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)，對進行特征值分解，令最大特征值對應的特征向量為v，取作為預編碼向量。

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)

其中是一個包含n個發(fā)射天線和第m個接收天線間信道系數(shù)的復數(shù)行向量，m＝1，2，…，m。接收機有信道矩陣g的信息。

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，并傳輸信號我們可以等價地說它使用一個預編碼向量v∈vn，服從約束||v||0＝k，其中

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：

其中是一個零均值加性有色復噪聲向量，它的自相關(guān)矩陣記作r。由于y代表一個在有色噪聲干擾下的未知信號向量，最大化信噪比濾波器就是最小均方差(mmse)濾波器

其輸出為

那么輸出信噪比就是

其中是m×n的變換后的信道矩陣。等式(6)顯示了先驗信噪比與預編碼向量的關(guān)系。

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)，對進行特征值分解，令最大特征值對應的特征向量為v，取作為預編碼向量。

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(nin為該層輸入節(jié)點數(shù))。

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。