一种基于深度展开学习算法的收发联合混合波束赋形方法

本发明涉及无线通信，尤其涉及一种基于深度展开学习算法的收发联合混合波束赋形方法。

背景技术：

1、波束赋形是多天线系统中的关键技术之一，通过在用户与基站间建立高度定向链路，显著提高通信系统可靠性。为了降低射频带来的硬件成本及功耗，考虑采用少量射频支持的混合阵列结构。在实际系统中，由于用户具有一定的移动性，用户位置发生变化后基站和用户需要重新进行快速波束赋形以保证定向链路的稳定性。然而，快速波束赋形的难点是如何实时计算波束赋形矩阵，在混合波束赋形架构下，收发两端的数字、模拟波束赋形变量高度耦合，大大提高了波束赋形矩阵实时求解的难度。除此之外，利用波束赋形技术的前提是获取精准的信道状态信息，这在实际系统中也很难实现。

2、虽然目前已有工作研究了混合波束赋形问题，但可应用的技术方案并不满足实时波束赋形的需求。相关技术研究的主要问题体现在以下两个方面：一方面，现有的基于模型驱动的收发联合混合波束赋形算法涉及大量高复杂度矩阵运算，且算法收敛需要进行大量迭代，无法实现快速混合波束赋形。另一方面，现有的基于数据驱动的收发联合混合波束赋形算法可以替代模型驱动算法中的复杂运算，但存在内存要求高、可解释性差等问题。

3、为了解决上述问题，本发明提出了一种基于深度展开学习算法的收发联合混合波束赋形方法。

技术实现思路

1、本发明的目的是提供一种基于深度展开学习算法的收发联合混合波束赋形方法，以较低迭代的次数实现了收发联合混合波束赋形，适用于实时波束赋形场景；深度展开神经网络保留了传统优化算法中梯度计算，模拟波束赋形变量更新等数学运算，可学习参数为梯度下降的步长，神经网络具有一定的可解释性；选用数据驱动的残差连接卷积神经网络对信道状态信息进行去噪处理，实现鲁棒波束赋形。

2、为实现上述目的，本发明提供了一种基于深度展开学习算法的收发联合混合波束赋形方法，包括以下步骤：

3、s1、构建信道模型，对收发维纳滤波问题进行建模；

4、s2、将深度展开学习与传统迭代优化混合波束赋形方法相结合，设计数据模型双驱动的神经网络以及可训练参数并构建用于训练的数据集，经过训练后的神经网络实现信道到混合数字模拟波束赋形矩阵的快速映射；

5、s3、利用信道在角度延时域的相关性，使用数据驱动的深度神经网络对存在误差的信道进行去噪处理，并与数据模型双驱动的神经网络级联，以较低迭代次数实现鲁棒混合波束赋形。

6、优选的，mimo-ofdm通信系统包括一个用户和一个基站，用户和基站都配备均匀平面天线阵列，分别由ka＝ma*na和kb＝mb*nb根天线组成；用户和基站均采用混合模数波束赋形结构；

7、采用具有x个子载波和采样周期为ts的正交频分复用ofdm传输方案，同时在每个ofdm符号之前添加长度为ncpts的循环前缀，避免符号间干扰；在每个子载波上发送ns个独立的数据流。

8、优选的，在步骤s1中，在基站端和用户端均为混合数模架构下的航空mimo-ofdm系统中，在第t个时间块内基站端接收信号，如下所示：

9、

10、其中，表示用户端的射频预编码矩阵，表示用户端的基带预编码矩阵；表示基站端的射频合并矩阵，表示基站端的基带合并矩阵；表示用户与基站间的空频域信道矩阵，是用户发送信号且满足是均值为0方差为的加性高斯白噪声。

11、优选的，最小化基站端接收信号和用户端发送信号间的总均方误差，定义总均方误差为：

12、

13、其中，msex是与第x个子载波相关的均方误差，msex如下所示：

14、

15、其中，μx是给定发射功率和噪声功率下的标量增益因子。

16、优选的，构建收发维纳滤波优化问题，如下所示：

17、

18、其中，用户发射功率约束如下：

19、

20、用户模拟预编码恒模约束如下：

21、

22、基站模拟预编码恒模约束如下：

23、

24、优选的，在步骤s2中，基于深度展开的神经网络结构，如下所示：

25、

26、

27、

28、

29、其中，o是神经网络层数的索引值，p是射频预编码器及射频合并器更新迭代次数的索引值；

30、神经网络的损失函数，如下所示：

31、

32、其中，d表示神经网络训练批尺寸，γ1表示基于深度展开的神经网络可训练参数，即γ1＝[γ1,…,γo],

33、优选的，基于深度展开学习算法的混合波束赋形求解过程可以分为训练过程和应用过程；

34、其中，训练过程的具体步骤如下：

35、(1)给定训练集设定神经网络层数o，训练批尺寸n，学习率η；

36、(2)选择从训练集中选取一组训练批，进行初始化：

37、

38、并基于深度展开的神经网络结构，进行计算：

39、

40、(3)计算损失函数

41、(4)通过损失函数反向梯度传播更新神经网络参数；

42、(5)判断损失值是否收敛，如果是则结束训练并保存可学习参数p＝1,2,...p,o＝1,2,...o}，否则重复步骤(2)-(4)；

43、其中，应用过程不需要更新神经网络，而是直接向训练好的神经网络中输入信道矩阵，经过o层神经网络后输出收发端混合波束赋形矩阵。

44、优选的，在步骤s3中，存在误差的信道如下所示：

45、

46、其中，表示精准的信道矩阵，表示服从零均值和方差为高斯分布的信道误差；

47、通过最小化神经网络输出与准确信道间的归一化均方误差训练残差去噪卷积神经网络，损失函数，如下所示：

48、

49、其中，d'为残差去噪卷积神经网络训练批大小，γ2表示基于深度展开的神经网络可训练参数，为残差去噪卷积神经网络的输出。

50、优选的，信道状态信息残差去噪卷积神经网络的训练过程，具体步骤如下：

51、a.给定由误差信道组成的训练集训练批尺寸n，学习率η；

52、b.选择从训练集中选取一组训练样本；

53、c.计算损失函数

54、d.通过损失函数反向梯度传播更新神经网络参数；

55、e.判断损失值是否收敛，如果是则结束训练并保存卷积神经网络参数，否则重复步骤b-d。

56、因此，本发明采用上述一种基于深度展开学习算法的收发联合混合波束赋形方法，以较低迭代的次数实现了收发联合混合波束赋形，适用于实时波束赋形场景；深度展开神经网络保留了传统优化算法中梯度计算，模拟波束赋形变量更新等数学运算，可学习参数为梯度下降的步长，神经网络具有一定的可解释性；选用数据驱动的残差连接卷积神经网络对信道状态信息进行去噪处理，实现鲁棒波束赋形。

57、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。