CN118138097A - 一种基于cnn的irs辅助通信系统的联合波束成形方法 - Google Patents
一种基于cnn的irs辅助通信系统的联合波束成形方法 Download PDFInfo
- Publication number
- CN118138097A CN118138097A CN202410431844.5A CN202410431844A CN118138097A CN 118138097 A CN118138097 A CN 118138097A CN 202410431844 A CN202410431844 A CN 202410431844A CN 118138097 A CN118138097 A CN 118138097A
- Authority
- CN
- China
- Prior art keywords
- irs
- communication system
- training
- base station
- cnn
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 55
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 230000010363 phase shift Effects 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 230000005540 biological transmission Effects 0.000 claims abstract description 18
- 235000015429 Mirabilis expansa Nutrition 0.000 claims abstract description 7
- 244000294411 Mirabilis expansa Species 0.000 claims abstract description 7
- 235000013536 miso Nutrition 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005562 fading Methods 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 claims 1
- 230000008878 coupling Effects 0.000 abstract description 5
- 238000010168 coupling process Methods 0.000 abstract description 5
- 238000005859 coupling reaction Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000001210 attenuated total reflectance infrared spectroscopy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于CNN的IRS辅助通信系统的联合波束成形方法,包括:采用DeepMIMO数据集光线追踪场景生成基于IRS辅助的下行MISO毫米波通信系统的训练数据集;根据通信系统的系统模型计算通信系统的总安全传输速率表达式,并以通信系统的总安全传输速率作为优化目标;构建两阶段的卷积神经网络,并根据优化目标定义损失函数;利用训练数据集对构建的卷积神经网络进行训练,训练完成后得到最优的基站波束成形矩阵和IRS相移矩阵;本发明通过两阶段卷积神经网络分别预测IRS相移矩阵和基站波束成形矩阵,充分考虑并解决了这两个矩阵的耦合问题,提升了IRS辅助的下行MISO毫米波通信系统的通信质量。
Description
技术领域
本发明属于通信技术领域,特别是涉及一种基于CNN的IRS辅助通信系统的联合波束成形方法。
背景技术
对于IRS辅助的通信系统,要想提升系统性能,如提高系统和速率或者降低系统功率,如何解决基站端和IRS的波束成形是一个关键性问题,目前的优化设计方法可以分为两大类:基于传统算法和基于深度学习的算法。在传统的优化设计方法中,包括预编码技术、半正定松弛法(Semidefinite Relaxation,SDR)、交替优化算法和流形优化算法等。其中,SDR有效性较高,但复杂度也较高而且容易陷入局部最优;预编码技术复杂度低,但是只能作用于信道收发端,无法改变无线传输环境;交替优化算法可以做到以较低的复杂度达到与SDR相近的效果,但是也容易陷入局部最优;流形优化算法的频谱效率较高、复杂度较低,但是能量效率很低。基于深度学习的算法擅长解决很多高复杂度的非线性通信问题,而且计算复杂度相比传统算法有显著降低,它利用各种神经网络模型来处理波束成形矩阵的设计和优化问题,其关键是对于信道状态信息(Channel Status Information,CSI)的处理。在单用户的情况下,简单的全连接网络就可以解决问题,但是在多用户情况下,考虑到CSI的特征维数的特点,基于卷积神经网络(Convolutional Neural Network,CNN)的网络是更好的选择,其中包括Deep Convolutional Neural Network for Image Denoising(DnCNN)、Fast and Flexible Denoising Netwok(FFDNet)和Convolutional BlindDenoising Network(CBDNet)等。
可见,对于IRS辅助的通信系统,相比传统优化算法,基于深度学习卷积神经网络的算法可以更好的应用于该系统中,效果更好,而且预计需要的计算资源更少,符合提升无线通信系统各方面性能的需求。但是对于IRS辅助的通信系统,实现IRS承诺的增益需要准确的CSI,而IRS的引入又大大增加了获取基站-IRS-用户的级联信道的CSI的难度,但是为了凸显深度学习算法的优越性,现有很多研究大都基于完美CSI进行,或是需要庞大的数据集和计算资源才能获取准确的CSI,这在一定程度上限制了IRS辅助的通信系统性能的提升。其次,对于IRS相移矩阵和基站波束成形矩阵的联合优化来说,这两个矩阵存在耦合关系,现有很多研究忽略了这个问题或者解耦的方法十分繁琐。另外,对于多用户的通信系统,很多研究将目标函数构造为系统的和速率,欠缺对于通信链路较差的用户通信质量的考虑,容易造成这些用户得不到应有的服务质量。
发明内容
为了解决背景技术中存在的问题,本发明的一方面提供一种基于CNN的IRS辅助通信系统的联合波束成形方法,包括:
S1:采用DeepMIMO数据集光线追踪场景生成基于IRS辅助的下行MISO毫米波通信系统的训练数据集;其中,该通信系统包括:一个基站、一个IRS、一个未知位置的窃听者和多个合法用户,所述训练数据集中的每个训练样本包括:所有合法用户的CSI和窃听者的CSI;
S2:根据通信系统的系统模型计算通信系统的总安全传输速率表达式,并以通信系统的总安全传输速率作为优化目标;
S3:构建两阶段的卷积神经网络,并根据优化目标定义损失函数;
S4:利用训练数据集对构建的卷积神经网络进行训练,训练完成后得到最优的基站波束成形矩阵和IRS相移矩阵。
本发明的另一方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行,以实现所述的一种基于CNN的IRS辅助通信系统的联合波束成形方法。
本发明的再一方面提供一种基于CNN的IRS辅助通信系统的联合波束成形装置,包括处理器和存储器;所述存储器用于存储计算机程序;所述处理器与所述存储器相连,用于执行所述存储器存储的计算机程序,以使所述基于CNN的IRS辅助通信系统的联合波束成形装置执行所述的一种基于CNN的IRS辅助通信系统的联合波束成形方法。
本发明至少具有以下有益效果
本发明在毫米波信道采用压缩感知算法能够以较少的计算资源获取级联信道CSI;本发明通过两阶段卷积神经网络分别预测IRS相移矩阵和基站波束成形矩阵,充分考虑并解决了这两个矩阵的耦合问题;本发明充分考虑通信链路较差用户的服务质量,在构造目标函数时加入了合法用户的服务质量约束,以保证即使是通信链路最差的用户也能得到基本的服务质量。本发明考虑了实际场景下用户的需求、信道的不完美状态等因素,在实现智能化、自主化的联合波束成形的同时,提升了IRS辅助的下行MISO毫米波通信系统的通信质量。
附图说明
图1为本发明的方法流程示意图;
图2为本发明基于CNN的IRS辅助通信系统模型示意图;
图3为本发明基于两阶段卷积神经网络的联合波束成形的流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1和图2,本发明的一方面提供一种基于CNN的IRS辅助通信系统的联合波束成形方法,包括:
S1:采用DeepMIMO数据集光线追踪场景生成基于IRS辅助的下行MISO毫米波通信系统的训练数据集;其中,该通信系统包括:一个基站、一个IRS、一个未知位置的窃听者和多个合法用户,所述训练数据集中的每个训练样本包括:所有合法用户的CSI和窃听者的CSI;
在本实施例中对于所构建的几何信道模型和考虑的联合波束成形优化问题,基于实际信道评估所提出的解决方案的有效性是至关重要的,这促使本发明采用由精确射线跟踪场景生成的信道数据来捕捉对关键环境因素的依赖,例如环境几何形状和材料、基站和用户位置等。因此本发明采用公开的DeepMIMO数据集中的由Remcom Wireless Insite生成的光线跟踪场景“O1”作为模拟的真实物理环境;采用DeepMIMO数据集光线追踪场景生成训练数据集,确定优化器和初始学习率并进行网络训练的过程,需要说明的是,这里只生成合法用户的数据集;设置数据集参数,包括基站和IRS的位置、足够大的合法用户的接收器网格范围、天线间隔、路径数、系统带宽、OFDM限制、OFDM的载波数量和采样因子等;根据上述场景生成足够的数据信息,这些数据表示合法用户的CSI,将这些数据与表征窃听者处的非法信道CSI的有界信道误差模型共同构成训练数据集。
在本实施例中根据3GPP规则设置基站发射天线数量、IRS的反射元件数量、合法用户数量以及基站的最大发射功率等,设置信道模型,该信道模型包括大尺度衰落和小尺度衰落,其中所有子信道的大尺度衰落相同,小尺度衰落服从瑞利衰落,具体流程包括:
S11:基站发射天线数量为N,IRS反射元件数量为M,合法用户数量为K,基站最大发射功率Pmax;
S12:基站端的波束成形矩阵为W=[w1,w2,…,wk,…,wK],k=1,2,…K,wk表示第k个用户的基站波束成形向量;
S13:由于IRS无源,所以反射幅度默认为1,故IRS相移矩阵为j表示复数单位;
S14:基站至IRS之间的信道增益为G;
S15:基站至窃听者的信道增益为hBE,IRS至窃听者的信道增益为hRE;
S16:基站至合法用户的信道增益为IRS至合法用户之间的信道增益/>
S2:根据通信系统的系统模型计算通信系统的总安全传输速率表达式,并以通信系统的总安全传输速率作为优化目标;
在本实施例中根据上述设置的通信系统的系统模型,确定优化目标和约束条件的流程包括:
S21:根据上述数据,计算合法用户k的接收信号为:
其中,xk为合法用户k的发送符号,即为基站的发送信号,δk为合法用户k处的均值为0、方差为σ2的加性高斯白噪声;
S22:计算窃听者的接收信号为:
其中,δe为窃听者处的均值为0、方差为σ2的加性高斯白噪声;
S23:对和/>作简单的归一化处理,计算得到合法用户k的信干噪比为:
其中,|·|表示复向量的欧几里得范数;
S24:对hRE和hBE作相同的归一化处理,如果窃听者窃听到第k条消息,则窃听者收到的第k条消息的信干噪比为:
其中,ge,k=hREΦG;
S25:根据香农公式,合法用户k的信息速率和窃听者窃听第k个用户的速率分别表示为Rk=log(1+γk)和Re,k=log(1+γe,k),则相应的系统保密率(bps/HZ)为Rsec=[Rk-Re,k]+,其中[v]+=max(v,0);
S26:考虑系统的总安全传输速率,则优化目标与约束条件为:
C1:Rsec≥R0
C2:||wk||2≤Pmax
C3:
其中,R表示通信系统的总安全传输速率,K表示合法用户的数量;Rsec=[Rk-Re,k]+,表示若Rk-Re,k的值若大于0则取原值,若小于0则取0,Rk表示第k个合法用户的信息速率;Re,k表示窃听者窃听第k个用户的速率;R0是合法用户的最小信息速率,C1表示合法用户的服务质量约束,以保证即使是通信链路最差的用户也能获得足够的信息速率;Pmax表示基站的最大发射功率;wk表示第k个合法用户的基站波束成形向量,C2表示基站的最大发射功率约束,C3表示IRS反射元件的相移约束,反射元件的振幅系数默认为1,θm是IRS第m个反射元件的相移。
由于毫米波通信中存在严重的路径损耗和阻塞效应,发射机和接收机之间只存在少数多径分量,因此在本实施例中采用压缩感知算法获得合法用户处CSI,需要指出的是,这里只考虑IRS辅助的级联信道,不考虑基站和用户之间的直接链路,因为直接链路的信道估计问题可以通过关闭所有IRS上的反射元件,直接采用传统信道估计方案很容易解决,包括:
S31:令Φ=diag(v(t)),是IRS上的相移向量,/>表示在第m个反射元件上t时刻的反射相位;
S32:将G和重写为:
其中,Mf和Mh分别表示基站至IRS信道的路径数和IRS至用户k信道的路径数;αp和βq分别表示G中第p径的复增益和中第q径的复增益;/>和/>分别表示基站侧的到达方位角和到达仰角;/>和/>分别表示从IRS侧的出发方位角以及出发仰角;/>和/>分别表示用户到IRS侧的到达方位角和到达仰角;aM和aN分别表示IRS的阵列导向向量和基站的阵列导向向量;/>表示aM的共轭转置;
S33:根据通信系统的系统模型推导出基站-IRS-合法用户的级联信道的等效信道为
其中,x(t)表示基站接收的导频符号;y(t)表示基站的接收信号;
S34:将等效信道在虚拟角域使用过完备字典来表示,并定义虚拟角域的过完备字典矩阵;其中,Ha为等效信道H在虚拟角域对应的信道,在若干个方位角上具有信道增益,DN和DM是虚拟角域的过完备字典矩阵,DN的任一列表示某一特定的方位角和仰角对应的阵列导向向量,即在垂直和水平方向上将基站端的角度空间均匀划分为Gr个离散角度,DM在垂直和水平方向上将IRS端的角度空间均匀划分为Gt个离散角度,分别定义为:
S35:出于精度的考虑,Gr×Gt的值远大于信道中散射路径的数量,所以在Ha中只存在少数非零元素表示信道增益,即Ha是一个稀疏矩阵;
S36:假设传输导频信号x(t)=1,将基站的接收信号重新表述为矩阵形式的信号矩阵Y:
其中,T为导频长度,V=[v(0),…,v(t-1)],Δ为复高斯分布的加性白噪声构成的矩阵;
S37:利用KatriRao和Kronecker乘积,获得信道稀疏表示。进一步将信号矩阵改写为向量形式,得到稀疏的角域信道向量和对应的字典矩阵;
其中,表示稀疏的角域信道向量,/>表示噪声向量,表示恢复稀疏向量/>的字典矩阵,vec()表示将矩阵拉直成一个列向量,/>表示克罗内克乘积;
S38:利用压缩感知算法对稀疏的角域信道向量进行恢复,得到合法用户处的CSI。
本发明所述算法还需要窃听者处的CSI,但是由于基站和窃听者之间必然缺乏合作,所以获得窃听者的CSI是非常困难的,因此采用有界信道误差模型来表征非法信道的CSI不确定性,过程包括:
将基站至窃听者的信道增益表示为:
其中,表示估计的信道增益,ΔhBE表示信道增益的估计误差,δhBE表示有界CSI误差的最大阈值;hBE表示基站至窃听者的信道增益;
将IRS至窃听者的信道增益表示为:
其中,表示估计的信道增益,ΔhRE表示信道增益的估计误差,δhRE是有界CSI误差的最大阈值;hRE表示IRS至窃听者的信道增益。
请参阅图3,S3:构建两阶段的卷积神经网络,并根据优化目标定义损失函数;
在本实施例中考虑前文所得到的优化目标和约束条件是一个非凸优化问题,传统基于模型的方法计算复杂度高,而且没有考虑IRS相移矩阵和基站端波束成形矩阵之间存在的耦合关系,而单个神经网络虽然复杂度有显著降低,但仍存在上述的第二个问题。在单用户情况下,简单的全连接网络可以用于Φ的预测,然而在多用户情况下,考虑到特征维数的特点,卷积神经网络(Convolutional Neural Networks,CNN)是更好的选择,具体来说,所述两阶段的卷积神经网络包括:第一阶段和第二阶段;所述第一阶段包括串联的第一卷积层、第一批归一化层、第二卷积层、第二批归一化层、第一全连接层、第三批归一化层和第二全连接层;所述第一阶段用于根据输入的训练样本预测IRS的相移矩阵;所述第二阶段包括:第一子全连接层、第一子批归一化层、第二子全连接层、第二子批归一化层、第三子全连接层和功率限制层;所述第二阶段用于根据输入的训练样本和第一阶段预测的IRS相移矩阵预测基站的波束成形矩阵;所述功率限制层用于对输入特征进行功率归一化以满足基站的最大发射功率约束。
在第一阶段中的每个卷积层设置为采用64个4×4的卷积核,第一全连接层和第二全连接层的神经元个数分别为4M和M,在每两层之间插入一个批处理归一化层,以防止过拟合并促进有效训练,第一卷积层、第二卷积层和第一全连接层采用校正的非线性单元ReLu激活函数,第二全连接层采用线性的Linear激活函数;
基站端发射波束成形的一个直观选择是流行的迫零或最小均方误差的方法,但传统波束成形算法中设计的操作如矩阵求逆等是不可微的,这严重不利于神经网络的梯度计算和反向传播,故本发明采用另一种神经网络进行发射波束成形,这样整个网络的梯度是平滑的且易于计算;根据已有的工作,全连接网络可以很好的用于波束成形,因此本发明在第二阶段使用的3个全连接层分别具有100、100和2NK个神经元,在每两层之间插入一个批处理归一化层,激活函数对于第一子全连接层和第二子全连接层是校正的非线性单元ReLu激活函数,对于第三子全连接层是线性的Linear激活函数;为了满足基站最大发射功率的约束,在第二阶段本实施例还设置了一个功率限制层,其对输入特征的处理过程如下:
其中,Wpre是第二阶段网络的输出即预测的基站波束成形矩阵;Wout表示功率限制层的输入特征。
在本实施例中所述损失函数包括:
其中,T表示训练样本的数量,Rt表示第t个训练样本对应的通信系统的总安全传输速率。
S4:利用训练数据集对构建的卷积神经网络进行训练,训练完成后得到最优的基站波束成形矩阵和IRS相移矩阵。
在本实施例中所述对构建的卷积神经网络进行训练包括:
S41:设置优化器和学习率;将训练数据集的80%划分为训练集,20%作为测试集;
在本实施例中使用Adam优化器,因为其自适应学习率机制可以对梯度滑动平均,纠正偏差,初始学习率设置为0.01;
S42:设置学习衰减率和patience值,采用早停法避免过拟合;
为提高起始速度并减少训练结束时的震荡,本发明使用0.33的学习衰减率;设置具有20patience的早停法避免过拟合;
S43:利用训练集对两阶段的卷积神经网络进行训练,固定Φpre和Wpre之一交替优化损失函数,直至损失函数收敛,其中,Wpre表示卷积神经网络输出的基站波束成形矩阵,Φpre表示卷积神经网络输出的IRS相移矩阵;
S44:在测试集上对在训练集上训练完毕的卷积神经网络进行测试,若网络在测试集上的性能与在训练集的性能之间的误差大于设定阈值,则重复S41到S44;其中,在测试集上获取测试结果时,随着epoch的增加,如果网络在测试集上的性能与在训练集的性能之间的误差上升,则使用早停法停止训练,并保留网络模型的参数。
例如,在本实施例中基于损失函数的值来评价网络在训练集和测试集的性能,损失函数的值越小,证明网络的性能越高。
综上所述本发明在毫米波信道采用压缩感知算法能够以较少的计算资源获取级联信道CSI;本发明通过两阶段卷积神经网络分别预测IRS相移矩阵和基站波束成形矩阵,充分考虑并解决了这两个矩阵的耦合问题;本发明充分考虑通信链路较差用户的服务质量,在构造目标函数时加入了合法用户的服务质量约束,以保证即使是通信链路最差的用户也能得到基本的服务质量。本发明考虑了实际场景下用户的需求、信道的不完美状态等因素,在实现智能化、自主化的联合波束成形的同时,提升了IRS辅助的下行MISO毫米波通信系统的通信质量。
本发明的另一方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行,以实现所述的一种基于CNN的IRS辅助通信系统的联合波束成形方法。
本发明的再一方面提供一种基于CNN的IRS辅助通信系统的联合波束成形装置,包括处理器和存储器;所述存储器用于存储计算机程序;所述处理器与所述存储器相连,用于执行所述存储器存储的计算机程序,以使所述基于CNN的IRS辅助通信系统的联合波束成形装置执行所述的一种基于CNN的IRS辅助通信系统的联合波束成形方法。
具体地,所述存储器包括:ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
优选地,所述处理器可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于CNN的IRS辅助通信系统的联合波束成形方法,其特征在于,包括:
S1:采用DeepMIMO数据集光线追踪场景生成基于IRS辅助的下行MISO毫米波通信系统的训练数据集;其中,该通信系统包括:一个基站、一个IRS、一个未知位置的窃听者和多个合法用户,所述训练数据集中的每个训练样本包括:所有合法用户的CSI和窃听者的CSI;
S2:根据通信系统的系统模型计算通信系统的总安全传输速率表达式,并以通信系统的总安全传输速率作为优化目标;
S3:构建两阶段的卷积神经网络,并根据优化目标定义损失函数;
S4:利用训练数据集对构建的卷积神经网络进行训练,训练完成后得到最优的基站波束成形矩阵和IRS相移矩阵。
2.根据权利要求1所述的一种基于CNN的IRS辅助通信系统的联合波束成形方法,其特征在于,所述通信系统中的信道模型包括大尺度衰落和小尺度衰落,其中所有子信道的大尺度衰落相同,小尺度衰落服从瑞利衰落。
3.根据权利要求1所述的一种基于CNN的IRS辅助通信系统的联合波束成形方法,其特征在于,所述合法用户的CSI利用压缩感知算法进行计算,包括:
S101:根据通信系统的系统模型推导出基站-IRS-合法用户的级联信道的等效信道;
S102:将等效信道在虚拟角域使用过完备字典来表示,并定义虚拟角域的过完备字典矩阵;
S103:将基站的接收信号重新表述为矩阵形式的信号矩阵,进一步将信号矩阵改写为向量形式,得到稀疏的角域信道向量和对应的字典矩阵;
S104:利用压缩感知算法对稀疏的角域信道向量进行恢复,得到合法用户处的CSI。
4.根据权利要求1所述的一种基于CNN的IRS辅助通信系统的联合波束成形方法,其特征在于,所述窃听者的CSI利用有界信道误差模型来表征包括:
基站至窃听者的信道增益表示为:
其中,表示估计的信道增益,ΔhBE表示信道增益的估计误差,δhBE表示有界CSI误差的最大阈值;hBE表示基站至窃听者的信道增益;
IRS至窃听者的信道增益表示为:
其中,表示估计的信道增益,ΔhRE表示信道增益的估计误差,δhRE是有界CSI误差的最大阈值;hRE表示IRS至窃听者的信道增益。
5.根据权利要求1所述的一种基于CNN的IRS辅助通信系统的联合波束成形方法,其特征在于,所述系统的总安全传输速率包括:
C1:Rsec≥R0
C2:||wk||2≤Pmax
C3:
其中,R表示通信系统的总安全传输速率,K表示合法用户的数量;Rsec=[Rk-Re,k]+,表示若Rk-Re,k的值若大于0则取原值,若小于0则取0;Rk表示第k个合法用户的信息速率;Re,k表示窃听者窃听第k个用户的速率;R0是合法用户的最小信息速率,C1表示合法用户的服务质量约束,以保证即使是通信链路最差的用户也能获得足够的信息速率;Pmax表示基站的最大发射功率;wk表示第k个合法用户的基站波束成形向量,C2表示基站的最大发射功率约束,C3表示IRS反射元件的相移约束,反射元件的振幅系数默认为1,θm是IRS第m个反射元件的相移。
6.根据权利要求1所述的一种基于CNN的IRS辅助通信系统的联合波束成形方法,其特征在于,所述两阶段的卷积神经网络包括:第一阶段和第二阶段;所述第一阶段包括串联的第一卷积层、第一批归一化层、第二卷积层、第二批归一化层、第一全连接层、第三批归一化层和第二全连接层;所述第一阶段用于根据输入的训练样本预测IRS的相移矩阵;所述第二阶段包括:第一子全连接层、第一子批归一化层、第二子全连接层、第二子批归一化层、第三子全连接层和功率限制层;所述第二阶段用于根据输入的训练样本和第一阶段预测的IRS相移矩阵预测基站的波束成形矩阵;所述功率限制层用于对输入特征进行功率归一化以满足基站的最大发射功率约束。
7.根据权利要求1所述的一种基于CNN的IRS辅助通信系统的联合波束成形方法,其特征在于,所述损失函数包括:
其中,T表示训练样本的数量,Rt表示第t个训练样本对应的通信系统的总安全传输速率。
8.根据权利要求7所述的一种基于CNN的IRS辅助通信系统的联合波束成形方法,其特征在于,所述对构建的卷积神经网络进行训练包括:
S41:设置优化器和学习率;将训练数据集划分为训练集和测试集;
S42:设置学习衰减率和patience值,采用早停法避免过拟合;
S43:利用训练集对两阶段的卷积神经网络进行训练,固定Φpre和Wpre之一交替优化损失函数,直至损失函数收敛,其中,Wpre表示卷积神经网络输出的基站波束成形矩阵,Φpre表示卷积神经网络输出的IRS相移矩阵;
S44:在测试集上对在训练集上训练完毕的卷积神经网络进行测试,若网络在测试集上的性能与在训练集上的性能之间的误差大于设定阈值,则重复S41到S44;其中,在测试集上获取测试结果时,随着epoch的增加,如果网络在测试集上的性能与在训练集的性能之间的误差上升,则使用早停法停止训练,并保留网络模型的参数。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行,以实现权利要求1至8中任一项基于CNN的IRS辅助通信系统的联合波束成形方法。
10.一种基于CNN的IRS辅助通信系统的联合波束成形装置,其特征在于,包括处理器和存储器;所述存储器用于存储计算机程序;所述处理器与所述存储器相连,用于执行所述存储器存储的计算机程序,以使所述基于CNN的IRS辅助通信系统的联合波束成形装置执行权利要求1至8中任一项基于CNN的IRS辅助通信系统的联合波束成形方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410431844.5A CN118138097A (zh) | 2024-04-11 | 2024-04-11 | 一种基于cnn的irs辅助通信系统的联合波束成形方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410431844.5A CN118138097A (zh) | 2024-04-11 | 2024-04-11 | 一种基于cnn的irs辅助通信系统的联合波束成形方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118138097A true CN118138097A (zh) | 2024-06-04 |
Family
ID=91242809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410431844.5A Pending CN118138097A (zh) | 2024-04-11 | 2024-04-11 | 一种基于cnn的irs辅助通信系统的联合波束成形方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118138097A (zh) |
-
2024
- 2024-04-11 CN CN202410431844.5A patent/CN118138097A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kundu et al. | Channel estimation for reconfigurable intelligent surface aided MISO communications: From LMMSE to deep learning solutions | |
Peken et al. | Deep learning for SVD and hybrid beamforming | |
Song et al. | Truly intelligent reflecting surface-aided secure communication using deep learning | |
CN112804695A (zh) | 可重构智能表面辅助的无线通信方法及装置 | |
Huang et al. | MIMO radar aided mmWave time-varying channel estimation in MU-MIMO V2X communications | |
Yang et al. | Channel estimation for practical IRS-assisted OFDM systems | |
Safari et al. | Deep UL2DL: Data-driven channel knowledge transfer from uplink to downlink | |
Hu et al. | MmWave MIMO communication with semi-passive RIS: A low-complexity channel estimation scheme | |
Kalphana et al. | Convolutional Neural Network Auto Encoder Channel Estimation Algorithm in MIMO-OFDM System. | |
Seyedsalehi et al. | Propagation channel modeling by deep learning techniques | |
Li et al. | Digital twin-aided learning to enable robust beamforming: Limited feedback meets deep generative models | |
CN115549745B (zh) | Ris相移设计方法、装置、计算机设备及存储介质 | |
Chen et al. | Viewing the MIMO channel as sequence rather than image: A Seq2Seq approach for efficient CSI feedback | |
Zhong et al. | A novel spatial beam training strategy for mmWave UAV communications | |
Nguyen et al. | Universal beamforming: A deep RFML approach | |
US11962436B2 (en) | User detection technique, and method and apparatus for channel estimation in wireless communication system supporting massive multiple-input multiple-output | |
CN118138097A (zh) | 一种基于cnn的irs辅助通信系统的联合波束成形方法 | |
Awais et al. | Deep residual denoising network for IRS-cascaded channel estimation with a receiver impairment | |
CN115473553A (zh) | 一种智能抑制波束斜视的方法、装置及电子设备 | |
CN115361257A (zh) | 上行大规模mimo稀疏信道估计方法及相关设备 | |
Wang et al. | Wideband Beamforming for RIS Assisted Near-Field Communications | |
Jeyakumar et al. | Two-stage deep learning-based hybrid precoder design for very large scale massive MIMO systems | |
Zhang et al. | Robust CSI estimation under complex communication environment | |
Peng et al. | RISnet: A scalable approach for reconfigurable intelligent surface optimization with partial CSI | |
Dai | Adaptive beamforming and switching in smart antenna systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |