WO2024021620A1 - Mimo系统的性能优化方法、装置、设备及存储介质 - Google Patents

Mimo系统的性能优化方法、装置、设备及存储介质 Download PDF

Info

Publication number
WO2024021620A1
WO2024021620A1 PCT/CN2023/080818 CN2023080818W WO2024021620A1 WO 2024021620 A1 WO2024021620 A1 WO 2024021620A1 CN 2023080818 W CN2023080818 W CN 2023080818W WO 2024021620 A1 WO2024021620 A1 WO 2024021620A1
Authority
WO
WIPO (PCT)
Prior art keywords
terminal
parameter set
target
target parameter
performance
Prior art date
Application number
PCT/CN2023/080818
Other languages
English (en)
French (fr)
Inventor
孟帆
黄永明
尤肖虎
宿静宜
Original Assignee
网络通信与安全紫金山实验室
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 网络通信与安全紫金山实验室 filed Critical 网络通信与安全紫金山实验室
Publication of WO2024021620A1 publication Critical patent/WO2024021620A1/zh

Links

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
    • 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
    • H04B7/0619—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 using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/025—Channel estimation channel estimation algorithms using least-mean-square [LMS] method
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0258—Channel estimation using zero-forcing criteria
    • 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

Definitions

  • the present disclosure relates to the technical field of MIMO systems, and in particular, to a performance optimization method, device, equipment and storage medium for a MIMO system.
  • performance optimization methods for MIMO systems include: modeling the MIMO system to obtain a MIMO system model, predicting system parameters and terminal communication parameters based on the MIMO system model, obtaining prediction results, and optimizing based on the prediction results. Obtain the regularization coefficient of the MIMO system model to improve the sum rate performance of the MIMO system.
  • the MIMO system model is obtained by modeling the MIMO system and is different from the real MIMO system. Therefore, based on the prediction results, the accuracy of the regularization coefficient obtained by optimization is poor, which in turn leads to the sum rate of the MIMO system. Poor performance.
  • the present disclosure provides a performance optimization method, device, equipment and storage medium for a MIMO system to solve the defect of poor sum rate performance of the MIMO system in related technologies and improve the sum rate performance of the MIMO system.
  • the present disclosure provides a performance optimization method for a MIMO system, including:
  • the MIMO system includes a base station and at least one terminal;
  • the sum rate of the MIMO system is obtained.
  • the present disclosure also provides a performance optimization device for a MIMO system, including:
  • An acquisition module configured to acquire system parameters of the MIMO system;
  • the MIMO system includes a base station and at least one terminal;
  • the determination module is configured to determine the target parameter set of each terminal based on the system parameters and the communication parameters of each terminal;
  • the receiving module is configured to receive the performance measurement information sent by each terminal after processing the target signal;
  • the determination module is also configured to determine the CSI uncertainty of each terminal based on the target parameter set and performance measurement information of each terminal;
  • the determination module is also configured to obtain the sum rate of the MIMO system based on the target parameter set and CSI uncertainty of each terminal.
  • the present disclosure also provides an electronic device, including a memory, a processor, and a computer program stored in the memory and executable on the processor.
  • the processor executes the program, the performance optimization method of any of the MIMO systems mentioned above is implemented.
  • the present disclosure also provides a non-transitory computer-readable storage medium on which a computer program is stored.
  • the computer program is executed by a processor, the performance optimization method of any of the above MIMO systems is implemented.
  • the present disclosure also provides a computer program product, which includes a computer program.
  • a computer program product which includes a computer program.
  • the computer program is executed by a processor, the performance optimization method of any of the above MIMO systems is implemented.
  • the present disclosure provides a performance optimization method, device, equipment and storage medium for a MIMO system.
  • the system parameters of the MIMO system are obtained; the MIMO system includes a base station and at least one terminal; based on the system parameters and the communication parameters of each terminal, determine The target parameter set of each terminal; receiving the performance measurement information sent by each terminal after processing the target signal; determining the CSI uncertainty of each terminal based on the target parameter set and performance measurement information of each terminal; based on the target parameter of each terminal.
  • the regularization coefficient of the MIMO system and the power scaling factor of the terminal can be obtained through real data (rather than data related to the MIMO system model), which improves the obtained regularization coefficient. and the accuracy of the power scaling factor, thereby improving the sum rate performance of the MIMO system and the signal detection performance of the terminal.
  • Figure 1 is a schematic flowchart of the performance optimization method of the MIMO system provided by the present disclosure
  • Figure 2 is a schematic structural diagram of the performance prediction model provided by the present disclosure
  • Figure 3 is a schematic diagram of the optimization process provided by the present disclosure.
  • Figure 4 is a schematic structural diagram of eta-NN provided by the present disclosure.
  • Figure 5 is a schematic structural diagram of the model indicated by ⁇ w ⁇ provided by the present disclosure.
  • Figure 6 is a schematic structural diagram of the model indicated by ⁇ b ⁇ provided by the present disclosure.
  • Figure 7 is a schematic structural diagram of the data-driven model provided by the present disclosure.
  • Figure 8 is a schematic structural diagram of the model-driven model provided by the present disclosure.
  • Figure 9 is a schematic structural diagram of the performance optimization device of the MIMO system provided by the present disclosure.
  • Figure 10 is a schematic diagram of the physical structure of the electronic device provided by the present disclosure.
  • the MIMO system model is obtained by modeling the MIMO system and is different from the real MIMO system. Therefore, the regularization coefficient is optimized based on the prediction results, resulting in poor sum rate performance of the MIMO system.
  • the performance measurement information sent by each terminal after processing the target signal is received, and based on the performance measurement information, the downlink channel state information (CSI) uncertainty is obtained , based on the CSI uncertainty, determining the regularization coefficient of the MIMO system can achieve the regularization coefficient of the MIMO system through real data (rather than data related to the MIMO system model), improving the accuracy of the obtained regularization coefficient, and then Improve the sum rate performance of MIMO systems.
  • CSI downlink channel state information
  • a base station (Base Station, BS) equipped with M antennas transmits data to K
  • y represents the received signal of K terminals
  • y [y 1 ,...,y K ] T
  • y k represents the received signal of the terminal identified as k
  • H represents the channel matrix
  • H [h 1 ,. ..,h K ] H
  • h k represents the vector corresponding to the channel of the terminal identified as k
  • x represents the transmitted signal of the base station
  • n represents additive Gaussian white noise
  • ⁇ k is the channel correlation matrix corresponding to the terminal identified as k (it is usually assumed that ⁇ k changes slowly compared with the channel coherence time, and the transmitter of the terminal fully knows this information), z k represents the non-correlated channel, z k Each item of is independently and identically distributed,
  • q k represents the channel uncertainty noise, and each item in q k obeys independent and identical distribution, ⁇ k represents the CSI uncertainty of the terminal identified as k, ⁇ k ⁇ [0,1].
  • x can be represented by formula 4:
  • G represents the beamforming matrix
  • G [g 1 ,...,g K ]
  • g k represents the beamforming vector of the terminal identified as k
  • P represents the signal power matrix
  • P diag(p 1 ,...,p K )
  • p k is the signal power of the terminal identified as k.
  • the regularized zero-forcing precoder G can be expressed as the following formula 6:
  • Equation 5 where ⁇ is a normalized scalar that satisfies the average total power constraint in Equation 5, express The conjugate transpose of represents an imperfect estimate of the channel, ⁇ is the regularization coefficient, ⁇ >0.
  • ⁇ represents the normalized power
  • I M represents the unit matrix with dimension M.
  • the signal-to-noise ratio (Signal to Interference plus Noise Ratio, SINR) is represented by formula 8:
  • ⁇ k represents the signal-to-interference-to-noise ratio
  • P [k] diag(p 1 ,...,p k-1 ,p k+1 ,...,p K ).
  • SR represents the sum rate
  • the terminal identified as k scales the received signal based on the power scaling factor u k to obtain an estimate of the transmit constellation point.
  • MSE mean square error
  • SR and MSE can be used as performance indicators of the MIMO system.
  • Figure 1 is a schematic flowchart of a performance optimization method for a MIMO system provided by the present disclosure. As shown in Figure 1, the methods provided by this embodiment include:
  • Step S101 Obtain system parameters of the MIMO system; the MIMO system includes a base station and at least one terminal.
  • the execution subject of the embodiment of the present disclosure is a base station, or it can be a performance optimization device in the base station.
  • the performance optimization device can be implemented through a combination of software and/or hardware.
  • System parameters are parameters stored in the base station in advance.
  • the system parameters include: the number of antennas M, the total number of at least one terminal K, the maximum total transmission power P, the standard deviation of the noise ⁇ , and the preset regularization coefficient ⁇ .
  • Step S102 Determine the target parameter set of each terminal based on the system parameters and the communication parameters of each terminal.
  • the target parameter set of the terminal is determined based on the system parameters and the communication parameters of the terminal.
  • the target parameter set of the terminal is different. For details, please see Table 1.
  • ⁇ k , ⁇ k (Condition 1) indicates that the first relationship type between the correlation matrices of the downlink channels of each terminal is mutually independent, and the second relationship type between the uncertainties of the downlink channel state information of each terminal is Independent of each other (abbreviated as ).
  • ⁇ k represents the correlation matrix of the downlink channel of the terminal identified as k
  • IM represents the identity matrix
  • ⁇ k represents the CSI uncertainty of the terminal identified as k (in this disclosure, ⁇ k is a value that needs to be solved).
  • step S102 specifically includes: obtaining a priori vector and optimization vector based on system parameters and communication parameters of the terminal; processing the prior vector and optimization vector based on corresponding conditions to obtain a data vector; and converting the prior vector into , numerical vector and optimization vector, determined as the target parameter set ( ⁇ k ).
  • Step S103 Receive performance measurement information sent by each terminal after processing the target signal.
  • regularized zero forcing (RZF) precoding processing is performed on the baseband signal to obtain the target signal; the target signal is sent to each terminal respectively; and the target signal is received from each terminal.
  • the target signal is the performance measurement information sent after signal-to-interference-to-noise ratio measurement and signal mean square error detection.
  • Performance measurement information includes: signal-to-interference-to-noise ratio value and mean square error
  • the performance measurement information can be expressed in the form of a vector.
  • the performance measurement information is expressed as:
  • Step S104 Determine the downlink channel state information CSI uncertainty of each terminal based on the target parameter set and performance measurement information of each terminal.
  • the downlink channel state information CSI uncertainty of the terminal is determined based on the terminal's target parameter set and performance measurement information.
  • approximate analysis is performed on the target parameter set of the terminal to obtain performance analysis information of the terminal (including ); through the preset data drive module, the target parameter set and performance analysis information are predicted and processed to obtain the terminal's performance prediction information ( ⁇ p,k ,MSE p,k ); based on the terminal's performance prediction information and performance measurement information, Determine the CSI uncertainty of the terminal.
  • Step S105 Obtain the sum rate of the MIMO system based on the target parameter set and CSI uncertainty of each terminal.
  • step S105 specifically includes: updating the target parameter set of each terminal based on the CSI uncertainty of each terminal to obtain the initial update parameter set of each terminal; optimizing the initial update parameter set of each terminal, The sum rate of the MIMO system is obtained.
  • the sum rate of the MIMO system is the maximum sum rate corresponding to the regularization coefficient in the initial update parameter set after the optimization process.
  • optimizing the initial update parameter set of each terminal to obtain the sum rate of the MIMO system includes: using a first optimization formula to optimize the initial update parameter set of each terminal to obtain the sum rate of the MIMO system. and rate.
  • the first optimization formula is:
  • V represents the objective function value of the first optimization formula
  • ⁇ represents the regularization coefficient
  • K represents the total number of at least one terminal
  • ⁇ g represents the learnable parameter set
  • g ⁇ represents the signal-to-dry ratio prediction function
  • Equation 12 is equal to ⁇ k in Equation 9.
  • an iterative search method is used to optimize ⁇ to maximize SR.
  • the target parameter set of the terminal is updated to obtain the initial update parameter set of the terminal, including:
  • the initial update parameter set of the terminal includes a priori vector Pr k , a numerical vector N k and a replaced optimization vector O k .
  • the optimization algorithm process of the regularization coefficient based on iterative search includes: according to the minimum regularization value, the maximum regularization value and the number of divisions, equally divide the search interval to obtain a divided regularization set ;According to the divided regularization set, update the numerical vector set and obtain the initial update parameter set; According to the formula Sum initial update parameter set, predict the divided sum rate set; select the index corresponding to the maximum value in the divided sum rate set to obtain the optimal regularization term index; update the minimum regularization value; update the maximum regularization value; the iterative process repeats The number of times is the maximum number of iterations, and the regularization value corresponding to the optimal regularization item index of the last iteration is obtained as the optimized regularization coefficient.
  • the system parameters of the MIMO system are obtained; the MIMO system includes a base station and at least one terminal; based on the system parameters and the communication parameters of each terminal, the target parameter set of each terminal is determined; and received The performance measurement information sent by each terminal after processing the target signal; based on the target parameter set and performance measurement information of each terminal, determine the CSI uncertainty of the downlink channel state information corresponding to each terminal; based on the CSI uncertainty of each terminal, determine
  • the regularization coefficient of the MIMO system can be achieved through real data (rather than the MIMO system model Relevant data) to obtain the regularization coefficient of the MIMO system, which improves the accuracy of the obtained regularization coefficient, thereby improving the sum rate performance of the MIMO system.
  • the initial update parameter set of each terminal is updated to obtain the target update parameter set of each terminal; the target update parameter set of each terminal is optimized to obtain the target update parameter set of each terminal.
  • the signal mean square error value; the signal mean square error value of the terminal is the minimum signal mean square error value corresponding to the power scaling factor in the target update parameter set after the optimization process.
  • the initial update parameter set of the terminal is updated to obtain the target update parameter set of the terminal, including: replacing ⁇ in the optimization vector O k in the initial update parameter set with the regularization coefficient obtained by formula 12 ( That is, ⁇ * ) in step 12 of Algorithm 1, a new optimization vector O k is obtained; based on ⁇ * , the numerical vector N k in the initial update parameter set is updated to obtain a new numerical vector N k ; the target update parameter set includes the new Optimization vector O k , new numerical vector N k and a priori vector Pr k in the initial updated parameter set.
  • the three elements in the numerical vector N k of the initial update parameter set are: Set e k in the numerical vector N k of the initial update parameter set, ⁇ ° is related to ⁇ , so update e k , ⁇ °, and obtain a new numerical vector N k .
  • e, e 11 , and e 12 in the numerical vector N k of the initial update parameter set are related to ⁇ , so e, e 11 , and e 12 are updated to obtain a new numerical vector N k .
  • the numerical vector N k of the initial update parameter set includes an element, which is:
  • e is related to ⁇ , so e is updated to obtain a new numerical vector N k .
  • optimizing the target update parameter set of the terminal to obtain the signal mean square error value of the terminal includes: using a second optimization formula to process the target update parameter set of the terminal to obtain the signal mean square error of the terminal. difference.
  • the second optimization formula is:
  • U represents the objective function value of the second optimization formula
  • v k represents the normalized power scaling factor of the terminal
  • g MSE represents the mean square error calculation function
  • ⁇ g represents the learnable parameter set.
  • the power scaling factor of the terminal can also be optimized to improve the signal detection performance of the terminal.
  • the MIMO system model is obtained by modeling the MIMO system and is different from the real MIMO system, the power scaling factor obtained by optimization based on the prediction results has poor accuracy, which in turn leads to poor signal detection performance of the terminal.
  • the target update parameter set of each terminal is obtained by updating the initial update parameter set of each terminal based on the regularization coefficient obtained by Formula 12; based on the second optimization formula, the target update parameter set of each terminal is optimized Through processing, the accurate normalized power scaling factor can be obtained, and then the accurate signal mean square error value of the terminal can be obtained, thereby improving the signal detection performance of the terminal.
  • the performance prediction problem can be modeled as: given an input set Find a mapping f to predict a set of performance metrics To minimize the prediction error under a certain metric, where is to take the cardinality of set B.
  • mapping f is expressed as: Among them, ⁇ f is the learnable parameter set.
  • g is the mapping of data model collaboratively driven performance prediction
  • ⁇ g is the learnable parameter set about g
  • h is the mapping of model-driven performance approximation
  • ⁇ h is the numerical parameter set about h
  • W is the weight function
  • b bias function
  • Performance prediction models include: preset model-driven models and preset data-driven models. Among them, the preset model-driven model is used to determine the performance analysis information
  • the preset data-driven model i.e., the learnable part
  • the performance preset model will be described below in conjunction with Figure 2.
  • FIG. 2 is a schematic structural diagram of the performance prediction model provided by the present disclosure.
  • the performance prediction model includes: a preset model-driven model and a preset data-driven model.
  • the preset model-driven model is used to perform approximate analysis and processing on the target parameter set of the terminal to obtain performance analysis information of the terminal.
  • the preset data-driven model includes multipliers, adders, first linear layer, second linear layer, third linear layer, fourth linear layer, batch normalization (Batch Normalization, BN) layer and network layer.
  • the input end of the fourth linear layer is connected to the target parameter set
  • the output end of the fourth linear layer is connected to the input end of the network layer through the BN layer
  • the output end of the network layer is connected to the adder through the third linear layer
  • the output end of the network layer is connected to the adder through the third linear layer.
  • the second linear layer is connected to the multiplier; the input terminal of the first linear layer is connected to the performance analysis information, and the output terminal of the first linear layer is connected to the multiplier; the multiplier outputs the performance prediction information of the terminal.
  • the first linear layer, the second linear layer, and the third linear layer each include 2 computing units.
  • the number of computational units in the fourth linear layer is the dimensionality of the input to the prediction model.
  • the network layer includes a series of BN layers and rectified linear units (Rectified Linear Unit, ReLU).
  • ReLU rectified Linear Unit
  • Figure 2 is an exemplary illustration assuming that the number of network layers is 2.
  • the target parameter set passes through the fourth linear layer, BN layer and network layer in sequence to obtain the output information A1; the output information A1 passes through the second Linear layer, obtain output information A2; performance analysis information Through the first linear layer, the output information A3 is obtained; the output information A3 and the output information A2 are passed through the multiplier, and the output information A4 is obtained; the output information A1 is passed through the third linear layer, the output information A5 is obtained; the output information A4 and the output information A5 are added through addition
  • the device is used to obtain the third measurement information ( ⁇ p,k , MSE p,k ).
  • determining the CSI uncertainty of the terminal based on the terminal's performance prediction information and performance measurement information includes: using a CSI uncertainty calculation formula to optimize the terminal's performance prediction information and performance measurement information, Obtain the CSI uncertainty of the terminal;
  • Equation 14 The CSI uncertainty calculation formula is as follows Equation 14:
  • ⁇ k represents the CSI uncertainty of the terminal identified as k
  • Represents the performance measurement information of the terminal identified as k represents the square of the second norm.
  • the estimation algorithm process of CSI uncertainty based on iterative search includes: equally dividing the search interval according to the minimum CSI uncertainty value, the maximum CSI uncertainty value and the number of divisions. Obtain the divided CSI uncertainty set; update the target parameter set according to the divided CSI uncertainty set, and obtain the performance prediction information set; according to the formula Performance prediction information set and performance measurement information set, predict the divided prediction error set; select the index corresponding to the minimum value in the divided prediction error set to obtain the estimated CSI uncertainty index; update the minimum CSI uncertainty value; update the maximum CSI Uncertainty value; the iteration process is repeated the maximum number of iterations, and the CSI uncertainty value of the CSI uncertainty index of the last iteration is obtained as the estimated CSI uncertainty.
  • Figure 3 is a schematic diagram of the optimization process provided by the present disclosure.
  • the result of the l-1th update includes and In the case of , in the lth iteration we get and The process includes: converting Enter g MSE ( ⁇ ) to get calculate The gradient of , we get
  • Optimized receiver normalized power scaling factor Convert to power scaling factor send Perform signal detection for user k.
  • Figure 3 is the optimization process of normalized power scaling factor using projected gradient descent (Projected Gradient Descent, PGD) based on depth expansion.
  • PGD Projected Gradient Descent
  • the update rate eta is a hyperparameter. A smaller eta can achieve stable convergence, but will result in a slow convergence speed; a larger eta can cause oscillation.
  • this disclosure proposes a deeply expanded PGD to make the update rate ⁇ adaptive through a neural network (NN) with a parameter set ⁇ ⁇ , that is, eta-NN adaptively adjusts the update rate according to the current input.
  • NN neural network
  • eta-NN adaptively adjusts the update rate according to the current input.
  • FIG 4 is a schematic structural diagram of eta-NN provided by the present disclosure.
  • ⁇ -NN includes an input layer, a hidden layer and an output layer.
  • the input layer, hidden layer and output layer are connected in sequence.
  • the input dimension of the input layer is 2.
  • the number of computing units in the hidden layer is 8, and the output dimension is 1.
  • the activation functions of the hidden layer are all modified linear units.
  • the activation function of the output layer is 10 max(min(B,-1),-3) , where B represents the output of the hidden layer.
  • the activation function of the output layer limits the update rate to [10 -3,10 -1 ].
  • h is the mapping relationship of eta-NN.
  • ⁇ ⁇ is iteratively updated through Mini-batch Gradient Descent (MBGD) until convergence.
  • MBGD Mini-batch Gradient Descent
  • the proposed receiver normalized power scaling optimization algorithm is given in Algorithm 3 (shown in Table 4).
  • Power scaling factor Equivalently using the normalized power scaling factor to represent and optimize the calculation, and then transmit it from BS to user k for detection.
  • the optimization algorithm process of the normalized power scaling factor based on iterative search includes: updating the corresponding numerical vector according to the estimated CSI uncertainty and the optimized regularization term, and Obtain the target update parameter set; predict the mean square error of signal detection according to the formula g MSE , and the target update parameter set; calculate the gradient of the mean square error with respect to the normalized power scaling factor; convert the normalized power scaling factor and its gradient As an input vector, input it to eta-NN, and get the output update rate; calculate the normalized power scaling factor after iterative update according to the normalized power scaling factor and its gradient, and the update rate; project normalized power scaling factor to its feasible region; use the normalized power scaling factor to update the target update parameter set; the iteration process is repeated for the maximum number of iterations, and the optimal normalized power scaling factor of the last iteration is obtained as the optimized Normalized power scaling factor.
  • perform approximate analysis processing on the target parameter set of the terminal to obtain performance analysis information of the terminal including: a first relationship type between correlation matrices based on downlink channels of each terminal, and differences in downlink channel status information of each terminal.
  • the second relationship type between the degrees of certainty determines the target prediction calculation formula among multiple preset calculation formulas; and performs approximate analysis and processing on the target parameter set of the terminal through the target prediction calculation formula to obtain the performance analysis information of the terminal.
  • the following four methods can be used to determine the performance analysis information of the terminal.
  • k represents the identity of the terminal, represents the mean square error included in the performance analysis information
  • M represents the number of antennas included in the target parameter set
  • p k represents the signal power corresponding to the terminal included in the target parameter set
  • ⁇ k represents the CSI uncertainty included in the target parameter set
  • e k represents the normalization coefficient of the terminal included in the target parameter set
  • ⁇ ° represents the normalized power included in the target parameter set
  • ⁇ represents the signal-to-noise ratio included in the target parameter set
  • P represents the maximum interference included in the target parameter set.
  • u k represents the power scaling factor of the terminal included in the target parameter set
  • ⁇ represents the standard deviation of the noise included in the target parameter set.
  • Equation 18 The approximate ⁇ ° is expressed using Equation 18:
  • Equation 24 The elements in m k are represented by Equation 24:
  • Equation 26 The deterministic equivalent formula for the terminal MSE identified as k is obtained as Equation 26:
  • Formula 25 and Formula 26 form the target parameter set.
  • Equation 26 is simplified to Equation 27:
  • Equation 26 is a quadratic equation about v k .
  • k represents the identity of the terminal, represents the mean square error included in the performance analysis information
  • M represents the number of antennas included in the target parameter set
  • P represents the maximum total transmit power included in the target parameter set
  • p k represents the signal power corresponding to the terminal included in the target parameter set
  • K represents the total number of at least one terminal included in the target parameter set
  • ⁇ k represents the CSI uncertainty included in the target parameter set
  • e represents the normalization coefficient included in the target parameter set
  • e 22 represents the target parameter included in the set.
  • the second normalization coefficient of The signal-to-noise ratio of , v k represents the normalized power scaling factor of the terminal in the MIMO system included in the target parameter set, and ⁇ represents the standard deviation of the noise included in the target parameter set.
  • e 22 is represented by formula 32:
  • the second prediction calculation formula is obtained based on the above formulas 29-32.
  • Method 43 when the first relationship type is that the correlation matrices are all identity matrices, and the second relationship type is mutually independent, the target prediction calculation formula is:
  • ⁇ k represents the number of CSI included in the target parameter set.
  • e represents the normalization coefficient included in the target parameter set
  • ⁇ represents the regularization coefficient
  • ⁇ represents the ratio of the number of antenna users included in the target parameter set
  • ⁇ represents the signal-to-noise ratio included in the target parameter set
  • v k represents The normalized power scaling factor of the terminal in the MIMO system included in the target parameter set
  • ⁇ represents the standard deviation of the noise included in the target parameter set.
  • Equation 34 Equation 34:
  • Equation 35 The deterministic equivalent closed-form solution of ⁇ k is expressed by Equation 35:
  • Equation 36 The deterministic equivalent closed-form solution of MSE k is expressed by Equation 36:
  • Method 44 when the first relationship type is that the correlation matrices are all identity matrices, and the second relationship type is that the uncertainties are all the same, the target prediction calculation formula is:
  • ⁇ represents the CSI uncertainty included in the target parameter set
  • e represents the normalization coefficient included in the target parameter set
  • ⁇ represents the regularization coefficient
  • ⁇ represents the ratio of the number of antenna users included in the target parameter set
  • ⁇ represents the signal-to-noise ratio included in the target parameter set
  • v represents the number of antenna users included in the target parameter set.
  • ⁇ represents the standard deviation of the noise included in the target parameter set.
  • the power allocation strategy that maximizes the approximate value of equation (9) is The power allocated to each user is the same.
  • the closed-form solution calculation formula of e is equation (48), that is, the deterministic equivalent closed-form solution for ⁇ k and MSE k exists.
  • Equation 38 the deterministic equivalent closed-form solution of ⁇ k is expressed by Equation 38:
  • Equation 39 The deterministic equivalent closed-form solution of MSE k is expressed by Equation 39:
  • Equation 40 The optimal v * is expressed by Equation 40:
  • Condition 2 In the case of Condition 2, Condition 3 and Condition 4, the simulation parameters for conducting the simulation experiment are as shown in Table 6 below.
  • , where r represents the correlation coefficient uniformly distributed in the unit circle on the complex plane, i represents the identifier of the row where the element is located, and j represents the representation of the column where the element is located; (3) When the SNR is non-ideal situation (i.e. ), set ⁇ 8 ⁇ m , ⁇ m represents non-ideal SNR, is a fixed constant;
  • the received signal is y k
  • the terminal marked k is obtained by the following method and Receive N (for example, 5000, 6000, etc.) frame signals, for one frame signal received at time t right Measure and obtain the corresponding Using Equation 41, for Detect and obtain the corresponding
  • the performance prediction model is used to accurately predict ⁇ k and MSE k of the MIMO system, where, is the approximate value of ⁇ k , is the approximate value of MSE k .
  • ⁇ w,b ⁇ indicates the performance prediction model shown in Figure 2
  • ⁇ w ⁇ indicates the model shown in Figure 5
  • ⁇ b ⁇ indicates the model shown in Figure 6
  • the data-driven model is shown in Figure 7
  • the model shown in Figure 8 is the model driven model. It can be seen from Table 7 that under the four conditions, the experimental data of the performance prediction model indicated by ⁇ w, b ⁇ is the smallest, so the performance prediction model indicated by ⁇ w, b ⁇ provided by the present disclosure has the best prediction performance. It should be noted that the experimental data in Table 7 was obtained when the number of network layers was 1.
  • Equation 42 is the vector composed of ⁇ p,k and MSE p,k .
  • Figure 5 is a schematic structural diagram of the model indicated by ⁇ w ⁇ provided by the present disclosure.
  • the model indicated by ⁇ w ⁇ includes a preset model driven model, a multiplier, a first linear layer, a second linear layer, a network layer, a BN layer, and a fourth linear layer.
  • Equation 42 Output information for the model indicated by ⁇ w ⁇ and consists of vectors.
  • Figure 6 is a schematic structural diagram of the model indicated by ⁇ b ⁇ provided by the present disclosure.
  • the model indicated by ⁇ b ⁇ includes a preset model driven model, an adder, a first linear layer, a third linear layer, a network layer, a BN layer, and a fourth linear layer.
  • Equation 42 Output information for the model indicated by ⁇ b ⁇ and composed of vectors.
  • Figure 7 is a schematic structural diagram of the data-driven model provided by the present disclosure.
  • the data-driven model includes a preset model-driven model, an adder, a third linear layer, a network layer, a BN layer, and a fourth linear layer.
  • Equation 42 Output information for data-driven models and consists of vectors.
  • Figure 8 is a schematic structural diagram of the model-driven model provided by the present disclosure.
  • the model-driven model includes a preset model-driven model.
  • Equation 42 Output information for data-driven models (ie, preset model-driven models) and consists of vectors. This application also provides Table 8 for verifying the accuracy of the CSI uncertainty estimate based on the prediction model.
  • This disclosure also provides Table 9 for verifying the sum rate optimization performance based on performance prediction.
  • ⁇ w, b ⁇ , 6.25 is obtained based on the following process: Based on the performance prediction model, the base station obtains the user's measurement feedback (ie, performance measurement information), and obtains the regularization coefficient based on Algorithm 1 and Algorithm 2. The base station uses The resulting regularization coefficients are emitted to give 6.25 (i.e. the sum rate).
  • 6.24 is obtained based on the following process: Based on the model-driven model, the base station obtains the user's measurement feedback (ie, the target parameter set), obtains the regularization coefficient according to Algorithm 1 and Algorithm 2, and the base station uses the obtained regularization coefficient to transmit the signal, so as to We get 6.24 (i.e. sum rate).
  • the user's measurement feedback ie, the target parameter set
  • the regularization coefficient according to Algorithm 1 and Algorithm 2
  • the base station uses the obtained regularization coefficient to transmit the signal, so as to We get 6.24 (i.e. sum rate).
  • 6.14 is obtained based on the following process: Based on the model-driven model, the base station uses a fixed To update the terminal's target parameter set, obtain the terminal's initial update parameter set, obtain the regularization coefficient according to Algorithm 1, and the base station uses the obtained regularization coefficient to transmit signals to obtain 6.14 (sum rate).
  • the optimal 6.29 is obtained through the following method: Based on the MIMO system, the base station optimizes the regularization coefficient term through exhaustive search, and the base station uses the obtained regularization term to transmit signals to obtain 6.29 (sum rate) .
  • the SR results optimized on the basis of the corresponding PP model are given. In each case, the maximum value is highlighted in bold and the optimum obtained by exhaustive search is denoted by ( ⁇ ) * .
  • the performance in the proposed performance prediction model method with ⁇ w,b ⁇ is better than or equal to the model-driven method, and the gap from the optimal value is small.
  • the SR of the data-driven method is worse than that of the model-driven method.
  • This disclosure also provides Table 10 for user signal detection optimization performance based on performance prediction.
  • ⁇ w, b ⁇ , 0.24 is obtained based on the following method: Based on the performance prediction model, the base station obtains the user's performance measurement information, and obtains the regularization coefficient based on the performance measurement information, Algorithm 1 and Algorithm 2; the base station uses The regularization coefficient transmits the signal; the base station uses the regularization coefficient to update the initial update parameter set to obtain the target update parameter set; the base station optimizes the normalized power scaling factor based on the target update parameter set and Algorithm 3, and converts the optimized normalized power The scaling factor is equivalently converted into a power scaling factor, and the power scaling factor is transmitted to the mobile terminal. The mobile terminal detects the signal based on the received power scaling factor, and the mean square error of signal detection is 0.24.
  • 0.26 is obtained based on the following method: Based on the model-driven prediction model, the base station obtains the user's measurement feedback, estimates the CSI uncertainty according to Algorithm 1, updates the terminal's target parameter set, and obtains the terminal's initial update parameter set. According to the initial update parameter set and Algorithm 1, the regularization optimization in precoding is performed, the initial update parameter set is updated, and the target update parameter set is obtained.
  • the base station uses optimized regularization terms to transmit signals.
  • the base station optimizes the normalized power scaling factor based on the target update parameter set and Algorithm 3, and converts the optimized normalized power scaling factor into equivalent into a power scaling factor, and transmit the power scaling factor to the mobile terminal.
  • the mobile terminal detects the signal according to the received power scaling factor, and the mean square error of signal detection is 0.26.
  • 0.28 is obtained based on the following method: Based on the model-driven prediction model, the base station uses a fixed to update the target parameter set and obtain the terminal's initial update parameter set. According to the initial update parameter set and Algorithm 1, the regularization optimization in precoding is done. The base station uses optimized regularization terms to transmit signals. The base station optimizes the normalized power scaling factor based on the target update parameter set and Algorithm 3, and equivalently converts the optimized normalized power scaling factor into a power scaling factor, and transmits the power scaling factor to the mobile terminal. The mobile terminal detects the signal according to the received power scaling factor, and the mean square error of signal detection is 0.28.
  • the optimal 0.22 is obtained through the following method: Based on the MIMO system, the base station optimizes the regularization coefficient and power scaling factor through exhaustive search. The base station uses the optimized regularization coefficient to transmit the signal, and transmits the optimized power scaling factor to the mobile terminal; the mobile terminal detects the signal based on the received power scaling factor, and the mean square error of signal detection is 0.22.
  • the performance optimization device of the MIMO system provided by the present disclosure is described below.
  • the performance optimization device of the MIMO system described below and the performance optimization method of the MIMO system described above may be mutually referenced.
  • FIG. 9 is a schematic structural diagram of the performance optimization device of the MIMO system provided by the present disclosure. As shown in Figure 9, the performance optimization devices of the MIMO system include:
  • the acquisition module 910 is configured to acquire system parameters of the MIMO system;
  • the MIMO system includes a base station and at least one terminal;
  • the determination module 920 is configured to determine the target parameter set of each terminal based on the system parameters and the communication parameters of each terminal;
  • the receiving module 930 is configured to receive performance measurement information sent by each terminal after processing the target signal
  • the determination module 920 is also configured to determine the CSI uncertainty of each terminal based on the target parameter set and performance measurement information of each terminal;
  • the determination module 920 is also configured to obtain the sum rate of the MIMO system based on the target parameter set and CSI uncertainty of each terminal.
  • the determination module 920 is also specifically configured to: update the target parameter set of each terminal based on the CSI uncertainty of each terminal to obtain the initial update parameter set of each terminal;
  • the terminal's initial update parameter set is optimized to obtain the sum rate of the MIMO system;
  • the sum rate of the MIMO system is the maximum sum rate corresponding to the regularization coefficient in the initial update parameter set after optimization.
  • the determination module 920 is also specifically configured to: use the first optimization formula to optimize the initial update parameter set of each terminal to obtain the sum rate of the MIMO system; first optimization The formula is: Among them, V represents the objective function value of the first optimization formula, represents the sum rate of the MIMO system, ⁇ represents the regularization coefficient, K represents the total number of at least one terminal, represents the initial update parameter set, ⁇ g represents the learnable parameter set, g ⁇ represents the signal-to-dry ratio prediction function, Represents the signal-to-interference-to-noise ratio predicted value.
  • the determination module 920 is also configured to: update the initial update parameter set of each terminal based on the regularization coefficient to obtain the target update parameter set of each terminal; update the target of each terminal The parameter set is optimized to obtain the signal mean square error value of each terminal; the signal mean square error value of the terminal is the minimum signal mean square error value corresponding to the power scaling factor in the target updated parameter set after the optimization process.
  • the determination module 920 is also specifically configured to: use a second optimization formula to process the target update parameter set of the terminal to obtain the signal mean square error value of the terminal; second optimization The formula is: Among them, U represents the objective function value of the second optimization formula, v k represents the normalized power scaling factor of the terminal, represents the signal mean square error value of the terminal, g MSE represents the mean square error calculation function, represents the target update parameter set of the terminal, and ⁇ g represents the learnable parameter set.
  • the determination module 920 is also configured to perform regularized zero-forcing precoding processing on the baseband signal based on a preset regularization coefficient to obtain a target signal;
  • the sending module 940 is configured to The target signal is sent to each terminal respectively;
  • the receiving module 930 is configured to receive the performance measurement information sent by each terminal after performing signal-to-interference-to-noise ratio measurement and signal mean square error detection on the target signal.
  • the determination module 920 is also specifically configured to: perform approximate analysis and processing on the target parameter set of the terminal to obtain the performance analysis information of the terminal; use a preset data-driven model to determine the target parameters. Collection and performance analysis information are performed for performance prediction processing to obtain terminal performance prediction information; based on the terminal's performance prediction information and performance measurement information, the terminal's CSI uncertainty is determined.
  • the determination module 920 is further specifically configured to: based on the first relationship type between the correlation matrices of the downlink channels of each terminal and the uncertainty of the downlink channel state information of each terminal.
  • the second relationship type between, in multiple preset calculation formulas Determine the target prediction calculation formula; and perform approximate analysis and processing on the terminal's target parameter set through the target prediction calculation formula to obtain the terminal's performance analysis information.
  • the target prediction calculation formula is:
  • k represents the identity of the terminal, represents the mean square error included in the performance analysis information
  • M represents the number of antennas included in the target parameter set
  • p k represents the signal power corresponding to the terminal included in the target parameter set
  • ⁇ k represents the CSI uncertainty included in the target parameter set
  • e k represents the normalization coefficient of the terminal included in the target parameter set
  • ⁇ ° represents the normalized power included in the target parameter set
  • ⁇ represents the signal-to-noise ratio included in the target parameter set
  • P represents the maximum total transmit power included in the target parameter set
  • u k represents the power scaling factor of the terminal included in the target parameter set
  • ⁇ represents the standard deviation of the noise included in the target parameter set.
  • the target prediction calculation formula is:
  • k represents the identity of the terminal, represents the mean square error included in the performance analysis information
  • M represents the number of antennas included in the target parameter set
  • P represents the maximum total transmit power included in the target parameter set
  • p k represents the signal power corresponding to the terminal included in the target parameter set
  • K represents the total number of at least one terminal included in the target parameter set
  • ⁇ k represents the CSI uncertainty included in the target parameter set
  • e represents the normalization coefficient included in the target parameter set
  • e 22 represents the target parameter included in the set
  • v k represents the normalized power scaling factor of the terminal in the MIMO system included in the target parameter set
  • ⁇ represents the standard deviation of the noise included in the target parameter set.
  • the target prediction calculation formula is:
  • ⁇ represents the signal-to-interference-to-noise ratio included in the performance analysis information
  • k represents the identity of the terminal
  • M represents the number of antennas included in the target parameter set
  • p k represents the signal power corresponding to the terminal included in the target parameter set
  • P represents the maximum total transmit power included in the target parameter set
  • K represents the total number of at least one terminal included in the target parameter set
  • ⁇ k represents the CSI uncertainty included in the target parameter set
  • e represents the normalization coefficient included in the target parameter set
  • ⁇ represents the regularization coefficient
  • ⁇ represents Ratio of the number of antenna users included in the target parameter set
  • ⁇ represents the signal-to-noise ratio included in the target parameter set
  • v k represents the normalized power scaling factor of the terminal in the MIMO system included in the target parameter set
  • ⁇ represents the target parameter set Includes the standard deviation of the noise.
  • the target prediction calculation formula is:
  • ⁇ represents the CSI uncertainty included in the target parameter set
  • e represents the normalization coefficient included in the target parameter set
  • ⁇ represents the regularization coefficient
  • ⁇ represents the ratio of the number of antenna users included in the target parameter set
  • ⁇ represents the signal-to-noise ratio included in the target parameter set
  • v represents the number of antenna users included in the target parameter set.
  • ⁇ represents the standard deviation of the noise included in the target parameter set.
  • the determination module is specifically configured to: use the CSI uncertainty calculation formula to optimize the terminal's performance prediction information and performance measurement information to obtain the terminal's CSI uncertainty;
  • the CSI uncertainty calculation formula is: Among them, ⁇ k represents the CSI uncertainty of the terminal, Represents performance prediction information, Represents performance measurement information.
  • the preset data driving module includes: a multiplier, an adder, a first linear layer, a second linear layer, a third linear layer, a fourth linear layer, and batch normalization.
  • BN layer and network layer among them, the input end of the fourth linear layer is connected to the target parameter set, the output end of the fourth linear layer is connected through the BN layer and the input end of the network layer, and the output end of the network layer passes through the third linear layer It is connected to the adder and connected to the multiplier through the second linear layer; the input terminal of the first linear layer is connected to the performance analysis information, and the output terminal of the first linear layer is connected to the multiplier; the multiplier outputs the performance prediction information of the terminal.
  • Figure 10 is a schematic diagram of the physical structure of the electronic device provided by the present disclosure.
  • the electronic device may include: a processor (processor) 1010, a communication interface (Communications Interface) 1020, a memory (memory) 1030, and a communication bus 1040.
  • the processor 1010, the communication interface 1020, and the memory 1030 pass through The communication bus 1040 completes mutual communication.
  • the processor 1010 can call logical instructions in the memory 1030 to perform a performance optimization method of the MIMO system.
  • the method includes: obtaining system parameters of the MIMO system; the MIMO system includes a base station and at least one terminal; and communication based on the system parameters and each terminal.
  • Parameters determine the target parameter set of each terminal; send target signals to each terminal respectively, and receive performance measurement information sent by each terminal.
  • the performance measurement information is obtained by measuring and detecting the target signal by the corresponding terminal; for each terminal, Based on the target parameter set and performance measurement information of the terminal, the CSI uncertainty of the downlink channel state information corresponding to the terminal is determined; based on the CSI uncertainty of each terminal, the regularization coefficient of the MIMO system and the power scaling factor of each terminal are determined.
  • the above-mentioned logical instructions in the memory 1030 can be implemented in the form of software functional units and can be stored in a computer-readable storage medium when sold or used as an independent product.
  • the technical solution of the present disclosure is essentially or the part that contributes to the relevant technology or the part of the technical solution can be embodied in the form of a software product.
  • the computer software product is stored in a storage medium and includes several The instructions are used to cause a computer device (which may be a personal computer, a server, or a network device, etc.) to execute all or part of the steps of the methods of various embodiments of the present disclosure.
  • the aforementioned storage media include: U disk, mobile hard disk, read-only memory (ROM, Read-Only Memory), random access memory (RAM, Random Access Memory), magnetic disk or optical disk and other media that can store program code. .
  • the present disclosure also provides a computer program product.
  • the computer program product includes a computer program.
  • the computer program can be stored on a non-transitory computer-readable storage medium.
  • the computer program can perform the above methods.
  • the provided performance optimization method of the MIMO system includes: obtaining the system parameters of the MIMO system; the MIMO system includes a base station and at least one terminal; determining the target parameter set of each terminal based on the system parameters and the communication parameters of each terminal; respectively Send target signals to each terminal and receive performance measurement information sent by each terminal.
  • the performance measurement information is obtained by measuring and detecting the target signal by the corresponding terminal; for each terminal, based on the terminal's target parameter set and performance measurement information, Determine the CSI uncertainty of the downlink channel state information corresponding to the terminal; based on the CSI uncertainty of each terminal, determine the regularization coefficient of the MIMO system and the power scaling factor of each terminal.
  • the present disclosure also provides a non-transitory computer-readable storage medium on which a computer program is stored.
  • the computer program is implemented when executed by a processor to perform the performance optimization method of the MIMO system provided by the above methods.
  • the method includes: obtaining system parameters of the MIMO system; MIMO
  • the system includes a base station and at least one terminal; based on system parameters and communication parameters of each terminal, determines a target parameter set of each terminal; sends target signals to each terminal respectively, and receives performance measurement information sent by each terminal, and the performance measurement information is the corresponding Obtained by the terminal measuring and detecting the target signal; for each terminal, the downlink channel state information CSI uncertainty corresponding to the terminal is determined based on the terminal's target parameter set and performance measurement information; based on the CSI uncertainty of each terminal, the CSI uncertainty is determined The regularization coefficient of the MIMO system and the power scaling factor of each terminal.
  • the device embodiments described above are only illustrative.
  • the units described as separate components may or may not be physically separated.
  • the components shown as units may or may not be physical units, that is, they may be located in one place. , or it can be distributed to multiple network units. Some or all of the modules can be selected according to actual needs to achieve the purpose of the solution of this embodiment. Persons of ordinary skill in the art can understand and implement the method without any creative effort.
  • each embodiment can be implemented by software plus a necessary general hardware platform, and of course, it can also be implemented by hardware.
  • the computer software products can be stored in computer-readable storage media, such as ROM/RAM, disks. , optical disk, etc., including a number of instructions to cause a computer device (which can be a personal computer, a server, or a network device, etc.) to execute various embodiments or certain parts of the embodiments.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Radio Transmission System (AREA)

Abstract

本公开提供一种MIMO系统的性能优化方法、装置、设备及存储介质，在该方法中，获取MIMO系统的系统参数；MIMO系统包括基站和至少一个终端；基于系统参数和各终端的通信参数，确定各终端的目标参数集合；接收各终端在对目标信号进行处理后发送的性能测量信息；基于各终端的目标参数集合和性能测量信息，确定各终端的CSI不确定度；基于各终端的目标参数集合和CSI不确定度，得到MIMO系统的和速率。本公开提供的MIMO系统的性能优化方法、装置、设备及存储介质用于提高MIMO系统的和速率性能。

Description

MIMO系统的性能优化方法、装置、设备及存储介质
相关申请的交叉引用
本申请要求于2022年07月29日提交的申请号为2022109083254，发明名称为“MIMO系统的性能优化方法、装置、设备及存储介质”的中国专利申请的优先权，其通过引用方式全部并入本文。
技术领域
本公开涉及MIMO系统技术领域，尤其涉及一种MIMO系统的性能优化方法、装置、设备及存储介质。
背景技术
目前通常需要对MIMO系统的和速率和缩放因子进行优化，以提高MIMO系统的频谱效率(即频带利用率)和用户体验。
在相关技术中，对MIMO系统的性能优化方法包括：对MIMO系统进行建模，得到MIMO系统模型，基于MIMO系统模型的系统参数和终端的通信参数进行预测，得到预测结果，基于预测结果，优化得到MIMO系统模型的正则化系数，来提高MIMO系统的和速率性能。
在上述相关技术中，MIMO系统模型为对MIMO系统进行建模得到的，与真实MIMO系统存在差异，因此基于预测结果，优化得到的正则化系数的准确性较差，进而导致MIMO系统的和速率性能较差。
发明内容
本公开提供一种MIMO系统的性能优化方法、装置、设备及存储介质，用以解决相关技术中MIMO系统的和速率性能较差的缺陷，实现提高MIMO系统的和速率性能。
本公开提供一种MIMO系统的性能优化方法，包括：
获取MIMO系统的系统参数；MIMO系统包括基站和至少一个终端；
基于系统参数和各终端的通信参数，确定各终端的目标参数集合；
接收各终端在对目标信号进行处理后发送的性能测量信息；
基于各终端的目标参数集合和性能测量信息，确定各终端的CSI不确定度；
基于各终端的目标参数集合和CSI不确定度，得到MIMO系统的和速率。
本公开还提供一种MIMO系统的性能优化装置，包括：
获取模块，设置为获取MIMO系统的系统参数；MIMO系统包括基站和至少一个终端；
确定模块，设置为基于系统参数和各终端的通信参数，确定各终端的目标参数集合；
接收模块，设置为接收各终端在对目标信号进行处理后发送的性能测量信息；
确定模块，还设置为基于各终端的目标参数集合和性能测量信息，确定各终端的CSI不确定度；
确定模块，还设置为基于各终端的目标参数集合和CSI不确定度，得到MIMO系统的和速率。
本公开还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如上述任一种MIMO系统的性能优化方法。
本公开还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种MIMO系统的性能优化方法。
本公开还提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现如上述任一种MIMO系统的性能优化方法。
本公开提供的MIMO系统的性能优化方法、装置、设备及存储介质，在该方法中，获取MIMO系统的系统参数；MIMO系统包括基站和至少一个终端；基于系统参数和各终端的通信参数，确定各终端的目标参数集合；接收各终端在对目标信号进行处理后发送的性能测量信息；基于各终端的目标参数集合和性能测量信息，确定各终端的CSI不确定度；基于各终端的目标参数集合和CSI不确定度，得到MIMO系统的和速率，可以实现通过真实数据(而不是MIMO系统模型的相关数据)得到MIMO系统的正则化系数和终端的功率缩放因子，提高了得到的正则化系数和功率缩放因子的准确性，进而提高MIMO系统的和速率性能以及终端的信号检测性能。
附图说明
为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本公开提供的MIMO系统的性能优化方法的流程示意图；
图2是本公开提供的性能预测模型的结构示意图；
图3是本公开提供的优化过程的示意图；
图4是本公开提供的η-NN的结构示意图；
图5是本公开提供的{w}指示的模型的结构示意图；
图6是本公开提供的{b}指示的模型的结构示意图；
图7是本公开提供的数据驱动模型的结构示意图；
图8是本公开提供的模型驱动模型的结构示意图；
图9是本公开提供的MIMO系统的性能优化装置的结构示意图；
图10是本公开提供的电子设备的实体结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚，下面将结合本公开中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
在相关技术中，MIMO系统模型为对MIMO系统进行建模得到的，与真实MIMO系统存在差异，因此基于预测结果，优化得到正则化系数，导致MIMO系统的和速率性能较差。
在本公开中，为了提高MIMO系统的和速率性能，接收各终端对目标信号进行处理之后发送的性能测量信息，并基于性能测量信息，得到下行信道状态信息(Channel State Information，CSI)不确定度，基于CSI不确定度，确定MIMO系统的正则化系数，可以实现通过真实数据(而不是MIMO系统模型的相关数据)得到MIMO系统的正则化系数，提高了得到的正则化系数的准确性，进而提高MIMO系统的和速率性能。
针对多用户MIMO系统的模型，在下行多用户多输入单输出(Multi-User Multiple-Input Single-Output，MU-MISO)广播信道、配备有M根天线的基站(Base Station，BS)向K个单天线的终端发送窄带信号的情况下，K个终端的接收信号采用公式1表示：y＝Hx+n  公式1；
其中，y表示K个终端的接收信号，y＝[y1,...,yK]T，yk表示标识为k的终端的接收信号，H表示信道矩阵，H＝[h1,...,hK]H，hk表示标识为k的终端的信道对应的向量，x表示基站的发射信号，n表示加性高斯白噪声，
在K个终端中的每个终端对应的信道是相关的(即)的情况下，hk采用公式2表示：
其中，Θk是标识为k的终端对应的信道相关矩阵(通常假设Θk与信道相干时间相比变化缓慢，且终端的发射机完全知道此信息)，zk表示非相关信道，zk中的每项服从独立同分布，
在基站侧，真实信道hk的不完美估计可以采用公式3表示：
其中，qk表示信道不确定度噪声，qk中的每项服从独立同分布，τk表示标识为k的终端的CSI不确定度，τk∈[0,1]。
x是用户信息符号发送信号s的线性变换，s＝[s1,...,sK]T，
x可以采用公式4表示：
其中，G表示波束赋形矩阵，G＝[g1,...,gK]，gk表示标识为k的终端的波束赋形向量，P表示信号功率矩阵，P＝diag(p1,...,pK)，pk为标识为k的终端的信号功率。
对x进行归一化处理，使得归一化后的值满足公式5(平均总功率约束)：
其中，表示期望运算符，tr表示矩阵的迹，P表示最大总发射功率。
正则化迫零预编码器G可以表示为如下公式6：
其中，ξ是满足公式5中平均总功率约束的归一化标量，表示的共轭转置，表示信道的不完美估计， α是正则化系数，α>0。
根据公式5，得到：
其中，Ψ表示归一化功率，IM表示维度为M的单位阵。
令表示信噪比(Signal-to-noise ratio，SNR)，在标识为k的终端处，在RZF波束成形和CSI不完美的单用户解码情况下，信干噪比(Signal to Interference plus Noise Ratio，SINR)采用公式8表示：
其中，γk表示信干噪比，P[k]＝diag(p1,...,pk-1,pk+1,...,pK)。
各态历经的和速率(Sum Rate，SR)定义为公式9：
其中，SR表示和速率。
对于接收端信号检测，标识为k的终端基于功率缩放因子uk将接收到的信号进行缩放，从而得到发射星座点的估计。
标识为k的终端的均方误差(Mean Square Error，MSE)采用公式10表示：

各态历经的MSE采用公式11表示：
可选地，SR和MSE可以作为MIMO系统的性能指标。
图1为本公开提供的MIMO系统的性能优化方法的流程示意图。如图1所示，本实施例提供的方式包括：
步骤S101、获取MIMO系统的系统参数；MIMO系统包括基站和至少一个终端。
可选地，本公开实施例的执行主体为基站，也可以为基站中的性能优化装置，该性能优化装置可以通过软件和/或硬件的结合来实现。
系统参数为预先存储在基站的参数。
系统参数包括：天线数量M、至少一个终端的总数量K、最大总发射功率P、噪声的标准差σ、预设正则化系数α。
步骤S102、基于系统参数和各终端的通信参数，确定各终端的目标参数集合。
针对每个终端，基于系统参数和终端的通信参数，确定终端的目标参数集合。
针对不同的条件，终端的目标参数集合有所不同，具体的，请参见表1。
表1
其中，Θk,τk(条件1)表示各终端的下行信道的相关矩阵之间的第一关系类型为互相独立，各终端的下行信道状态信息的不确定度之间的第二关系类型为互相独立(简写为)。
Θk＝Θ,τk(条件2)表示各终端的下行信道的相关矩阵之间的第一关系类型为相关矩阵均相同，各终端的下行信道状态信息的不确定度之间的第二关系类型为互相独立。
Θk＝IM,τk(条件3)表示各终端的下行信道的相关矩阵之间的第一关系类型为相关矩阵均为单位矩阵，各终端的下行信道状态信息的不确定度之间的第二关系类型为互相独立。
Θk＝IM,τk＝τ(条件4)表示各终端的下行信道的相关矩阵之间的第一关系类型为相关矩阵均为单位矩阵，各终端的下行信道状态信息的不确定度之间的第二关系类型为不确定度均相同。
上述Θk表示标识为k的终端的下行信道的相关矩阵，IM表示单位矩阵，τk表示标识为k的终端的CSI不确定度(在本公开中τk为需要求解的数值)。
具体的，步骤S102具体包括：基于系统参数和该终端的通信参数，得到先验向量和优化向量；基于对应的条件，对先验向量和优化向量进行处理，得到数据向量；并将先验向量、数值向量和优化向量，确定为目标参数集合(χk)。
步骤S103、接收各终端在对目标信号进行处理之后发送的性能测量信息。
在一种实施方式中，基于预设正则化系数，对基带信号进行正则化迫零(Regularized Zero Forcing，RZF)预编码处理，得到目标信号；分别向各终端发送目标信号；接收各终端在对目标信号进行信干噪比测量和信号均方误差检测之后发送的性能测量信息。
性能测量信息中包括：信干噪比值和均方误差
可选地，性能测量信息可以采用向量的形式表示，例如性能测量信息表示为：
步骤S104、基于各终端的目标参数集合和性能测量信息，确定各终端的下行信道状态信息CSI不确定度。
针对每个终端，基于终端的目标参数集合和性能测量信息，确定终端的下行信道状态信息CSI不确定度。
在一种实施方式中，对终端的目标参数集合进行近似分析处理，得到终端的性能分析信息(包括)；通过预设数据驱动模块，对目标参数集合和性能分析信息进行预测处理，得到终端的性能预测信息(γp,k,MSEp,k)；基于终端的性能预测信息和性能测量信息，确定终端的CSI不确定度。
步骤S105、基于各终端的目标参数集合和CSI不确定度，得到MIMO系统的和速率。
在一种实施方式中，步骤S105具体包括：基于各终端的CSI不确定度，更新各终端的目标参数集合，得到各终端的初始更新参数集合；对各终端的初始更新参数集合进行优化处理，得到MIMO系统的和速率，MIMO系统的和速率为优化处理之后的初始更新参数集合中正则化系数对应的最大和速率。
在一种实施方式中，对各终端的初始更新参数集合进行优化处理，得到MIMO系统的和速率，包括：采用第一优化公式，对各终端的初始更新参数集合进行优化处理，得到MIMO系统的和速率。
第一优化公式为：
其中，V表示第一优化公式的目标函数值，表示MIMO系统的和速率，α表示正则化系数，K表示至少一个终端的总数量，表示初始更新参数集合，Θg表示可学习参数集，gγ表示信干燥比预测函数，表示信干噪比预测值。在公式12中，等于公式9中的γk。
可选地，在训练完毕的性能预测模型(该模型的函数采用g表示)上，采用迭代搜索方法，来优化α以最大化SR。
具体的，基于终端的CSI不确定度，更新终端的目标参数集合，得到终端的初始更新参数集合，包括：
将目标参数集合中优化向量Ok中的τk替换为终端的CSI不确定度，得到终端的初始更新参数集合。其中，终端的初始更新参数集合包括先验向量Prk、数值向量Nk和替换后的优化向量Ok。
可选地，采用算法1，求解公式12，对算法1的说明，请参见表2。
表2
具体的，基于MIMO系统的初始正则化系数，基于迭代搜索的正则化系数的优化算法过程，包括：根据最小正则化值、最大正则化值和划分数量，均分搜索区间得到划分的正则化集合；根据划分的正则化集合，更新数值向量集合，并得到初始更新参数集合；根据公式和初始更新参数集合，预测划分的和速率集合；选取划分的和速率集合中最大值的对应索引，得到最优正则化项索引；更新最小正则化值；更新最大正则化值；该迭代过程重复次数为最大迭代次数，并得到最后一次迭代的最优正则化项索引对应的正则化值，作为优化后的正则化系数。
在图1实施例提供的MIMO系统的性能优化方法中，获取MIMO系统的系统参数；MIMO系统包括基站和至少一个终端；基于系统参数和各终端的通信参数，确定各终端的目标参数集合；接收各终端对目标信号进行处理之后发送的性能测量信息；基于各终端的目标参数集合和性能测量信息，确定各终端对应的下行信道状态信息CSI不确定度；基于各终端的CSI不确定度，确定MIMO系统的正则化系数，可以实现通过真实数据(而不是MIMO系统模型 的相关数据)得到MIMO系统的正则化系数，提高了得到的正则化系数的准确性，进而提高MIMO系统的和速率性能。
在一些实施例中，基于通过公式12得到的正则化系数，更新各终端的初始更新参数集合，得到各终端的目标更新参数集合；对各终端的目标更新参数集合进行优化处理，得到各终端的信号均方误差值；终端的信号均方误差值为优化处理之后目标更新参数集合中的功率缩放因子对应的最小信号均方误差值。
具体的，基于正则化系数，更新终端的初始更新参数集合，得到终端的目标更新参数集合，包括：将初始更新参数集合中的优化向量Ok中的α替换为通过公式12得到正则化系数(即算法1中步骤12的α*)，得到新的优化向量Ok；基于α*更新初始更新参数集合中的数值向量Nk，得到新的数值向量Nk；目标更新参数集合中包括新的优化向量Ok、新的数值向量Nk和初始更新参数集合中的先验向量Prk。
在条件1的情况下，初始更新参数集合的数值向量Nk中的三个元素分别为：将初始更新参数集合的数值向量Nk中的ek、Ψ°与α相关，因此更新ek、Ψ°，得到新的数值向量Nk。
在条件2的情况下，初始更新参数集合的数值向量Nk中的三个元素分别为：
初始更新参数集合的数值向量Nk中的e、e11、e12与α相关，因此更新e、e11、e12，得到新的数值向量Nk。
在条件3的情况下，初始更新参数集合的数值向量Nk中包括一个元素，该元素为： 初始更新参数集合的数值向量Nk中e与α相关，因此更新e，得到新的数值向量Nk。
需要说明的是，在条件4的情况下，由于无数值向量Nk，因此无需对数值向量Nk进行更新。
在一些实施例中，对终端的目标更新参数集合进行优化处理，得到终端的信号均方误差值，包括：采用第二优化公式，对终端的目标更新参数集合进行处理，得到终端的信号均方误差值。
第二优化公式为：
其中，U表示第二优化公式的目标函数值，vk表示终端的归一化功率缩放因子，表示终端的信号均方误差值，gMSE表示均方误差计算函数，表示终端的目标更新参数集合，Θg表示可学习参数集。
与相关技术不同，在相关技术中，基于预测结果，还可以优化得到终端的功率缩放因子，来提高终端的信号检测性能。但是由于MIMO系统模型为对MIMO系统进行建模得到的，与真实MIMO系统存在差异，因此基于预测结果，优化得到的功率缩放因子的准确性较差，进而导致终端的信号检测性能较差。
在本公开中，通过基于通过公式12得到的正则化系数，更新各终端的初始更新参数集合，得到各终端的目标更新参数集合；基于第二优化公式，对各终端的目标更新参数集合进行优化处理，可以得到准确的归一化功率缩放因子，进而得到准确的终端的信号均方误差值，提高终端的信号检测性能。
性能预测问题可被建模为：给定输入集寻找映射f来预测性能指标集以最小化某度量下的预测误差，其中是对集合B取基数。
映射f表示为：其中，Θf是可学习的参数集。
由于对于单纯数据驱动的端到端学习方法，过于复杂的f会导致Θf非常复杂，因此难以训练，因此使用模型驱动的性能逼近先验，将等价地转化为：其中，g是数据模型协同驱动性能预测的映射，Θg是关于g的可学习参数集；h是模型驱动性能逼近的映射，Θh是关于h的数值参数集，W是权重函数，b是偏置函数。
是数据模型协同驱动性能预测的广义形式，可进一步改为广义形式的一个线性实现。
假设χ是Θh的充分统计量，当h闭式表达式存在时，式被简化为
当中的元素互不相关时，W被简化为一个对角阵diag(w)，w是一个权重向量，被改写为：
性能预测模型包括：预设模型驱动模型和预设数据驱动模型。其中，预设模型驱动模型用于确定性能分析信息预设数据驱动模型(即可学习部分)用于基于χk和输出γp,k,MSEp,k。下面结合图2对性能预设模型进行说明。
图2是本公开提供的性能预测模型的结构示意图。如图2所示，性能预测模型包括：预设模型驱动模型和预设数据驱动模型。预设模型驱动模型用于对终端的目标参数集合进行近似分析处理，得到终端的性能分析信息。预设数据驱动模型包括乘法器、加法器、第一线性层、第二线性层、第三线性层、第四线性层、批归一化(Batch Normalization，BN)层和网络层。
其中，第四线性层的输入端接入目标参数集合，第四线性层的输出端通过BN层和网络层的输入端连接，网络层的输出端通过第三线性层与加法器连接、通过第二线性层与乘法器连接；第一线性层的输入端接入性能分析信息，第一线性层的输出端与乘法器连接；乘法器输出终端的性能预测信息。
第一线性层、第二线性层、第三线性层分别包括2个计算单元数。第四线性层的计算单元数是预测模型输入的维数。可选地，网络层包括串联的BN层和修正线性单元(Rectified Linear Unit，ReLU)。可选地，网络层可以为一个或者多个。图2是以网络层的数量为2进行示例性说明。
下面以网络层的数量是1为例，对预设数据驱动模型的工作方法进行说明：目标参数集合依次通过第四线性层、BN层和网络层，得到输出信息A1；输出信息A1通过第二线性层，得到输出信息A2；性能分析信息通过第一线性层，得到输出信息A3；输出信息A3和输出信息A2通过乘法器，得到输出信息A4；输出信息A1通过第三线性层，得到输出信息A5；输出信息A4和输出信息A5通过加法器，得到第三测量信息(γp,k,MSEp,k)。
在一种实施方式中，基于终端的性能预测信息和性能测量信息，确定终端的CSI不确定度，包括：采用CSI不确定度计算公式，对终端的性能预测信息和性能测量信息进行优化处理，得到终端的CSI不确定度；
CSI不确定度计算公式为如下公式14：
其中，τk表示标识为k的终端的CSI不确定度，表示标识为k的终端的性能预测信息，表示标识为k的终端的性能测量信息，表示二范数的平方。可选地，采用如下表示3中所示的算法2，求解公式14。
表3

具体的，基于MIMO系统的初始CSI不确定度，基于迭代搜索的CSI不确定度的估计算法过程，包括：根据最小CSI不确定度值、最大CSI不确定度值和划分数量，均分搜索区间得到划分的CSI不确定度集合；根据划分的CSI不确定度集合，更新目标参数集合，并得到性能预测信息集合；根据公式性能预测信息集合和性能测量信息集合，预测划分的预测误差集合；选取划分的预测误差集合中最小值的对应索引，得到估计的CSI不确定度索引；更新最小CSI不确定度值；更新最大CSI不确定度值；该迭代过程重复次数为最大迭代次数，并得到最后一次迭代的CSI不确定度索引的CSI不确定度值，作为估计的CSI不确定度。
下面结合图3本公开中对公式13进行优化的过程进行说明。
图3是本公开提供的优化过程的示意图。如图3所示，例如在第l-1次更新的结果包括和的情况下，在第l次迭代得到和的过程包括：将输入gMSE(·)得到计算的梯度，得到
将输入神经网络(η-NN)，得到输出信息
将与和的乘积的差值投影到vk的可行区域上，得到更新中的为得到输入
在初始时，l＝1，
将优化的接收机归一化功率缩放因子转化为功率缩放因子发送给用户k进行信号检测。
需要说明的是，图3是采用基于深度展开的投影梯度下降(Projected Gradient Descent，PGD)进行归一化功率缩放因子的优化过程。在PGD中，更新率η为超参数。较小的η可以稳定收敛，但会导致收敛速度慢；较大的η会引起振荡。
为了在收敛速度和鲁棒性之间取得良好的平衡，本公开提出了一种深度展开的PGD，通过一个带参数集Θη的神经网络(Neural Network，NN)使更新速率η具有自适应性，即η-NN根据当前输入自适应地调整更新率。下面结合图4对η-NN的结构进行说明。
图4是本公开提供的η-NN的结构示意图。如图4所示，η-NN包括输入层、隐藏层和输出层。其中，输入层、隐藏层和输出层依次连接。在第l次迭代的过程中，输入层、隐藏层和输出层基于输入的输出输入层的输入维度为2。隐藏层的计算单元数是8，输出维度为1。隐藏层的激励函数均为修正线性单元。输出层的激励函数为10max(min(B,-1),-3)，其中，B表示隐藏层的输出。输出层的激励函数将更新率限制在[10-3,10-1]。
基于监督学习的方式，深度展开的PGD的训练问题被描述为：其满足等式约束： 其中，h是η-NN的映射关系。
在对η-NN训练的过程中，Θη通过小批量梯度下降(Mini-batch Gradient Descent，MBGD)迭代更新直到收敛。使用学习的PP模型g，h的训练是内生的，不需要外部数据。
算法3(如表4所示)中给出了所提出的接收机归一化功率缩放优化算法。功率缩放因子等价地用归一化功率缩放因子来表示并优化计算，然后从BS传输到用户k进行检测。
表4
具体的，基于MIMO系统的初始正则化系数，基于迭代搜索的归一化功率缩放因子的优化算法过程，包括：根据估计的CSI不确定度，优化的正则化项来更新相应的数值向量，并得到目标更新参数集合；根据公式gMSE，和目标更新参数集合，预测信号检测的均方误差；计算关于归一化功率缩放因子的均方误差的梯度；把归一化功率缩放因子及其梯度作为输入向量，输入到η-NN，并得到输出的更新率；根据归一化功率缩放因子及其梯度，和更新率，计算迭代更新后的归一化功率缩放因子；投影归一化功率缩放因子到其可行域上；使用归一化功率缩放因子来更新目标更新参数集合；该迭代过程重复次数为最大迭代次数，并得到最后一次迭代的最优归一化功率缩放因子，作为优化后的归一化功率缩放因子。
可选地，对终端的目标参数集合进行近似分析处理，得到终端的性能分析信息，包括：基于各终端的下行信道的相关矩阵之间的第一关系类型、各终端的下行信道状态信息的不确定度之间的第二关系类型，在多个预设计算公式中确定目标预测计算公式；并通过目标预测计算公式，对终端的目标参数集合进行近似分析处理，得到终端的性能分析信息。
可选地，可以采用如下4种方式确定终端的性能分析信息。
方式41，在第一关系类型为互相独立，第二关系类型为互相独立的情况下，目标预测计算公式为：
其中，表示性能分析信息中包括的信干噪比，k表示终端的标识，表示性能分析信息中包括的均方误差，M表示目标参数集合中包括的天线数量，pk表示目标参数集合中包括的终端对应的信号功率，τk表示目标参数集合中包括的CSI不确定度，ek表示目标参数集合中包括的终端的归一化系数，表示目标参数集合中包括的归一化干扰，Ψ°表示目标参数集合中包括的归一化功率，ρ表示目标参数集合中包括的信噪比，P表示目标参数集合中包括的最大 总发射功率，uk表示目标参数集合中包括的终端的功率缩放因子，σ表示目标参数集合中包括的噪声的标准差。
下面对方式41中目标预测计算公式的得到过程进行说明。
基于相关技术(有限反馈下相关MISO广播频道线性预编码的大系统分析(Large System Analysis of Linear Precoding in Correlated MISO Broadcast Channels Under Limited Feedback))中的公式8元素有效信号功率的确定性等同采用公式15表示：
基于上述相关技术中的公式10的元素干扰功率确定性等同采用公式16表示:
e＝[e1,...,eK]T中的元素是下式的唯一正解采用公式17表示：
近似的Ψ°采用公式18表示：
近似的采用公式19表示：
e′＝[e′1,...,e′K]T，e′采用公式20表示：e′＝(IK-J)-1m   公式20；
e′k＝[e′1,k,...,e′K,k]T，e′k采用公式21表示：e′k＝(IK-J)-1mk公式21；
J中的元素采用公式22表示：
m中的元素采用公式23表示：
mk中的元素采用公式24表示：
基于上述公式15-24，得到标识为k的终端的信干噪比的确定性等同公式为公式25：
得到标识为k的终端MSE的确定性等同公式为公式26：
其中，由剩余信号功率、干扰信号功率和归一化噪声功率组成。其中，公式25和公式26组成目标参数集合。
可选地，在的情况下，则公式26被简化为公式27：
公式26为关于vk的二次方程，对公式26进行最小化处理，得到的最优为：
方式42，在第一关系类型为相关矩阵均相同，且第二关系类型为互相独立的情况下，目标预测计算公式为：
其中，表示性能分析信息中包括的信干噪比，k表示终端的标识，表示性能分析信息中包括的均方误差，M表示目标参数集合中包括的天线数量，P表示目标参数集合中包括的最大总发射功率，pk表示目标参数集合中包括的终端对应的信号功率，K表示目标参数集合中包括的至少一个终端的总数量，τk表示目标参数集合中包括的CSI不确定度，e表示目标参数集合中包括的归一化系数，e22表示目标参数集合中包括的第二归一化系数，α表示正则化系数，β表示目标参数集合中包括的天线用户数比，e12表示目标参数集合中包括的第一归一化系数，ρ表示目标参数集合中包括的信噪比，vk表示目标参数集合中包括的MIMO系统中终端的归一化功率缩放因子，σ表示目标参数集合中包括的噪声的标准差。
下面对方式42中目标预测计算公式的得到过程进行说明。
在Θk＝Θ,的条件下，采用公式29求取e的唯一正解：
e12采用公式31表示：
e22采用公式32表示：
基于上述公式29-32得到第二预测计算公式。
最优采用公式33表示：
方式43，在第一关系类型为相关矩阵均为单位矩阵，第二关系类型为互相独立的情况下，目标预测计算公式为：
其中，表示性能分析信息中包括的信干噪比，k表示终端的标识，表示性能分析信息中包括的均方误差，M表示目标参数集合中包括的天线数量，pk表示目标参数集合中包括的终端对应的信号功率，P表示目标参数集合中包括的最大总发射功率，K表示目标参数集合中包括的至少一个终端的总数量，τk表示目标参数集合中包括的CSI不 确定度，e表示目标参数集合中包括的归一化系数，α表示正则化系数，β表示目标参数集合中包括的天线用户数比，ρ表示目标参数集合中包括的信噪比，vk表示目标参数集合中包括的MIMO系统中终端的归一化功率缩放因子，σ表示目标参数集合中包括的噪声的标准差。
下面对方式43中目标预测计算公式的得到过程进行说明。
在Θk＝IM的情况下，e的闭式解采用公式34表示：
γk的确定性等同闭式解采用公式35表示：
MSEk的确定性等同闭式解采用公式36表示：
最优采用公式37表示：
方式44，在第一关系类型为相关矩阵均为单位矩阵，第二关系类型为不确定度均相同的情况下，目标预测计算公式为：
其中，表示性能分析信息中包括的信干噪比，k表示终端的标识，表示性能分析信息中包括的均方误差，M表示目标参数集合中包括的天线数量，K表示目标参数集合中包括的至少一个终端的总数量，τ表示目标参数集合中包括的CSI不确定度，e表示目标参数集合中包括的归一化系数，α表示正则化系数，β表示目标参数集合中包括的天线用户数比，ρ表示目标参数集合中包括的信噪比，v表示目标参数集合中包括的MIMO系统的归一化功率缩放因子，σ表示目标参数集合中包括的噪声的标准差。
下面对方式44中目标预测计算公式的得到过程进行说明。
最大化式(9)近似值的功率分配策略有每个用户分配到的功率是相同的。此外，在信道相关矩阵为单位阵时，e的闭式解计算公式就是式(48)，即关于γk和MSEk的确定性等同闭式解存在。
因此γk的确定性等同闭式解采用公式38表示：
MSEk的确定性等同闭式解采用公式39表示：
其中vk＝v。当Θk＝IM且τk＝τ时，不同用户的SINR和MSE是相同的。显然，当Θk＝IM简化为Θk＝Θ，这个结论也成立。
最优v*采用公式40表示：
下面结合表5和表6通过仿真实验，对本公开中图2所示的性能预测模型的优劣进行说明。在条件1情况下，进行仿真实验的仿真参数如下表5所示。
表5
在条件2、条件3和条件4的情况下，进行仿真实验的仿真参数如下表6所示。
表6
仿真实验的仿真条件包括：(1)、在条件1、条件2和条件3中，信号功率pK可以为随机分配的；(2)、信道相关矩阵Θk中的元素建模为Θi,j＝r|i-j|，其中，r表示均匀分布在复平面上单位圆中的相关系数，i表示元素所在行的标识，j表示元素所在列的表示；(3)、在SNR为非理想的情况下(即)，设定ρ＝8ρm，ρm表示非理想的SNR，为一个固定常数；
针对标识为k的终端，其接收信号为yk，标识为k的终端采用如下方法得到和接收N(例如为5000、6000等)帧信号，针对在t时刻接收到的一帧信号对进行测量，得到该帧信号对应的采用公式41，对进行检测，得到该帧信号对应的
确定N帧信号各自对应的的第一平均值；
确定N帧信号各自对应的的第二平均值；
将第一平均值确定为
将第一平均值确定为
其中，为检测的信号，Pe为检测的误码率；
性能预测模型用于精确预测MIMO系统的γk和MSEk，其中，为γk的近似值，为MSEk的近似值。
进一步地，基于公式42得到表7中的结果：
其中，为性能预测模型的输出信息组成的向量，为上述和组成的向量。
表7
在上述表7中，{w,b}指示图2所示的性能预测模型，{w}指示图5所示的模型，{b}指示图6所示的模型，数据驱动模型为图7所示的模型，模型驱动模型为图8所示的模型。从表7中可以参出，在4种条件下，{w,b}指示的性能预测模型的实验数据最小，因此本公开提供的{w,b}指示的性能预测模型的预测性能最好。需要说明的是，表7中的实验数据是在网络层的数量为1的情况下得到的。在{w,b}指示性能预测模型中，公式42中的为γp,k和MSEp,k组成的向量。
下面，结合图对基于图5至图8，对基于公式42得到表7的具体过程进行说明。
图5是本公开提供的{w}指示的模型的结构示意图。如图5所示，{w}指示的模型中包括预设模型驱动模型、乘法器、第一线性层、第二线性层、网络层、BN层、第四线性层。在图5中，公式42中的为{w}指示的模型的输出信息和组成的向量。
图6是本公开提供的{b}指示的模型的结构示意图。如图6所示，{b}指示的模型中包括预设模型驱动模型、加法器、第一线性层、第三线性层、网络层、BN层、第四线性层。在图6中，公式42中的为{b}指示的模型的输出信息和组成的向量。
图7是本公开提供的数据驱动模型的结构示意图。如图7所示，数据驱动模型中包括预设模型驱动模型、加法器、第三线性层、网络层、BN层、第四线性层。在图7中，公式42中的为数据驱动模型的输出信息和组成的向量。
图8是本公开提供的模型驱动模型的结构示意图。如图8所示，模型驱动模型中包括预设模型驱动模型。在图8中，公式42中的为数据驱动模型(即预设模型驱动模型)的输出信息和组成的向量。本申请还提供了表8，用于验证基于预测模型的CSI不确定度估计的准确度。
表8
得到表8的实验条件为：划分数量Nτ＝10，最大迭代次数Lτ＝2。
得到表8的实验数据的计算公式为：
下面以条件1、{w,b}指示的模型为例，对得到3.43×10-3的过程进行说明：将χk输入{w,b}指示的模型中，输出信息γp,k,MSEp,k；输出信息γp,k,MSEp,k组成得到用户k反馈的性能测量信息基于通过所述CSI不确定度计算公式对和进行处理，得到τk为MIMO系统的真实值；根据得到3.43×10-3。
通过表8可以看出，{w,b}指示的模型的实验数据最小，因此{w,b}指示的模型的性能最优，模型驱动模型的性能最差。
本公开还提供了表9，用于验证基于性能预测的和速率优化性能。
表9
表9的仿真条件包括：搜索区间划分数Nα＝10，最大迭代次数Lα＝2。
在条件1、{w,b}的情况下，基于如下过程得到6.25：基于性能预测模型，基站获取用户的测量反馈(即性能测量信息)，基于算法1和算法2得到正则化系数，基站使用得到的正则化系数发射信号，以得到6.25(即和速率)。
在条件1、的情况下，基于如下过程得到6.24：基于模型驱动模型，基站获取用户的测量反馈(即目标参数集合)，根据算法1和算法2得到正则化系数，基站使用得到的正则化系数发射信号，以得到6.24(即和速率)。
在件1、的情况下，基于如下过程得到6.14：基于模型驱动模型，基站以固定的来更新终端的目标参数集合，得到终端的初始更新参数集合，根据算法1得到正则化系数，基站使用得到的正则化系数发射信号，以得到6.14(和速率)。
在条件1的情况下，通过如下方法得到最优的6.29：基于MIMO系统，基站通过穷举搜索来优化得到正则化系数项，基站使用得到的正则化项发射信号，以得到6.29(和速率)。
给出了在相应PP模型基础上进行优化的SR结果。在每种情况下，最大值用粗体突出显示，通过穷举搜索得出的最优用(·)*表示。一般来说，提出的带有{w,b}的性能预测模型方法中的性能优于或等于模型驱动方法，并且与最优值的差距较小。同时，由于PP模型不准确，数据驱动方法的SR比模型驱动方法差。
本公开还提供了表10用于基于性能预测的用户信号检测优化性能。
经过RZF预编码后，优化后的结果如表10所示。功率缩放的最大迭代次数Lv＝5。类似地，我们提出的性能预测模型的性能优于或等于数据驱动模型或模型驱动模型，并且提出的性能预测模型的参数与最优值的差距较小。然而，数据或模型驱动方法的检测性能并非在所有情况下都稳定。因此，基于数据模型协同驱动方法(即本公开提供的方法)的优化更为有效。
此外，我们在表9和表10中比较了有和没有CSI不确定度估计的系统性能。采用模型驱动的方式，用常数0.25代替可以观察到，通过CSI不确定度感知和估计，系统性能得到了显着提高。
表10
得到表10的实验条件为：最大迭代次数Lv＝5。
在条件1、{w,b}的情况下，基于如下方法得到0.24：基于性能预测模型，基站获取用户的性能测量信息，根据性能测量信息、算法1和算法2得到正则化系数；基站使用得到正则化系数发射信号；基站使用正则化系数更新初始更新参数集合，得到目标更新参数集合；基站根据目标更新参数集合和算法3做归一化功率缩放因子的优化，并把优化的归一化功率缩放因子等价转化为功率缩放因子，并将功率缩放因子下传到移动终端。移动终端根据接收的功率缩放因子来检测信号，信号检测的均方误差为0.24。
在条件1、的情况下，基于如下方法得到0.26：基于模型驱动的预测模型，基站获取用户的测量反馈，根据算法1做CSI不确定度估计，更新终端的目标参数集合，得到终端的初始更新参数集合。根据初始更新参数集合和算法1做预编码中正则化的优化，更新初始更新参数集合，得到目标更新参数集合。基站使用优化的正则化项来发射信号。基站根据目标更新参数集合和算法3做归一化功率缩放因子的优化，并把优化的归一化功率缩放因子等价转 化为功率缩放因子，并将功率缩放因子下传到移动终端。移动终端根据接收的功率缩放因子来检测信号，信号检测的均方误差为0.26。
在条件1、的情况下，基于如下方法得到0.28：基于模型驱动的预测模型，基站以固定的来更新目标参数集合，得到终端的初始更新参数集合。根据初始更新参数集合和算法1做预编码中正则化的优化。基站使用优化的正则化项来发射信号。基站根据目标更新参数集合和算法3做归一化功率缩放因子的优化，并把优化的归一化功率缩放因子等价转化为功率缩放因子，并将功率缩放因子下传到移动终端。移动终端根据接收的功率缩放因子来检测信号，信号检测的均方误差为0.28。
在条件1的情况下，通过如下方法得到最优的0.22：基于MIMO系统，基站通过穷举搜索来优化正则化系数和功率缩放因子。基站使用优化得到的正则化系数来发射信号，并把优化的功率缩放因子下传到移动终端；移动终端根据接收的功率缩放因子来检测信号，信号检测的均方误差为0.22。
下面对本公开提供的MIMO系统的性能优化装置进行描述，下文描述的MIMO系统的性能优化装置与上文描述的MIMO系统的性能优化方法可相互对应参照。
图9是本公开提供的MIMO系统的性能优化装置的结构示意图。如图9所示，MIMO系统的性能优化装置包括：
获取模块910，设置为获取MIMO系统的系统参数；MIMO系统包括基站和至少一个终端；
确定模块920，设置为基于系统参数和各终端的通信参数，确定各终端的目标参数集合；
接收模块930，设置为接收各终端在对目标信号进行处理后发送的性能测量信息；
确定模块920，还设置为基于各终端的目标参数集合和性能测量信息，确定各终端的CSI不确定度；
确定模块920，还设置为基于各终端的目标参数集合和CSI不确定度，得到MIMO系统的和速率。
根据本公开提供的一种MIMO系统的性能优化装置，确定模块920还具体设置为：基于各终端的CSI不确定度，更新各终端的目标参数集合，得到各终端的初始更新参数集合；对各终端的初始更新参数集合进行优化处理，得到MIMO系统的和速率；MIMO系统的和速率为优化处理之后的初始更新参数集合中正则化系数对应的最大和速率。
根据本公开提供的一种MIMO系统的性能优化装置，确定模块920还具体设置为：采用第一优化公式，对各终端的初始更新参数集合进行优化处理，得到MIMO系统的和速率；第一优化公式为： 其中，V表示第一优化公式的目标函数值，表示MIMO系统的和速率，α表示正则化系数，K表示至少一个终端的总数量，表示初始更新参数集合，Θg表示可学习参数集，gγ表示信干燥比预测函数，表示信干噪比预测值。
根据本公开提供的一种MIMO系统的性能优化装置，确定模块920还设置为：基于正则化系数，更新各终端的初始更新参数集合，得到各终端的目标更新参数集合；对各终端的目标更新参数集合进行优化处理，得到各终端的信号均方误差值；终端的信号均方误差值为优化处理之后目标更新参数集合中的功率缩放因子对应的最小信号均方误差值。
根据本公开提供的一种MIMO系统的性能优化装置，确定模块920还具体设置为：采用第二优化公式，对终端的目标更新参数集合进行处理，得到终端的信号均方误差值；第二优化公式为：其中，U表示第二优化公式的目标函数值，vk表示终端的归一化功率缩放因子，表示终端的信号均方误差值，gMSE表示均方误差计算函数，表示终端的目标更新参数集合，Θg表示可学习参数集。
根据本公开提供的一种MIMO系统的性能优化装置，确定模块920，还设置为基于预设正则化系数，对基带信号进行正则化迫零预编码处理，得到目标信号；发送模块940，设置为分别向各终端发送目标信号；接收模块930，设置为接收各终端在对目标信号进行信干噪比测量和信号均方误差检测之后发送的性能测量信息。
根据本公开提供的一种MIMO系统的性能优化装置，确定模块920还具体设置为：对终端的目标参数集合进行近似分析处理，得到终端的性能分析信息；通过预设数据驱动模型，对目标参数集合和性能分析信息进行性能预测处理，得到终端的性能预测信息；基于终端的性能预测信息和性能测量信息，确定终端的CSI不确定度。
根据本公开提供的一种MIMO系统的性能优化装置，确定模块920还具体设置为：基于各终端的下行信道的相关矩阵之间的第一关系类型、各终端的下行信道状态信息的不确定度之间的第二关系类型，在多个预设计算公式中 确定目标预测计算公式；并通过目标预测计算公式，对终端的目标参数集合进行近似分析处理，得到终端的性能分析信息。
根据本公开提供的一种MIMO系统的性能优化装置，在第一关系类型为互相独立，第二关系类型为互相独立的情况下，目标预测计算公式为：
其中，表示性能分析信息中包括的信干噪比，k表示终端的标识，表示性能分析信息中包括的均方误差，M表示目标参数集合中包括的天线数量，pk表示目标参数集合中包括的终端对应的信号功率，τk表示目标参数集合中包括的CSI不确定度，ek表示目标参数集合中包括的终端的归一化系数，表示目标参数集合中包括的归一化干扰，Ψ°表示目标参数集合中包括的归一化功率，ρ表示目标参数集合中包括的信噪比，P表示目标参数集合中包括的最大总发射功率，uk表示目标参数集合中包括的终端的功率缩放因子，σ表示目标参数集合中包括的噪声的标准差。
根据本公开提供的一种MIMO系统的性能优化装置，在第一关系类型为相关矩阵均相同，第二关系类型为互相独立的情况下，目标预测计算公式为：
其中，表示性能分析信息中包括的信干噪比，k表示终端的标识，表示性能分析信息中包括的均方误差，M表示目标参数集合中包括的天线数量，P表示目标参数集合中包括的最大总发射功率，pk表示目标参数集合中包括的终端对应的信号功率，K表示目标参数集合中包括的至少一个终端的总数量，τk表示目标参数集合中包括的CSI不确定度，e表示目标参数集合中包括的归一化系数，e22表示目标参数集合中包括的第二归一化系数，α表示正则化系数，β表示目标参数集合中包括的天线用户数比，e12表示目标参数集合中包括的第一归一化系数，ρ表示目标参数集合中包括的信噪比，vk表示目标参数集合中包括的MIMO系统中终端的归一化功率缩放因子，σ表示目标参数集合中包括的噪声的标准差。
根据本公开提供的一种MIMO系统的性能优化装置，在第一关系类型为相关矩阵均为单位矩阵，第二关系类型为互相独立的情况下，目标预测计算公式为：
其中，表示性能分析信息中包括的信干噪比，k表示终端的标识，表示性能分析信息中包括的均方误差，M表示目标参数集合中包括的天线数量，pk表示目标参数集合中包括的终端对应的信号功率，P表示目标参数集合中包括的最大总发射功率，K表示目标参数集合中包括的至少一个终端的总数量，τk表示目标参数集合中包括的CSI不确定度，e表示目标参数集合中包括的归一化系数，α表示正则化系数，β表示目标参数集合中包括的天线用户数比，ρ表示目标参数集合中包括的信噪比，vk表示目标参数集合中包括的MIMO系统中终端的归一化功率缩放因子，σ表示目标参数集合中包括的噪声的标准差。
根据本公开提供的一种MIMO系统的性能优化装置，在第一关系类型为相关矩阵均为单位矩阵，第二关系类型 为不确定度均相同的情况下，目标预测计算公式为：
其中，表示性能分析信息中包括的信干噪比，k表示终端的标识，表示性能分析信息中包括的均方误差，M表示目标参数集合中包括的天线数量，K表示目标参数集合中包括的至少一个终端的总数量，τ表示目标参数集合中包括的CSI不确定度，e表示目标参数集合中包括的归一化系数，α表示正则化系数，β表示目标参数集合中包括的天线用户数比，ρ表示目标参数集合中包括的信噪比，v表示目标参数集合中包括的MIMO系统的归一化功率缩放因子，σ表示目标参数集合中包括的噪声的标准差。
根据本公开提供的一种MIMO系统的性能优化装置，确定模块具体设置为：采用CSI不确定度计算公式，对终端的性能预测信息和性能测量信息进行优化处理，得到终端的CSI不确定度；CSI不确定度计算公式为：其中，τk表示终端的CSI不确定度，表示性能预测信息，表示性能测量信息。
根据本公开提供的一种MIMO系统的性能优化装置，预设数据驱动模块包括：乘法器、加法器、第一线性层、第二线性层、第三线性层、第四线性层、批归一化BN层和网络层；其中，第四线性层的输入端接入目标参数集合，第四线性层的输出端通过BN层和网络层的输入端连接，网络层的输出端通过第三线性层与加法器连接、通过第二线性层与乘法器连接；第一线性层的输入端接入性能分析信息，第一线性层的输出端与乘法器连接；乘法器输出终端的性能预测信息。
图10是本公开提供的电子设备的实体结构示意图。如图10所示，该电子设备可以包括：处理器(processor)1010、通信接口(Communications Interface)1020、存储器(memory)1030和通信总线1040，其中，处理器1010，通信接口1020，存储器1030通过通信总线1040完成相互间的通信。处理器1010可以调用存储器1030中的逻辑指令，以执行MIMO系统的性能优化方法，该方法包括：通过获取MIMO系统的系统参数；MIMO系统包括基站和至少一个终端；基于系统参数和各终端的通信参数，确定各终端的目标参数集合；分别向各终端发送目标信号，并接收各终端发送的性能测量信息，性能测量信息为对应的终端对目标信号进行测量及检测得到的；针对每个终端，基于终端的目标参数集合和性能测量信息，确定终端对应的下行信道状态信息CSI不确定度；基于各终端的CSI不确定度，确定MIMO系统的正则化系数和各终端的功率缩放因子。
此外，上述的存储器1030中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对相关技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本公开还提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，计算机程序被处理器执行时，计算机能够执行上述各方法所提供的MIMO系统的性能优化方法，该方法包括：通过获取MIMO系统的系统参数；MIMO系统包括基站和至少一个终端；基于系统参数和各终端的通信参数，确定各终端的目标参数集合；分别向各终端发送目标信号，并接收各终端发送的性能测量信息，性能测量信息为对应的终端对目标信号进行测量及检测得到的；针对每个终端，基于终端的目标参数集合和性能测量信息，确定终端对应的下行信道状态信息CSI不确定度；基于各终端的CSI不确定度，确定MIMO系统的正则化系数和各终端的功率缩放因子。
又一方面，本公开还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的MIMO系统的性能优化方法，该方法包括：通过获取MIMO系统的系统参数；MIMO 系统包括基站和至少一个终端；基于系统参数和各终端的通信参数，确定各终端的目标参数集合；分别向各终端发送目标信号，并接收各终端发送的性能测量信息，性能测量信息为对应的终端对目标信号进行测量及检测得到的；针对每个终端，基于终端的目标参数集合和性能测量信息，确定终端对应的下行信道状态信息CSI不确定度；基于各终端的CSI不确定度，确定MIMO系统的正则化系数和各终端的功率缩放因子。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方式。
最后应说明的是：以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围。

Claims (30)

  1. 一种MIMO系统的性能优化方法，其中，包括：
    获取MIMO系统的系统参数；所述MIMO系统包括基站和至少一个终端；
    基于所述系统参数和所述各终端的通信参数，确定所述各终端的目标参数集合；
    接收所述各终端在对所述目标信号进行处理后发送的性能测量信息；
    基于所述各终端的目标参数集合和性能测量信息，确定所述各终端的CSI不确定度；
    基于所述各终端的目标参数集合和CSI不确定度，得到所述MIMO系统的和速率。
  2. 根据权利要求1所述的MIMO系统的性能优化方法，其中，所述基于所述各终端的目标参数集合和CSI不确定度，得到所述MIMO系统的和速率，包括：
    基于所述各终端的CSI不确定度，更新所述各终端的目标参数集合，得到所述各终端的初始更新参数集合；
    对所述各终端的初始更新参数集合进行优化处理，得到所述MIMO系统的和速率；所述MIMO系统的和速率为优化处理之后的初始更新参数集合中正则化系数对应的最大和速率。
  3. 根据权利要求2所述的MIMO系统的性能优化方法，其中，所述对所述各终端的初始更新参数集合进行优化处理，得到所述MIMO系统的和速率，包括：
    采用第一优化公式，对所述各终端的初始更新参数集合进行优化处理，得到所述MIMO系统的和速率；
    所述第一优化公式为：
    其中，V表示所述第一优化公式的目标函数值，表示所述MIMO系统的和速率，α表示所述正则化系数，K表示所述至少一个终端的总数量，表示所述初始更新参数集合，Θg表示可学习参数集，gγ表示信干燥比预测函数，表示信干噪比预测值。
  4. 根据权利要求2所述的MIMO系统的性能优化方法，其中，所述方法还包括：
    基于所述正则化系数，更新所述各终端的初始更新参数集合，得到所述各终端的目标更新参数集合；
    对所述各终端的目标更新参数集合进行优化处理，得到所述各终端的信号均方误差值；所述终端的信号均方误差值为优化处理之后所述目标更新参数集合中的功率缩放因子对应的最小信号均方误差值。
  5. 根据权利要求4所述的MIMO系统的性能优化方法，其中，对所述终端的目标更新参数集合进行优化处理，得到所述终端的信号均方误差值，包括：
    采用第二优化公式，对所述终端的目标更新参数集合进行处理，得到所述终端的信号均方误差值；
    所述第二优化公式为：
    其中，U表示第二优化公式的目标函数值，vk表示所述终端的归一化功率缩放因子，表示所述终端的信号均方误差值，gMSE表示均方误差计算函数，表示所述终端的目标更新参数集合，Θg表示可学习参数集。
  6. 根据权利要求1至5任一项所述的MIMO系统的性能优化方法，其中，所述接收所述终端各在对所述目标信号进行处理后发送的性能测量信息，包括：
    基于预设正则化系数，对基带信号进行正则化迫零预编码处理，得到所述目标信号；
    分别向所述各终端发送所述目标信号；
    接收所述各终端在对所述目标信号进行信干噪比测量和信号均方误差检测之后发送的性能测量信息。
  7. 根据权利要求1至5任一项所述的MIMO系统的性能优化方法，其中，基于所述终端的目标参数集合和性能测量信息，确定所述终端的CSI不确定度，包括：
    对所述终端的目标参数集合进行近似分析处理，得到所述终端的性能分析信息；
    通过预设数据驱动模型，对所述目标参数集合和所述性能分析信息进行性能预测处理，得到所述终端的性能预测信息；
    基于所述终端的性能预测信息和性能测量信息，确定所述终端的CSI不确定度。
  8. 根据权利要求7所述的MIMO系统的性能优化方法，其中，所述对所述终端的目标参数集合进行近似分析处理，得到所述终端的性能分析信息，包括：
    基于所述各终端的下行信道的相关矩阵之间的第一关系类型、所述各终端的下行信道状态信息的不确定度之间 的第二关系类型，在多个预设计算公式中确定目标预测计算公式；
    并通过所述目标预测计算公式，对所述终端的目标参数集合进行近似分析处理，得到所述终端的性能分析信息。
  9. 根据权利要求8所述的MIMO系统的性能优化方法，其中，在所述第一关系类型为互相独立，所述第二关系类型为互相独立的情况下，
    所述目标预测计算公式为：
    其中，表示所述性能分析信息中包括的信干噪比，k表示所述终端的标识，表示所述性能分析信息中包括的均方误差，M表示所述目标参数集合中包括的天线数量，pk表示所述目标参数集合中包括的所述终端对应的信号功率，τk表示所述目标参数集合中包括的CSI不确定度，ek表示所述目标参数集合中包括的所述终端的归一化系数，表示所述目标参数集合中包括的归一化干扰，Ψ°表示所述目标参数集合中包括的归一化功率，ρ表示所述目标参数集合中包括的信噪比，P表示所述目标参数集合中包括的最大总发射功率，uk表示所述目标参数集合中包括的所述终端的功率缩放因子，σ表示所述目标参数集合中包括的噪声的标准差。
  10. 根据权利要求8所述的MIMO系统的性能优化方法，其中，在所述第一关系类型为相关矩阵均相同，所述第二关系类型为互相独立的情况下，
    所述目标预测计算公式为：
    其中，表示所述性能分析信息中包括的信干噪比，k表示所述终端的标识，表示所述性能分析信息中包括的均方误差，M表示所述目标参数集合中包括的天线数量，P表示所述目标参数集合中包括的最大总发射功率，pk表示所述目标参数集合中包括的所述终端对应的信号功率，K表示所述目标参数集合中包括的所述至少一个终端的总数量，τk表示所述目标参数集合中包括的CSI不确定度，e表示所述目标参数集合中包括的归一化系数，e22表示所述目标参数集合中包括的第二归一化系数，α表示正则化系数，β表示所述目标参数集合中包括的天线用户数比，e12表示所述目标参数集合中包括的第一归一化系数，ρ表示所述目标参数集合中包括的信噪比，vk表示所述目标参数集合中包括的所述MIMO系统中所述终端的归一化功率缩放因子，σ表示所述目标参数集合中包括的噪声的标准差。
  11. 根据权利要求8所述的MIMO系统的性能优化方法，其中，在所述第一关系类型为相关矩阵均为单位矩阵，所述第二关系类型为互相独立的情况下，所述目标预测计算公式为：
    其中，表示所述性能分析信息中包括的信干噪比，k表示所述终端的标识，表示所述性能分析信息中包括的均方误差，M表示所述目标参数集合中包括的天线数量，pk表示所述目标参数集合中包括的所述终端对应的信号功率，P表示所述目标参数集合中包括的最大总发射功率，K表示所述目标参数集合中包括的所述至少一个终端的总数量，τk表示所述目标参数集合中包括的CSI不确定度，e表示所述目标参数集合中包括的归一化系数，α表示正则 化系数，β表示所述目标参数集合中包括的天线用户数比，ρ表示所述目标参数集合中包括的信噪比，vk表示所述目标参数集合中包括的所述MIMO系统中所述终端的归一化功率缩放因子，σ表示所述目标参数集合中包括的噪声的标准差。
  12. 根据权利要求8所述的MIMO系统的性能优化方法，其中，在所述第一关系类型为相关矩阵均为单位矩阵，所述第二关系类型为不确定度均相同的情况下，所述目标预测计算公式为：
    其中，表示所述性能分析信息中包括的信干噪比，k表示所述终端的标识，表示所述性能分析信息中包括的均方误差，M表示所述目标参数集合中包括的天线数量，K表示所述目标参数集合中包括的所述至少一个终端的总数量，τ表示所述目标参数集合中包括的CSI不确定度，e表示所述目标参数集合中包括的归一化系数，α表示正则化系数，β表示所述目标参数集合中包括的天线用户数比，ρ表示所述目标参数集合中包括的信噪比，v表示所述目标参数集合中包括的所述MIMO系统的归一化功率缩放因子，σ表示所述目标参数集合中包括的噪声的标准差。
  13. 根据权利要求7所述的MIMO系统的性能优化方法，其中，所述基于所述终端的性能预测信息和性能测量信息，确定所述终端的CSI不确定度，包括：
    采用CSI不确定度计算公式，对所述终端的性能预测信息和性能测量信息进行优化处理，得到所述终端的CSI不确定度；
    所述CSI不确定度计算公式为：
    其中，τk表示所述终端的CSI不确定度，yp,k表示所述性能预测信息，ym,k表示所述性能测量信息。
  14. 根据权利要求7所述的MIMO系统的性能优化方法，其中，所述预设数据驱动模块包括：乘法器、加法器、第一线性层、第二线性层、第三线性层、第四线性层、批归一化BN层和网络层；其中，
    所述第四线性层的输入端接入所述目标参数集合，所述第四线性层的输出端通过所述BN层和所述网络层的输入端连接，所述网络层的输出端通过所述第三线性层与所述加法器连接、通过所述第二线性层与所述乘法器连接；
    所述第一线性层的输入端接入所述性能分析信息，所述第一线性层的输出端与所述乘法器连接；
    所述乘法器输出所述终端的性能预测信息。
  15. 一种MIMO系统的性能优化装置，其中，包括：
    获取模块，设置为获取MIMO系统的系统参数；所述MIMO系统包括基站和至少一个终端；
    确定模块，设置为基于所述系统参数和所述各终端的通信参数，确定所述各终端的目标参数集合；
    接收模块，设置为接收所述各终端在对所述目标信号进行处理后发送的性能测量信息；
    所述确定模块，还设置为基于所述各终端的目标参数集合和性能测量信息，确定所述各终端的CSI不确定度；
    所述确定模块，还设置为基于所述各终端的目标参数集合和CSI不确定度，得到所述MIMO系统的和速率。
  16. 根据权利要15所述的MIMO系统的性能优化装置，其中，所述确定模块，还具体设置为：
    基于所述各终端的CSI不确定度，更新所述各终端的目标参数集合，得到所述各终端的初始更新参数集合；
    对所述各终端的初始更新参数集合进行优化处理，得到所述MIMO系统的和速率；所述MIMO系统的和速率为优化处理之后的初始更新参数集合中正则化系数对应的最大和速率。
  17. 根据权利要求16所述的MIMO系统的性能优化装置，其中，所述确定模块，还具体设置为：
    采用第一优化公式，对所述各终端的初始更新参数集合进行优化处理，得到所述MIMO系统的和速率；
    所述第一优化公式为：
    其中，V表示所述第一优化公式的目标函数值，表示所述MIMO系统的和速率，α表 示所述正则化系数，K表示所述至少一个终端的总数量，表示所述初始更新参数集合，Θg表示可学习参数集，gγ表示信干燥比预测函数，表示信干噪比预测值。
  18. 根据权利要求16所述的MIMO系统的性能优化装置，其中，所述确定模块，还具体设置为：
    基于所述正则化系数，更新所述各终端的初始更新参数集合，得到所述各终端的目标更新参数集合；
    对所述各终端的目标更新参数集合进行优化处理，得到所述各终端的信号均方误差值；所述终端的信号均方误差值为优化处理之后所述目标更新参数集合中的功率缩放因子对应的最小信号均方误差值。
  19. 根据权利要求18所述的MIMO系统的性能优化装置，其中，所述确定模块，还具体设置为：
    采用第二优化公式，对所述终端的目标更新参数集合进行处理，得到所述终端的信号均方误差值；
    所述第二优化公式为：
    其中，U表示第二优化公式的目标函数值，vk表示所述终端的归一化功率缩放因子，表示所述终端的信号均方误差值，gMSE表示均方误差计算函数，表示所述终端的目标更新参数集合，Θg表示可学习参数集。
  20. 根据权利要求15至19任一项所述的MIMO系统的性能优化装置，其中，
    所述确定模块，还设置为基于预设正则化系数，对基带信号进行正则化迫零预编码处理，得到所述目标信号；
    所述发送模块，设置为分别向所述各终端发送所述目标信号；
    所述接收模块，设置为接收所述各终端在对所述目标信号进行信干噪比测量和信号均方误差检测之后发送的性能测量信息。
  21. 根据权利要求15至19任一项所述的MIMO系统的性能优化装置，所述确定模块，还具体设置为：
    对所述终端的目标参数集合进行近似分析处理，得到所述终端的性能分析信息；
    通过预设数据驱动模型，对所述目标参数集合和所述性能分析信息进行性能预测处理，得到所述终端的性能预测信息；
    基于所述终端的性能预测信息和性能测量信息，确定所述终端的CSI不确定度。
  22. 根据权利要求21所述的MIMO系统的性能优化装置，其中，所述确定模块，还具体设置为：
    基于所述各终端的下行信道的相关矩阵之间的第一关系类型、所述各终端的下行信道状态信息的不确定度之间的第二关系类型，在多个预设计算公式中确定目标预测计算公式；
    并通过所述目标预测计算公式，对所述终端的目标参数集合进行近似分析处理，得到所述终端的性能分析信息。
  23. 根据权利要求22所述的MIMO系统的性能优化装置，其中，在所述第一关系类型为互相独立，所述第二关系类型为互相独立的情况下，
    所述目标预测计算公式为：
    其中，表示所述性能分析信息中包括的信干噪比，k表示所述终端的标识，表示所述性能分析信息中包括的均方误差，M表示所述目标参数集合中包括的天线数量，pk表示所述目标参数集合中包括的所述终端对应的信号功率，τk表示所述目标参数集合中包括的CSI不确定度，ek表示所述目标参数集合中包括的所述终端的归一化系数，表示所述目标参数集合中包括的归一化干扰，Ψ°表示所述目标参数集合中包括的归一化功率，ρ表示所述目标参数集合中包括的信噪比，P表示所述目标参数集合中包括的最大总发射功率，uk表示所述目标参数集合中包括的所述终端的功率缩放因子，σ表示所述目标参数集合中包括的噪声的标准差。
  24. 根据权利要求22所述的MIMO系统的性能优化装置，其中，在所述第一关系类型为相关矩阵均相同，所述第二关系类型为互相独立的情况下，
    所述目标预测计算公式为：
    其中，表示所述性能分析信息中包括的信干噪比，k表示所述终端的标识，表示所述性能分析信息中包括的均方误差，M表示所述目标参数集合中包括的天线数量，P表示所述目标参数集合中包括的最大总发射功率，pk表示所述目标参数集合中包括的所述终端对应的信号功率，K表示所述目标参数集合中包括的所述至少一个终端的总数量，τk表示所述目标参数集合中包括的CSI不确定度，e表示所述目标参数集合中包括的归一化系数，e22表示所述目标参数集合中包括的第二归一化系数，α表示正则化系数，β表示所述目标参数集合中包括的天线用户数比，e12表示所述目标参数集合中包括的第一归一化系数，ρ表示所述目标参数集合中包括的信噪比，vk表示所述目标参数集合中包括的所述MIMO系统中所述终端的归一化功率缩放因子，σ表示所述目标参数集合中包括的噪声的标准差。
  25. 根据权利要求22所述的MIMO系统的性能优化装置，其中，在所述第一关系类型为相关矩阵均为单位矩阵，所述第二关系类型为互相独立的情况下，所述目标预测计算公式为：
    其中，表示所述性能分析信息中包括的信干噪比，k表示所述终端的标识，表示所述性能分析信息中包括的均方误差，M表示所述目标参数集合中包括的天线数量，pk表示所述目标参数集合中包括的所述终端对应的信号功率，P表示所述目标参数集合中包括的最大总发射功率，K表示所述目标参数集合中包括的所述至少一个终端的总数量，τk表示所述目标参数集合中包括的CSI不确定度，e表示所述目标参数集合中包括的归一化系数，α表示正则化系数，β表示所述目标参数集合中包括的天线用户数比，ρ表示所述目标参数集合中包括的信噪比，vk表示所述目标参数集合中包括的所述MIMO系统中所述终端的归一化功率缩放因子，σ表示所述目标参数集合中包括的噪声的标准差。
  26. 根据权利要求22所述的MIMO系统的性能优化装置，其中，在所述第一关系类型为相关矩阵均为单位矩阵，所述第二关系类型为不确定度均相同的情况下，所述目标预测计算公式为：
    其中，表示所述性能分析信息中包括的信干噪比，k表示所述终端的标识，表示所述性能分析信息中包括的均方误差，M表示所述目标参数集合中包括的天线数量，K表示所述目标参数集合中包括的所述至少一个终端的总数量，τ表示所述目标参数集合中包括的CSI不确定度，e表示所述目标参数集合中包括的归一化系数，α表示正则化系数，β表示所述目标参数集合中包括的天线用户数比，ρ表示所述目标参数集合中包括的信噪比，v表示所述目标参数集合中包括的所述MIMO系统的归一化功率缩放因子，σ表示所述目标参数集合中包括的噪声的标准差。
  27. 根据权利要求21所述的MIMO系统的性能优化装置，其中，所述确定模块具体设置为：
    采用CSI不确定度计算公式，对所述终端的性能预测信息和性能测量信息进行优化处理，得到所述终端的CSI不确定度；
    所述CSI不确定度计算公式为：
    其中，τk表示所述终端的CSI不确定度，yp,k表示所述性能预测信息，ym,k表示所述性能测量信息。
  28. 根据权利要求21所述的MIMO系统的性能优化装置，其中，所述预设数据驱动模块包括：乘法器、加法器、第一线性层、第二线性层、第三线性层、第四线性层、批归一化BN层和网络层；其中，
    所述第四线性层的输入端接入所述目标参数集合，所述第四线性层的输出端通过所述BN层和所述网络层的输入端连接，所述网络层的输出端通过所述第三线性层与所述加法器连接、通过所述第二线性层与所述乘法器连接；
    所述第一线性层的输入端接入所述性能分析信息，所述第一线性层的输出端与所述乘法器连接；
    所述乘法器输出所述终端的性能预测信息。
  29. 一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如权利要求1至14任一项所述MIMO系统的性能优化方法。
  30. 一种非暂态计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至14任一项所述MIMO系统的性能优化方法。
PCT/CN2023/080818 2022-07-29 2023-03-10 Mimo系统的性能优化方法、装置、设备及存储介质 WO2024021620A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210908325.4 2022-07-29
CN202210908325.4A CN115459813B (zh) 2022-07-29 2022-07-29 Mimo系统的性能优化方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
WO2024021620A1 true WO2024021620A1 (zh) 2024-02-01

Family

ID=84297254

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2023/080818 WO2024021620A1 (zh) 2022-07-29 2023-03-10 Mimo系统的性能优化方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN115459813B (zh)
WO (1) WO2024021620A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115459813B (zh) * 2022-07-29 2024-01-23 网络通信与安全紫金山实验室 Mimo系统的性能优化方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200204226A1 (en) * 2017-08-31 2020-06-25 Southeast University Massive mimo robust precoding transmission method
WO2021151855A1 (en) * 2020-01-31 2021-08-05 Nokia Technologies Oy Csi accuracy indicator reporting for mu-mimo broadcast channel
CN114499607A (zh) * 2022-02-15 2022-05-13 南京斯克玛电子科技有限公司 一种基于智能反射面mimo系统的可达和速率优化方法
CN114665937A (zh) * 2022-03-02 2022-06-24 网络通信与安全紫金山实验室 一种多输入多输出收发机设计方法及装置
CN115459813A (zh) * 2022-07-29 2022-12-09 网络通信与安全紫金山实验室 Mimo系统的性能优化方法、装置、设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090213741A1 (en) * 2008-02-27 2009-08-27 The Hong Kong University Of Science And Technology Multi-user MIMO systems with Imperfect CSIT and ARQ
US8583161B2 (en) * 2009-10-30 2013-11-12 Htc Corporation Method of performing feedback load reduction and related communication device
CN109428641B (zh) * 2017-09-01 2021-10-15 华为技术有限公司 数据传输方法和装置
CN114567358B (zh) * 2022-03-03 2023-04-07 东南大学 大规模mimo鲁棒wmmse预编码器及其深度学习设计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200204226A1 (en) * 2017-08-31 2020-06-25 Southeast University Massive mimo robust precoding transmission method
WO2021151855A1 (en) * 2020-01-31 2021-08-05 Nokia Technologies Oy Csi accuracy indicator reporting for mu-mimo broadcast channel
CN114499607A (zh) * 2022-02-15 2022-05-13 南京斯克玛电子科技有限公司 一种基于智能反射面mimo系统的可达和速率优化方法
CN114665937A (zh) * 2022-03-02 2022-06-24 网络通信与安全紫金山实验室 一种多输入多输出收发机设计方法及装置
CN115459813A (zh) * 2022-07-29 2022-12-09 网络通信与安全紫金山实验室 Mimo系统的性能优化方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115459813A (zh) 2022-12-09
CN115459813B (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
Yang et al. Federated learning via over-the-air computation
JP5220859B2 (ja) マルチユーザプリコーディング及びスケジューリングの方法並びにそれを実施するための基地局
Cheng et al. Optimal pilot and payload power control in single-cell massive MIMO systems
Liu et al. Online successive convex approximation for two-stage stochastic nonconvex optimization
WO2024021620A1 (zh) Mimo系统的性能优化方法、装置、设备及存储介质
CN114567358B (zh) 大规模mimo鲁棒wmmse预编码器及其深度学习设计方法
Zheng et al. Deep learning based trainable approximate message passing for massive MIMO detection
EP3468080B1 (en) System and method for selecting transmission parameters for rank two mimo transmission
Ghavami et al. Noncoherent massive MIMO detection by expectation propagation
Cohen et al. Bayesian active meta-learning for reliable and efficient AI-based demodulation
Rajapaksha et al. Unsupervised learning-based joint power control and fronthaul capacity allocation in cell-free massive MIMO with hardware impairments
US9577768B2 (en) Method for determining a performance of a MIMO communication and communication device
TWI741619B (zh) 多輸入輸出系統之參數估測方法
Dai et al. Linear precoder optimization for MIMO systems with joint power constraints
WO2023185978A1 (zh) 信道特征信息上报及恢复方法、终端和网络侧设备
CN103825643B (zh) 基于信道估计误差网络鲁棒性波束成形设计方法
EP3306829B1 (en) Method for transmitting data via a mimo channel-based wireless communication system
CN113037409B (zh) 基于深度学习的大规模mimo系统信号检测方法
Bobrov et al. Machine learning methods for spectral efficiency prediction in massive mimo systems
US20230125744A1 (en) Multi-user pre-coding
Zhang et al. Robust CSI estimation under complex communication environment
CN115987340B (zh) 一种5g物联网信道相干且有限反馈条件下的用户调度方法
Sun et al. Learning statistically robust MIMO detection with imperfect CSI
US20240154653A1 (en) Neural network for mu-mimo user selection
Asadi et al. A fast matrix completion method for index coding

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23844838

Country of ref document: EP

Kind code of ref document: A1