道信息模糊条件下的一体化波束成形设计问题,得到优于传统方案的性能。
在训练阶段,通过输入估计的信道信息得到一体化波束形成输出:
利用Lambda层的自定义效果,将输出的波束形成矩阵与信道准确信息计算得到一体化波束形成指标,并将其相反数作为损失函数进行优化;在部署阶段,将训练好的BFNet、PowerNet与盲信道估计器相结合,输入估计的信道信息直接得到基站的一体化波束形成向量;离线训练和在线部署的具体流程如图3所示:
首先,针对传统神经网络结构输出波束形成向量不满足功率约束的问题,将神经网络分为BFNet与PowerNet;波束形成网络中只关注波束形成向量的方向,通过将波束形成向量归一化来忽略其模值对损失函数的影响。在功率网络中,将输出层设置为M+N维并采用“softmax”激活函数,以保证输出结果之和为1,通过将M+N维的输出向量与PT相乘,满足问题中的功率约束;
其次,在多层神经网络与损失值计算之间增加Lambda层,该层参数确定,通过输入信道信息和波束形成矩阵得到一体化指标,进一步计算反向传播误差。相较于“黑盒子”结构的多层神经网络,Lambda层能将一体化指标与波束成形系数之间的数学关系作为专家知识在网络中实现,获得较多层神经网络更好的效果和更快的收敛速度。
最后,因为问题为NP难问题,无法利用常见的波束成形设计方式将上述问题转化为类似的形式,并用SDP的方式得到最优解。因而,无法得到某个输入样本的理想输出标签并计算损失函数。与传统有监督学习设计不同,利用无监督学习的方法,建立与问题(32)的目标函数直接相关的新的损失函数来训练BFNet和PowerNet,表示为:
/>
式中S为训练样本总数,Ws,Vs为第s个样本对应的通信波束形成矩阵与干扰波束形成矩阵;此种方法中可以通过最小化损失函数来获得目标函数的最大值;
所构建的网络可分为两个阶段,即离线训练、在线部署:
在离线训练阶段,根据下行链路中的系统模型,通过仿真随机生成信道参数矩阵
信道参数矩阵分为通信信道参数矩阵与干扰信道参数矩阵,针对干扰信道参数矩阵部分,随机产生多个OFDM信号,并利用盲信道估计算法对此接收信号进行采样处理,在无需解调出发射信号的前提下得到对信道参数矩阵的估计值/>并作为干扰链路的估计信息/>进行输入;
然后,通过式的对应关系得到任一子载波上的信道增益矩阵H(k)并作为通信链路与干扰链路准确信息通过输入/>与/>在BFNet与PowerNet中分别输出归一化波束形成向量/>以及对应的功率分配向量P,在Lambda层中输入干扰链路准确信息计算式中目标函数的值;
最终的目标函数为多个样本的平均值的相反数,通过最小化损失函数来实现目标函数的最大化。
对于在线部署阶段,基站侧采用盲信道估计算法;然后将信道估计信息送入训练好的BFNet与PowerNet中,得到优化后的一体化波束形成矩阵;其中,干扰链路准确信息只需要在线下训练阶段计算损失值;
在线部署时,BFNet与PowerNet中的所有参数都已经固定,通过输入干扰链路的估计信息与通信链路的准确信息/>即输出一体化波束形成矩阵W,V;
为了直观的展现BFNet与PowerNet的网络结构及数据维度,这里考虑Nt=8,M=N=4的通信与干扰一体化系统,在此参数的基础上,表1与表2分别给出BFNet和PowerNet中的参数设置。其中包括网络中某层的输出维度,激活函数以及每层对应的可训练参数数目。需要说明的是,如图3所示,因为输入干扰链路的估计信息与通信链路的准确信息是复数值矩阵,而是BFNet与PowerNet是实数值网络,通过将实部与虚部连接形成原数据两倍大小的输入数据,最后对输出数据处理方式是将相邻两个参数分别作为实部虚部,由实数值输出变为复数值输出。
表1BFNet参数设置
表2PowerNet的参数设置
本申请将多天线基站应用于通信与干扰一体化系统的设计,实现通信信号与干扰信号的同时同频发射。利用盲信道估计与深度学习相结合的方法,解决对抗频谱环境下通信与干扰一体化波束形成问题,弱化对信道先验信息的需求。具体而言,本发明的有益效果包括:
1、提出了一种新的通信与干扰一体化指标。将通信的多用户干扰作为度量通信效果的指标。将干扰目标的接收功率作为衡量干扰效果的指标。最后,通过将通信指标与干扰指标加权求和得到一体化指标。
2、改进了一种针对宽带频率选择性信道的信道盲估计方法。利用通信子空间与干扰子空间的正交性对干扰上行链路进行估计。在此基础上求解出每个子载波对应的平坦衰落信道并利用上下行信道的互易性估计出干扰下行链路的信道参数。
3、设计了一种适用于不完备信道信息情况下,波束形成求解的网络结构。通过离线训练在线部署的两阶段设计方法,降低网络对先验信息的依赖性。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。
Claims (5)
1.一种非合作场景下通信与干扰一体化系统波束形成方法,其特征在于,所述方法包括:
步骤1,对非合作场景下的通信与干扰一体化系统进行描述;
步骤2,在频率选择性信道前提下,建立通信与干扰一体化系统的效果评估的模型;
步骤3,根据模型建立优化问题;
步骤4,在神经网络设计过程中,将专家知识融入到机器学习方法中,通过离线训练,在线部署的方式,实现非合作场景下通信与干扰一体化系统及其波束形成。
2.根据权利要求1所述的方法,其特征在于,步骤1,对非合作场景下的通信与干扰一体化系统进行描述包括:
步骤11,设置通信与干扰一体化系统下行信号发射链路:
地面基站装备有Nt根天线,通过发射一体化通信与干扰信号同时对M个单天线通信用户进行通信并对N个单天线干扰目标产生干扰作用;
定义通信用户集干扰目标集/>定义接收机集包括通信用户与干扰目标为/>
针对频率选择性信道,采用OFDM的调制方式,将频率选择性信道转化为在单个子载波上的平坦衰落信道;
将下行发射链路的MIMO-OFDM系统模型描述如下:
首先对传输信道进行建模,考虑宽带频率选择性信道,信道阶数为R;将一体化系统中Nt根发射天线和M+N根接收天线之间的离散复合信道建模为(M+N)×Nt维的,阶数为R的有限脉冲响应滤波器;滤波器第r个抽头表示为:
其任意元素服从/>分布;将频率选择性信道建模成有限脉冲响应滤波器,并表示为/>给出由/>构成的信道参数矩阵/>
对于OFDM系统,用K,Ng和Ts分别表示子载波数,循环前缀长度与系统采样间隔;假设在K个子载波中有Nv个子载波用于信号传输并构建集合进行表示,其余Nc-Nv个为未调制的虚拟载波,需要通过发射滤波器进行输入信号脉冲整形;在无VC的系统中,取Nv=K;
当OFDM循环前缀数Nc大于信道阶数R时,接收信号不会出现符号间干扰,具有多径时延拓展的频率选择性信道等效为在每个子载波上的平坦衰落的MIMO信道;用表示第k个子载波上的一体化系统信道增益,与/>的关系表达为:
即序列的K点离散傅里叶变换的第k项;在给定hnt,p(k)之后,第k个子载波上的信道增益H(k)表示:
步骤12,设置通信与干扰一体化系统上行信道估计链路:
采用基于噪声子空间的盲信道估计算法,利用了通信信号与噪声的正交性对信道进行估计;
假设我方一体化发射机与干扰目标工作在双工状态,我方基站首先通过接收干扰目标的发射信号进行上行链路信道信息的估计,而后利用信道的互易性完成对下行干扰信道信息的估计:
在信道估计过程中,基站作为接收方接收来自干扰目标的上行信号,基站天线数表示为Nr,与上行链路中的Nt的取值相同;对估计过程中的所有符号表示增加上标(·)e;
定义第n个干扰目标的发射信号为:
经过K点的傅里叶逆变换并在输出序列前增加Ng维的循环前缀后,第n个干扰目标的时域信号表示为:
其中Nq=K+Ng,经过发射滤波器处理,时域采样信号转化为连续时间信号:
N个干扰目标同时发射经过信道传输,来自第n个干扰用户的发射信号/>通过具有脉冲响应/>的信道,并叠加与信号不相关的加性高斯白噪声,最终进入第nr个接收天线的前端接收滤波器grx(t);将第n个干扰用户和第nr个接收天线之间的复合信道脉冲响应表示为/>则第nr个接收天线上的接收信号表示为:
对进行速率为1/T的等间隔采样,采样后的接收信号表示为:
将公式中采样点写为/>并整理为:
re=[re(Nq-1)T,…,re(1)T,re(0)T]T. (11)
为了建立公式中与/>的关系,对式中的/>进行整理,构建:
se=[se(K-1)T,…,se(0)T,se(K-1)T…,se(K-Ng)T]T. (13)
其中为式中向量/>的第Ng+m+1项;将式中的/>用/>表示,并重新排列为:
ηe=[ηe(Nq-1)T,…,ηe(1)T,ηe(0)T]T. (15)
考虑ηe中任意元素服从一个空间上和时间上不相关的复高斯分布,即定义新的信道矩阵:
利用式的对应关系,接收信号re的矩阵形式表示为:
在盲信道估计的过程中,需要利用发射信号与噪声信号的正交性进行信道空间的确定,需要进一步确定se与/>的关系:
将重新排列为:
de=[de(1)T,de(2)T,…,de(K)T]T. (19)
de为系统中N个干扰目标发射的NK个发射信号的集合,分别定义与傅里叶逆变换相关的矩阵W(i),W和W为:
W=[W(K-1)T,…,W(0)T,W(K-1)T…,W(K-Ng)T]T, (21)
得到se与的关系为:
则式重写为:
3.根据权利要求1所述的方法,其特征在于,所述步骤2中在频率选择性信道的前提下,建立非合作通信与干扰一体化系统的模型包括:
在发射端采用下行联合多用户预编码;用表示对第m个用户的传输数据xm的预编码方案,/>表示对第n个目标的干扰信号sn的预编码方案,其中xm,sn服从的复高斯分布;
发送信号经发送预编码处理与信道传输后,基站的联合发射信号xk表示为第p个接收方的接收信号表示为/>
4.根据权利要求1所述的方法,其特征在于,基于所述步骤3中根据模型建立优化问题,包括:
对于通信用户,接收信号包括目标信号与多用户干扰,表示为:
第一项为第m个用户的目标信号,后两项为其他信号对第m个用户的多用户干扰项;通信用户m的通信速率表示为:
将第m个多用户干扰能量作为衡量其通信质量的指标;所有通信用户的多用户干扰能量:
其中为所有通信信号的预编码矩阵,/>表示所有干扰信号的预编码矩阵,/>为所有通信用户对应的信道状态信息,表示为:
根据第n个干扰目标接收信号得出对第n个目标和总干扰效果/>分别为:
其中为所有干扰目标对应的信道状态信息,表示为:
基于上述的讨论,综合考虑通信和干扰的效果,将优化问题建立为:
其中,ρ是一个[0,1]之间的常数,表示在通信与干扰效果的权重,PT是基站的最大发射功率。
5.根据权利要求1所述方法,其特征在于,在神经网络设计过程中,将专家知识融入到机器学习方法中,通过离线训练,在线部署的方式,实现非合作场景下通信与干扰一体化系统及其波束形成,包括:
步骤41,确定盲信道估计方法:
假设加性噪声与发射信号不相关,且系统的信息符号向量de的自相关矩阵Rdd=E{de(de)H}满秩;将re的自相关矩阵Rrr=E{re(re)H}通过特征值分解对角化时,将特征向量Ue划分为信号子空间向量和噪声子空间向量/>
作为KN维的特征向量,张成的信号空间与/>张成的空间相同,且与/>张成的噪声空间正交,关系写为:
利用上式中的正交关系估计MIMO信道时,首先根据接收信号自相关矩阵Rrr得到估计的噪声子空间;通过最小化二次损失函数得到信道矩阵/>的估计值,/>写为:
最优不满足式中的矩阵形式,且不能确定向量的模值;将/>进行转化,将对/>的求解转化为对应的时域脉冲响应/>的求解,构建/>分别表示第n个目标的状态信息以及系统总的状态信息:
首先将特征向量分为Nq个相同大小的子块:
而后构建矩阵为RNr×Nq维的矩阵
并定义矩阵
通过上述转换,得到损失函数等价于/>通过增加对/>的模值限制来保证解的唯一性;将式中对/>的求解转化为对应的时域脉冲响应/>的求解,问题表示为:
通过对矩阵ψ进行特征值分解进行问题求解,最终的取值为矩阵ψ最小的特征值对应的特征向量;
步骤42,深度学习网络设计与一体化波束形成求解:
使用深度学习的方法进行问题的求解,采用离线训练、在线部署的两阶段方式;
在离线训练阶段,通过输入估计的信道信息得到一体化波束形成输出:
利用Lambda层的自定义效果,将输出的波束形成矩阵与信道准确信息计算得到一体化波束形成指标,并将其相反数作为损失函数进行优化;在线部署阶段中,将训练好的BFNet、PowerNet与盲信道估计器相结合,输入估计的信道信息直接得到基站的一体化波束形成向量;
首先,针对传统神经网络结构输出波束形成向量不满足功率约束的问题,将神经网络分为BFNet与PowerNet;在功率网络中,将输出层设置为M+N维并采用“softmax”激活函数,以保证输出结果之和为1,通过将M+N维的输出向量与PT相乘,满足问题中的功率约束;
其次,在多层神经网络与损失值计算之间增加Lambda层,Lambda层参数确定,通过输入信道信息和波束形成矩阵得到一体化指标,进一步计算反向传播误差;
最后,利用无监督学习的方法,建立与问题的目标函数直接相关的新的损失函数来训练BFNet和PowerNet,表示为:
式中S为训练样本总数,Ws,Vs为第s个样本对应的通信波束形成矩阵与干扰波束形成矩阵;通过最小化损失函数来获得目标函数的最大值;
所构建的网络分为两个阶段,即离线训练、在线部署:
在离线训练阶段,根据下行链路中的系统模型,通过仿真随机生成信道参数矩阵
信道参数矩阵分为通信信道参数矩阵与干扰信道参数矩阵,针对干扰信道参数矩阵部分,随机产生多个OFDM信号,并利用盲信道估计算法对此接收信号进行采样处理,在无需解调出发射信号的前提下得到对信道参数矩阵的估计值/>并作为干扰链路的估计信息/>进行输入;
然后,通过式的对应关系得到任一子载波上的信道增益矩阵H(k)并作为通信链路与干扰链路准确信息通过输入/>与/>在BFNet与PowerNet中分别输出归一化波束形成向量/>以及对应的功率分配向量P,在Lambda层中输入干扰链路准确信息计算式中目标函数的值;
最终的目标函数为多个样本的平均值的相反数,通过最小化损失函数来实现目标函数的最大化;
对于在线部署阶段,基站侧采用盲信道估计算法;然后将信道估计信息送入训练好的BFNet与PowerNet中,得到优化后的一体化波束形成矩阵;其中,干扰链路准确信息只需要在线下训练阶段计算损失值;
在线部署时,BFNet与PowerNet中的所有参数都已经固定,通过输入干扰链路的估计信息与通信链路的准确信息/>直接输出一体化波束形成矩阵W,V。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311155595.3A CN117220740A (zh) | 2023-09-08 | 2023-09-08 | 一种非合作场景下通信与干扰一体化系统波束形成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311155595.3A CN117220740A (zh) | 2023-09-08 | 2023-09-08 | 一种非合作场景下通信与干扰一体化系统波束形成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117220740A true CN117220740A (zh) | 2023-12-12 |
Family
ID=89036383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311155595.3A Pending CN117220740A (zh) | 2023-09-08 | 2023-09-08 | 一种非合作场景下通信与干扰一体化系统波束形成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117220740A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117639876A (zh) * | 2024-01-25 | 2024-03-01 | 南京理工大学 | 基于时空调制超表面的线性调频波抗干扰doa估计方法 |
-
2023
- 2023-09-08 CN CN202311155595.3A patent/CN117220740A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117639876A (zh) * | 2024-01-25 | 2024-03-01 | 南京理工大学 | 基于时空调制超表面的线性调频波抗干扰doa估计方法 |
CN117639876B (zh) * | 2024-01-25 | 2024-04-23 | 南京理工大学 | 基于时空调制超表面的线性调频波抗干扰doa估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Capacity characterization for intelligent reflecting surface aided MIMO communication | |
Taha et al. | Deep learning for large intelligent surfaces in millimeter wave and massive MIMO systems | |
Huang et al. | Unsupervised learning-based fast beamforming design for downlink MIMO | |
Xie et al. | A unified transmission strategy for TDD/FDD massive MIMO systems with spatial basis expansion model | |
CN108964726B (zh) | 一种低复杂度的大规模mimo上行链路传输信道估计方法 | |
CN110099017B (zh) | 基于深度神经网络的混合量化系统的信道估计方法 | |
CN110719239B (zh) | 一种数据模型双驱动的联合mimo信道估计和信号检测方法 | |
Jang et al. | Deep learning-based limited feedback designs for MIMO systems | |
Wang et al. | Partially-connected hybrid beamforming design for integrated sensing and communication systems | |
Chu et al. | Super-resolution mmWave channel estimation for generalized spatial modulation systems | |
CN111917508A (zh) | 基于多天线抗干扰通信模型及动态空间谱抗干扰方法 | |
CN117220740A (zh) | 一种非合作场景下通信与干扰一体化系统波束形成方法 | |
Xu et al. | Adaptive semi-blind channel estimation for massive MIMO systems | |
Li et al. | Knowledge-driven machine learning-based channel estimation in massive MIMO system | |
CN114389730B (zh) | 一种基于深度学习和脏纸编码的miso系统波束形成设计方法 | |
Elbir et al. | Low-complexity limited-feedback deep hybrid beamforming for broadband massive MIMO | |
Li et al. | Optimal and robust waveform design for MIMO-OFDM channel sensing: A Cramér-Rao bound perspective | |
Akyıldız et al. | Search-free precoder selection for 5G new radio using neural networks | |
Cazzella et al. | Deep learning of transferable mimo channel modes for 6g v2x communications | |
Zia et al. | Deep learning for Parametric Channel Estimation in massive MIMO systems | |
CN114301508A (zh) | 基于过时csi的可重构智能表面辅助mimo传输中的双时间尺度优化方法 | |
Shi et al. | Deep learning based robust precoder design for massive MIMO downlink | |
Liu et al. | Channel estimation for IRS-assisted broadband millimeter wave MIMO systems | |
Xu et al. | Research on sparse channel estimation algorithm based on MIMO-OFDM system | |
Chen et al. | Robust Symbol Detection Based on Quaternion Neural Networks in Wireless Polarization-Shift-Keying Communications |
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 |