本发明涉及移动通信技术领域,具体涉及一种基于深度学习的mimo系统联合预编码和天线选择方法。
背景技术:
近年来,人们对无线通信的需求日益增高,而现有无线系统已逐渐难以满足需求,下一代无线系统(5g)的研究愈发迫切。作为下一代无线通信系统的关键技术之一,大规模多输入多输出系统(massivemimo)的研究吸引了越来越多的研究者。大规模mimo天线数量增多会增加射频链路数量,这极大的增加了系统成本和复杂度。解决该问题的一个有效方案就是天线选择。该技术在保留mimo系统大多数优点的前提下有效地降低了系统成本和复杂度。然而,天线选择问题本身是一个np-hard问题,求解该问题需要依赖遍历搜索方法,否则无法得到全局最优解。而遍历搜索方法会使得计算时间复杂度随天线数量指数增加,在大规模mimo中难以在相干时间内计算出最佳的天线选择方案,因此降低时间复杂度的天线选择算法在大规模mimo中极为重要。同时,近年来,随着深度学习(dl)算法的发展,神经网络又受到了极大关注。已有研究表明,深度神经网络在模式分类中具有很高的识别性能并且网络的预测过程因只涉及矩阵相乘和简单的非线性操作而非常高效。受此启发,本发明拟将天线选择问题建模成一个模式分类问题,然后利用深度神经网络学习已有天线选择方法的行为,进而利用深度学习网络实现mimo系统的天线选择。
技术实现要素:
本发明的目的在于针对现有技术的不足,提供一种基于深度学习的mimo系统联合预编码和天线选择方法,本发明方法考虑了mimo系统天线选择中np-hard问题以及遍历搜索计算复杂度过高的问题,可以保证在获得良好系统信噪比的情况下实现快速的天线选择。
本发明的目的是通过以下技术方案来实现的:一种基于深度学习的mimo系统联合预编码和天线选择方法,包括如下步骤:
(1):利用已有的天线选择方法得到深度神经网络所需要的训练数据集,所述训练数据集包含两部分:输入(input)数据集为信道矩阵(h)集合,输出(output)数据集为天线选择集合;获取最大发射功率p;
(2):初始化深度神经网络参数:权重w、偏置b、学习率l、最大训练次数i、处理数据大小c、各层神经元数目;
(3):建立深度学习模型,利用步骤1中得到的训练数据集训练深度学习模型并保存;
(4):利用导频方法进行信道估计得到信道矩阵h,利用步骤3中保存的深度学习模型,获得天线选择集合i;
(5):根据步骤4得到天线选择集合i,形成相应的mimo子系统进行预编码处理即hi=h(:,i),对
与现有技术相比,本发明有益效果:本发明首先通过已有的天线选择方法产生深度学习所需要的训练数据集;接着,建立深度学习模型,利用训练数据训练深度学习模型并保存;然后利用保存的深度学习模型完成天线选择;最后对所选择的mimo子系统进行最优预编码设计。本发明利用深度学习技术设计mimo系统联合预编码和天线选择,能够在获得良好系统信噪比的情况下实现较低的计算复杂度。
附图说明
图1是本发明实施例多输入多输出(mimo)系统模型图。
图2是本发明实施例的深度学习(dl)流程图。
图3是本发明实施例最大信噪比和天线规模关系图。
图4是本发明实施例算法运行时间和天线规模关系图。
具体实施方式
为了使本发明的目的和效果更加清楚,下面结合附图对本发明方法的具体实施方式进行详细说明。
如图1所示,考虑多输入多输出(mimo)系统,该系统信号从一个包含n个发射天线的基站(bs)传输到一个有m个接收天线的移动终端,假设任意发射天线和接收天线间的信道是平坦衰落的,则m×n基带信道复矩阵记作
g=[g1g2...gm]h(1)
其中
基于接收机的反馈,发射机选择k(从n个中)个发射天线并使用总功率约束来进行预编码,并传输信号
vn={v∈cn:||v||≤1}(2)
那么下变频的脉冲匹配滤波接收到的m×1的向量为:
其中
其输出为
那么输出信噪比就是
其中
我们的目标是选择k个基站天线并优化预编码向量v以最大化先验信噪比(6)。也就是,我们寻找下面问题的解v
由于问题(7)中存在||v||0=k约束项,导致问题(7)为一个np-hard问题。求解该问题需要依赖遍历搜索方法,否则无法得到全局最优解。而遍历搜索方法会使得计算时间复杂度随天线数量指数增加,在mimo中难以在相干时间内计算出最佳的天线选择方案。
因此,本发明利用深度学习(dl)求解天线选择问题。
图2给出了利用深度学习进行mimo系统天线选择流程图。具体地,可以描述如下:
一种基于深度学习的mimo系统联合预编码和天线选择方法,包括如下步骤:
(1):利用已有的天线选择方法得到深度神经网络所需要的训练数据集,所述训练数据集包含两部分:输入(input)数据集为信道矩阵(h)集合,输出(output)数据集为天线选择集合;获取最大发射功率p;
(2):初始化深度神经网络参数:权重w、偏置b、学习率l、最大训练次数i、处理数据大小c、各层神经元数目;
(3):建立深度学习模型,利用步骤1中得到的训练数据集训练深度学习模型并保存;
(4):利用导频方法进行信道估计得到信道矩阵h,利用步骤3中保存的深度学习模型,获得天线选择集合i;
(5):根据步骤4得到天线选择集合i,形成相应的mimo子系统进行预编码处理即hi=h(:,i),对
下面通过具体实例对本发明的技术方案进行进一步阐述。已有的天线选择方法有辅助角算法,暴力搜索和稀疏主成分分析算法等,在实验中,我们利用辅助角算法得到所需的训练数据集。此外,在实验中,我们采用8-2(8根发射天线,2根接收天线以及选择发射天线数量等于接收天线数量),16-2,32-2,64-2进行方法验证。具体地,使用下面的实验参数:
①最大训练次数i取值范围为50000-200000,学习率l取值范围为0.001-0.000001,每次读取数据批次大小c取值范围为50-2000。
②各层偏置b初始化为0.1,各层权重w初始化为截断正态分布,其中标准差为
③深度学习采用五层网络:输入层、三个隐含层、输出层。各层之间进行批正则化(batchnormalization),隐含层节点数分别为4n、2n、2n(n为发射天线数)。
④激活函数选择修正线性单元(relu)函数,输出层选择relu6函数,损失函数采用均方差函数,优化函数选择随机梯度下降函数。
图3分别给出了深度学习(dl)和辅助角(aa)算法下的最大信噪比和天线规模关系图。从图中可以看出,dl和aa的最大信噪比性能基本接近。dl保证了良好的系统信噪比。
图4分别给出了深度学习(dl)和aa的算法运行时间和天线规模关系图。从图中可以看出,aa随天线规模增大计算时间呈指数级增长,而dl计算时间均为毫秒级。dl所需计算时间比aa减少数倍,dl可以快速实现mimo系统天线选择。
本发明不仅局限于上述具体实施方式,本领域一般技术人员根据本发明公开的内容,可以采用其它多种具体实施方案实施本发明。因此,凡是采用本发明的设计结构和思路,做一些简单的变化或更改的设计,都落入本发明保护范围。