一种面向用户为中心网络的深度学习动态波束赋形方法

1.本发明涉及无线通信技术领域，特别涉及深度学习技术以及以用户为中心密集网络场景用户数量动态变化下的基站快速波束赋形研究。


背景技术：

2.在5g以及未来6g场景下，采用基站覆盖小、部署密集的超密网络(ultra
‑
dense network,udn)将是提升系统容量的核心技术。udn中基站覆盖的高重叠会带来严重的干扰问题，因此有必要设计灵活有效的无线电资源控制和干扰管理解决方案。
3.多基站联合波束形成可以有效地解决上述问题。为了解决udn中累积干扰和频繁切换的问题，业界提出了用户中心网络(user
‑
centric network，ucn)。ucn改变了传统蜂窝网络以基站为中心的架构。在联合网络中，几个基站将组成一个集群，集群中的所有基站将联合起来为同一用户传输相同的数据。在波束形成思想中，通过对天线阵列传输的数据进行预编码，可以将多径信号在用户终端位置进行相干叠加，从而达到增强有用信号、减少用户间干扰的目的。
4.然而，传统的数值优化算法，包括波束形成算法，都是迭代算法。这些算法以实时问题的参数为输入，经过多次迭代后生成优化解作为输出。大量的理论分析和实际应用证明了这些算法的性能和精度。然而，这些方法都有一个共同的特点，即较高的计算成本。例如，用于处理无线干扰管理的传统波束形成算法，即加权最小均方误差(weighted minimum mean squared error，wmmse)算法，需要多次迭代。在每一次迭代中都进行了复杂的计算，包括矩阵求逆、相乘等。然而，考虑到系统参数如信道状态信息和用户数量在短时间内高速变化，对于大多数应用(如无线收发器)，算法需要在短时间内完成。随着用户对高服务质量要求的提高，这些传统方法的计算复杂度已不能满足网络的实时性要求。
5.近年来，深度学习在现代通信领域得到了广泛的研究。深度学习可以利用一般的近似定理来学习如何在不使用封闭表达式的情况下近似函数和算法，如深度神经网络(deep neural network，dnn)。但是，现有的基于深度学习的功率控制方案只能预测相对固定的场景，无法应对复杂动态的网络环境，如用户离开、进入导致的站点间切换等。为了满足实际的应用场景，网络中需要考虑用户动态变化的处理设计。目前主要用于语义切分的全卷积网络(fully convolutional network，fcn)特点是可以动态改变输入数据矩阵的维数。因此，可以考虑使用全卷积网络架构提取用户动态变化场景中的信道矩阵特征，从而得到最优波束形成设计。
6.本发明提出了一种新的基于改进版全卷积网络架构的快速波束赋形方法，重点研究了该方法在无线动态多用户干扰管理中的理论和实际性能。本发明的核心是先设计复数域加权最小均方误差(complex weighted minimum mean square error，cwmmse)算法，获取大量训练数据，然后设计改进版全卷积波束赋网络(improved fully convolutional beamforming network，ifc
‑
bfnet)模型，利用这些数据训练ifc
‑
bfnet模型。ifc
‑
bfnet模型训练完成可以学习到cwmmse算法输入和输出之间的关系，将其部署于宏站进行快速波束
赋形计算。附图1为本发明的动态ucn下多基站联合波束赋形场景图。


技术实现要素：

7.本发明主要在以用户为中心密集网络场景中考虑用户动态变化下的快速波束赋形方法，具体表现为：构建无线基站密度部署和用户数量动态变化下的多小区联合动态波束赋形场景(1个宏站，多个小站，宏站负责计算，小站负责服务)，动态建立每个用户服务的基站簇；设计该场景下的复数域下的加权最小均方误差算法——cwmmse，构建输入输出匹配cwmmse算法的改进版全卷积波束赋网络模型——ifc
‑
bfnet；模拟大量不同场景，得到不同场景下的信道状态信息(channel state information，csi)，通过cwmmse算法获得大量“csi矩阵
‑
波束赋形矩阵”对作为训练数据集，将其分批馈入ifc
‑
bfnet模型进行训练；将训练完成的ifc
‑
bfnet模型部署于宏站上，宏站通过模型计算给出所有小站的波束赋形结果，并传至小站，小站进行相应的波束赋形操作。
8.本发明的面向用户为中心网络的深度学习波束赋形方法包括以下步骤：
9.步骤200，构建每个用户服务的基站簇，小站收集全局信道状态信息(channel state information，csi)信息并反馈至宏站。
10.每个用户的服务基站簇大小j预先设定，每个用户选择信号强度最大(或者距离最近)的j个基站为其服务基站簇，如果存在两个或多个基站的信号强度(与该用户距离)一致，选择距离更近(信号强度更大)的基站。该基站簇会随着用户移动而实时(每t时间)更新。服务基站簇构建完成后，用户测量其与所有基站的信号强度及信道衰落情况，包含路劲损耗与小尺度衰落，用户上报此信息给其服务基站簇中的某一个基站，该基站的选择方式有两种：
11.1.距离最近的基站(如果存在两个或多个基站与该用户距离一致，选择信号强度更大的基站)
12.2.信号最强的基站(如果存在两个或多个基站的信号强度一致，选择距离更近的基站)
13.步骤210，设计复数域加权最小均方误差算法——cwmmse最大化和速率，通过cwmmse获得大量训练数据。
14.需要求解的问题可以表述为：
[0015][0016]
引入用户权重矩阵，用户和速率最大化问题可以转化为最小化均方误差问题为：
[0017][0018]
其中，p
j
为基站最大功率。
[0019]
基于以基站为中心的无协作wmmse波束赋形算法，设计以用户为中心网络下的多小区联合波束赋形算法，将该非凸优化单变量问题转变为三变量凸优化问题，进而在块对
角化法基础上分别利用拉格朗日和二分法对各个变量可进行优化求解，输出为所有基站到所有用户的波束赋形矩阵。
[0020]
模拟大量不同场景，获得“csi矩阵
‑
波束赋形矩阵”对，构建训练、验证与测试数据集。
[0021]
步骤220，构建改进版全卷积波束赋网络模型——ifc
‑
bfnet，将数据集分批馈入ifc
‑
bfnet模型进行训练。
[0022]
ifc
‑
bfnet模型输入为所有用户和所有小站之间的复数csi矩阵，该矩阵的维度可以动态变化，对应于用户数量动态变化，输出为所有基站对所有用户的复数波束赋形矩阵。
[0023]
ifc
‑
bfnet模型包含一个编码器和一个解码器，编码器包含若干个结构块，每一个结构块包含数个层组合，每个组合包含一个卷积层、一个批量归一化层、一个激活层和一个的池化层；解码器也包含若干个结构块，每一个结构块包含数个另一种结构的层组合，该种层组合包含一个上采样层、一个卷积层、一个批量归一化层以及一个激活层。
[0024]
解码器的每个结构块的输入除了包含上一部分输出的数据之外，还包含对应编码器结构池化前相同通道数的数据。
[0025]
模型训练loss为模型输出与实际标签的最小均方误差，且模型输出的每个基站的总功率被限制在0到p(p为基站的最大功率)。
[0026]
步骤230，将训练完成的ifc
‑
bfnet模型部署于宏站上，小站实时收集场景下所有用户的csi信息，并上报给宏站，宏站通过模型计算给出所有小站的波束赋形结果，并传至小站，小站进行相应的波束赋形操作。ifc
‑
bfnet模型会适时更新，更新策略包括固定周期更新、性能下降至一定比例时更新。
[0027]
有益效果
[0028]
本发明的面向用户为中心网络的深度学习波束赋形方法能够很好地近似复数域加权最小均方误差算法cwmmse，只需要在ifc
‑
bfnet模型中进行一些简单的矩阵乘法就可以得到波束赋形矩阵输出，大大降低计算复杂度，因此这种方法可以减少基站波束赋形处理时间。此外，由于ifc
‑
bfnet模型的输入数据矩阵的维数可变，通过混合大量不同维数的数据来模拟动态变化的用户，经过训练的ifc
‑
bfnet模型可以自动处理用户变化的复杂网络环境下的波束赋形，无需重新设计网络结构，因此这种方法可以适应用户动态变化的网络环境。
附图说明
[0029]
本发明的技术步骤会涉及到复杂场景、ifc
‑
bfnet模型、仿真结果的描述，下面将简单解释本发明说明书中提到的所有附图。需要说明的是，下面描述的附图仅仅是本发明实施的一些例子，无线通信波束赋形领域其他普通技术人员依旧可以根据这些附图在其他不同场景下获得其他的附图。
[0030]
图1是本发明的实施流程图；
[0031]
图2是本发明的动态ucn下多基站联合波束赋形场景图；
[0032]
图3是本发明的ifc
‑
bfnet模型结构图；
[0033]
图4是不同固定用户数下的不同模型系统和速率的累积分布曲线对比图；
[0034]
图5是动态用户数下的不同模型系统和速率的累积分布曲线对比图；
[0035]
图6是不同用户数下不同模型相对cwmmse算法的系统和速率性能变化图。
具体实施方式
[0036]
下面结合本技术中的附图，对本发明的步骤、过程进行完整清晰地描述，显而易见，本技术中所描述的实例仅仅是本发明的一个实例应用场景，其他基于本发明内容的、没有做出实质性改变的结果都是属于本发明的保护范畴。图1是本发明的实施流程图。
[0037]
附图2是本发明的一个动态ucn下多基站联合波束赋形场景，从整体上概括了本发明实施的主要过程，包括每个用户的服务基站簇的构建、cwmmse算法设计实现整个网络的干扰协调与和速率最大化、ifc
‑
bfnet模型的构建、5g nr小站收集全局csi信息并上传至4g lte宏站、宏站计算得出所有小站的波束赋形结果并反馈至小站、小站执行相应的波束赋形操作。整个计算过程是在宏站上完成的，宏站与小站之间的数据传输是通过x2链路完成的。
[0038]
本发明实例仅以一个4g lte宏站以及其覆盖范围内多个5g nr小站场景为例进行说明，多个4g lte宏站的场景仅仅是本发明实例的多个复制。其中用户数为k，小站数为l，服务基站簇大小为j
i
。
[0039]
面向用户为中心网络的深度学习波束赋形方法步骤如附图2所示，具体描述如下：
[0040]
步骤300，构建每个用户服务的基站簇，小站收集全局信道状态信息(channel state information，csi)信息并反馈至宏站。
[0041]
每个用户的服务基站簇大小j预先设定，每个用户选择信号强度最大的j个基站为其服务基站簇，该基站簇会随着用户移动而实时更新。
[0042]
服务基站簇构建完成后，用户测量其与所有基站的信号强度及信道衰落情况，包含路劲损耗与小尺度衰落，用户上报此信息给其服务基站簇中信号最强的基站。
[0043]
步骤310，设计复数域加权最小均方误差算法——cwmmse最大化和速率，通过cwmmse获得大量训练数据。
[0044]
发送方发送信号s
i
，接收方利用线性接收机
[0045][0046]
对接收信号进行估计，得到计算均方误差如下：
[0047][0048]
其中，u
i
为接收波束赋形矩阵，h
i
为信道矩阵，v
i
为基站波束赋形矩阵，h表示共轭转置操作，
[0049]
需要求解的问题可以表述为：
[0050][0051]
引入用户权重矩阵，用户和速率最大化问题可以转化为最小化均方误差问题为：
[0052][0053]
其中，p
j
为基站最大功率。
[0054]
定义如下函数：
[0055][0056]
求其关于w
i
的偏导，令其等于零，可以得到：
[0057][0058]
到此，关于v
i
的优化问题可以通过拉格朗日方程求解：
[0059][0060]
求其关于v
i
的偏导，令其等于零，可以得到：
[0061][0062]
本发明基于以基站为中心的无协作wmmse波束赋形算法，设计以用户为中心网络下的多小区联合波束赋形算法，具体算法流程如表1所示：
[0063]
表1 cwmmse算法伪代码
[0064][0065]
通过cwmmse算法获得大量不同场景(用户数变化)下的“csi矩阵
‑
波束赋形矩阵”对，作为ifc
‑
bfnet模型的训练、验证与测试数据集。
[0066]
步骤320，构建改进版全卷积波束赋网络模型——ifc
‑
bfnet，将数据集分批馈入ifc
‑
bfnet模型进行训练。
[0067]
附图3为本发明构建的ifc
‑
bfnet模型结构。ifc
‑
bfnet模型输入为所有用户和所有小站之间的复数csi矩阵，该矩阵的维度可以动态变化，对应于用户数量动态变化，输出为所有基站对所有用户的复数波束赋形矩阵。
[0068]
ifc
‑
bfnet模型包含一个编码器和一个解码器，编码器包含两个结构块，第一个结构块包含[一个3
×3×
64卷积层、一个批量归一化层、一个relu激活层]x3和一个2
×
2的池化层，第二个结构块包含[一个3
×3×
128卷积层、一个批量归一化层、一个relu激活层]x3和一个2
×
2的池化层，解码器包含两个结构块，第一个结构块包含一个2
×
2上采用层和[一个3
×3×
128卷积层、一个批量归一化层、一个relu激活层]x3，第二个结构块包含一个2
×
2上采用层和[一个3
×3×
64卷积层、一个批量归一化层、一个relu激活层]x3。
[0069]
解码器的每个结构的输入除了包含上一部分输出的数据之外，还包含对应编码器结构池化前相同通道数的数据，模型训练loss为模型输出与实际标签的最小均方误差，且模型输出的每个基站的总功率被限制在0到p(p为基站的最大功率)。
[0070]
将cwmmse算法获得的数据集分批次馈入ifc
‑
bfnet模型，采用adam优化器对模型进行训练，直到模型loss稳定于一个非常小的值。
[0071]
步骤330，将训练完成的ifc
‑
bfnet模型部署于宏站上，小站实时收集场景下所有用户的csi信息，并上报给宏站，宏站通过模型计算给出所有小站的波束赋形结果，并传至小站，小站进行相应的波束赋形操作。
[0072]
仿真结果如附图4、附图5、附图6所示。l表示基站数，k表示用户数，j
i
表示服务基站簇大小。
[0073]
附图4是不同的固定用户数场景下不同波束赋形方法的和速率累计分布曲线图，包括dnn、传统fcn(traditional fcn,tfcn)、残差网ucnbeamnet、本发明提出的cwmmse以及ifc
‑
bfnet模型。通过观察累积分布函数，可以验证ifc
‑
bfnet在逼近cwmmse算法的过程中比tfcn、dnn具有更高的精度。说明ifc
‑
bfnet模型可以更加有效的进行波束赋形。具体地，随着用户数量的增加，dnn近似的准确性急剧下降。当k＝20时，ifc
‑
bfnet相对于cwmmse仍能达到93.1％的性能比率，这与ucnbeamnet相当，优于tfcn。这是因为全卷积结构对不同维度的数据具有更强的计算能力。值得注意的是，需要训练多个ucnbeamnet和dnn模型来实现不同场景下的波束赋形。而tfcn和ifc
‑
bfnet对输入数据的维数不敏感，因此在不同场景下只需要一个模型来处理波束形成问题，这在前面已经提到过。
[0074]
附图5是不同动态用户数场景下不同波束赋形方法的和速率累积分布曲线性能比较图，其中方法包括tfcn、本发明提出的cwmmse以及ifc
‑
bfnet模型。用户数8到20动态变化，基站数l为10或者20。从图种可以看出，ifc
‑
bfnet可以灵活地适应用户数量的动态变化。例如，当l＝20时，其性能比l＝10场景提高了2.7％。与其他深度学习方法相比，由于最大池化层索引指数的存储，全卷积结构对于较大的特征映射具有较小的处理损失，因此其性能始终优于tfcn。因此，ifc
‑
bfnet模型更适合处理动态多用户密集网络环境下的波束赋形问题。
[0075]
附图6是不同用户数下不同模型相对于cwmmse算法的系统和速率的实现比例变化图。ifc
‑
bfnet和tfcn在基站密集、用户数量比dnn多的情况下，降低了性能损失。此外，从附图4和图6(b)可以推断，ifc
‑
bfnet具有与ucnbeamnet相似甚至稍好一些的性能潜力。这是因为ucnbeamnet的性能提升是通过残差结构和深度网络来实现的，而ifc
‑
bfnet则是在编码器网络中存储并利用最大池化索引来减少信息丢失。而在大型网络中，后者比前者更简单，效率更高。
[0076]
此外，表2展示了不同波束赋形方法在不同场景下的耗时及和速率情况。从表中可
以看出当网络参数从(10，8，3)增加到(20，20，8)，dnn的和速率性能比例大大降低,达到29.1％。而ifc
‑
bfnet的性能只减少了4.5％,优于ucnbeamnet和tfcn。此外，网络规模越大，计算效率的增益越大。例如，在(20,20,8)设置下，ifc
‑
bfnet的执行时间几乎是ucnbeamnet的四分之一，与cwmmse算法相比，速度提高了64000倍以上。
[0077]
表2和速率和计算时间对比
[0078]