本發(fā)明涉及移動通信技術(shù)領(lǐng)域,具體涉及一種基于深度學習的mimo系統(tǒng)聯(lián)合預編碼和天線選擇方法。
背景技術(shù):
近年來,人們對無線通信的需求日益增高,而現(xiàn)有無線系統(tǒng)已逐漸難以滿足需求,下一代無線系統(tǒng)(5g)的研究愈發(fā)迫切。作為下一代無線通信系統(tǒng)的關(guān)鍵技術(shù)之一,大規(guī)模多輸入多輸出系統(tǒng)(massivemimo)的研究吸引了越來越多的研究者。大規(guī)模mimo天線數(shù)量增多會增加射頻鏈路數(shù)量,這極大的增加了系統(tǒng)成本和復雜度。解決該問題的一個有效方案就是天線選擇。該技術(shù)在保留mimo系統(tǒng)大多數(shù)優(yōu)點的前提下有效地降低了系統(tǒng)成本和復雜度。然而,天線選擇問題本身是一個np-hard問題,求解該問題需要依賴遍歷搜索方法,否則無法得到全局最優(yōu)解。而遍歷搜索方法會使得計算時間復雜度隨天線數(shù)量指數(shù)增加,在大規(guī)模mimo中難以在相干時間內(nèi)計算出最佳的天線選擇方案,因此降低時間復雜度的天線選擇算法在大規(guī)模mimo中極為重要。同時,近年來,隨著深度學習(dl)算法的發(fā)展,神經(jīng)網(wǎng)絡又受到了極大關(guān)注。已有研究表明,深度神經(jīng)網(wǎng)絡在模式分類中具有很高的識別性能并且網(wǎng)絡的預測過程因只涉及矩陣相乘和簡單的非線性操作而非常高效。受此啟發(fā),本發(fā)明擬將天線選擇問題建模成一個模式分類問題,然后利用深度神經(jīng)網(wǎng)絡學習已有天線選擇方法的行為,進而利用深度學習網(wǎng)絡實現(xiàn)mimo系統(tǒng)的天線選擇。
技術(shù)實現(xiàn)要素:
本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足,提供一種基于深度學習的mimo系統(tǒng)聯(lián)合預編碼和天線選擇方法,本發(fā)明方法考慮了mimo系統(tǒng)天線選擇中np-hard問題以及遍歷搜索計算復雜度過高的問題,可以保證在獲得良好系統(tǒng)信噪比的情況下實現(xiàn)快速的天線選擇。
本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的:一種基于深度學習的mimo系統(tǒng)聯(lián)合預編碼和天線選擇方法,包括如下步驟:
(1):利用已有的天線選擇方法得到深度神經(jīng)網(wǎng)絡所需要的訓練數(shù)據(jù)集,所述訓練數(shù)據(jù)集包含兩部分:輸入(input)數(shù)據(jù)集為信道矩陣(h)集合,輸出(output)數(shù)據(jù)集為天線選擇集合;獲取最大發(fā)射功率p;
(2):初始化深度神經(jīng)網(wǎng)絡參數(shù):權(quán)重w、偏置b、學習率l、最大訓練次數(shù)i、處理數(shù)據(jù)大小c、各層神經(jīng)元數(shù)目;
(3):建立深度學習模型,利用步驟1中得到的訓練數(shù)據(jù)集訓練深度學習模型并保存;
(4):利用導頻方法進行信道估計得到信道矩陣h,利用步驟3中保存的深度學習模型,獲得天線選擇集合i;
(5):根據(jù)步驟4得到天線選擇集合i,形成相應的mimo子系統(tǒng)進行預編碼處理即hi=h(:,i),對
與現(xiàn)有技術(shù)相比,本發(fā)明有益效果:本發(fā)明首先通過已有的天線選擇方法產(chǎn)生深度學習所需要的訓練數(shù)據(jù)集;接著,建立深度學習模型,利用訓練數(shù)據(jù)訓練深度學習模型并保存;然后利用保存的深度學習模型完成天線選擇;最后對所選擇的mimo子系統(tǒng)進行最優(yōu)預編碼設計。本發(fā)明利用深度學習技術(shù)設計mimo系統(tǒng)聯(lián)合預編碼和天線選擇,能夠在獲得良好系統(tǒng)信噪比的情況下實現(xiàn)較低的計算復雜度。
附圖說明
圖1是本發(fā)明實施例多輸入多輸出(mimo)系統(tǒng)模型圖。
圖2是本發(fā)明實施例的深度學習(dl)流程圖。
圖3是本發(fā)明實施例最大信噪比和天線規(guī)模關(guān)系圖。
圖4是本發(fā)明實施例算法運行時間和天線規(guī)模關(guān)系圖。
具體實施方式
為了使本發(fā)明的目的和效果更加清楚,下面結(jié)合附圖對本發(fā)明方法的具體實施方式進行詳細說明。
如圖1所示,考慮多輸入多輸出(mimo)系統(tǒng),該系統(tǒng)信號從一個包含n個發(fā)射天線的基站(bs)傳輸?shù)揭粋€有m個接收天線的移動終端,假設任意發(fā)射天線和接收天線間的信道是平坦衰落的,則m×n基帶信道復矩陣記作
g=[g1g2...gm]h(1)
其中
基于接收機的反饋,發(fā)射機選擇k(從n個中)個發(fā)射天線并使用總功率約束來進行預編碼,并傳輸信號
vn={v∈cn:||v||≤1}(2)
那么下變頻的脈沖匹配濾波接收到的m×1的向量為:
其中
其輸出為
那么輸出信噪比就是
其中
我們的目標是選擇k個基站天線并優(yōu)化預編碼向量v以最大化先驗信噪比(6)。也就是,我們尋找下面問題的解v
由于問題(7)中存在||v||0=k約束項,導致問題(7)為一個np-hard問題。求解該問題需要依賴遍歷搜索方法,否則無法得到全局最優(yōu)解。而遍歷搜索方法會使得計算時間復雜度隨天線數(shù)量指數(shù)增加,在mimo中難以在相干時間內(nèi)計算出最佳的天線選擇方案。
因此,本發(fā)明利用深度學習(dl)求解天線選擇問題。
圖2給出了利用深度學習進行mimo系統(tǒng)天線選擇流程圖。具體地,可以描述如下:
一種基于深度學習的mimo系統(tǒng)聯(lián)合預編碼和天線選擇方法,包括如下步驟:
(1):利用已有的天線選擇方法得到深度神經(jīng)網(wǎng)絡所需要的訓練數(shù)據(jù)集,所述訓練數(shù)據(jù)集包含兩部分:輸入(input)數(shù)據(jù)集為信道矩陣(h)集合,輸出(output)數(shù)據(jù)集為天線選擇集合;獲取最大發(fā)射功率p;
(2):初始化深度神經(jīng)網(wǎng)絡參數(shù):權(quán)重w、偏置b、學習率l、最大訓練次數(shù)i、處理數(shù)據(jù)大小c、各層神經(jīng)元數(shù)目;
(3):建立深度學習模型,利用步驟1中得到的訓練數(shù)據(jù)集訓練深度學習模型并保存;
(4):利用導頻方法進行信道估計得到信道矩陣h,利用步驟3中保存的深度學習模型,獲得天線選擇集合i;
(5):根據(jù)步驟4得到天線選擇集合i,形成相應的mimo子系統(tǒng)進行預編碼處理即hi=h(:,i),對
下面通過具體實例對本發(fā)明的技術(shù)方案進行進一步闡述。已有的天線選擇方法有輔助角算法,暴力搜索和稀疏主成分分析算法等,在實驗中,我們利用輔助角算法得到所需的訓練數(shù)據(jù)集。此外,在實驗中,我們采用8-2(8根發(fā)射天線,2根接收天線以及選擇發(fā)射天線數(shù)量等于接收天線數(shù)量),16-2,32-2,64-2進行方法驗證。具體地,使用下面的實驗參數(shù):
①最大訓練次數(shù)i取值范圍為50000-200000,學習率l取值范圍為0.001-0.000001,每次讀取數(shù)據(jù)批次大小c取值范圍為50-2000。
②各層偏置b初始化為0.1,各層權(quán)重w初始化為截斷正態(tài)分布,其中標準差為
③深度學習采用五層網(wǎng)絡:輸入層、三個隱含層、輸出層。各層之間進行批正則化(batchnormalization),隱含層節(jié)點數(shù)分別為4n、2n、2n(n為發(fā)射天線數(shù))。
④激活函數(shù)選擇修正線性單元(relu)函數(shù),輸出層選擇relu6函數(shù),損失函數(shù)采用均方差函數(shù),優(yōu)化函數(shù)選擇隨機梯度下降函數(shù)。
圖3分別給出了深度學習(dl)和輔助角(aa)算法下的最大信噪比和天線規(guī)模關(guān)系圖。從圖中可以看出,dl和aa的最大信噪比性能基本接近。dl保證了良好的系統(tǒng)信噪比。
圖4分別給出了深度學習(dl)和aa的算法運行時間和天線規(guī)模關(guān)系圖。從圖中可以看出,aa隨天線規(guī)模增大計算時間呈指數(shù)級增長,而dl計算時間均為毫秒級。dl所需計算時間比aa減少數(shù)倍,dl可以快速實現(xiàn)mimo系統(tǒng)天線選擇。
本發(fā)明不僅局限于上述具體實施方式,本領(lǐng)域一般技術(shù)人員根據(jù)本發(fā)明公開的內(nèi)容,可以采用其它多種具體實施方案實施本發(fā)明。因此,凡是采用本發(fā)明的設計結(jié)構(gòu)和思路,做一些簡單的變化或更改的設計,都落入本發(fā)明保護范圍。