一种智能抑制波束斜视的方法、装置及电子设备

1.本发明属于太赫兹大规模多天线领域，更具体地，涉及一种智能抑制波束斜视的方法、装置及电子设备。


背景技术：

2.太赫兹通信可以获得数十倍的带宽提升，被认为是6g的潜在技术之一。为了解决太赫兹的空间传输损耗，大规模多输入多输出(mimo)技术已被广泛研究。通过在收发器处组装大型天线阵列和使用混合预编码技术，可以显著提高系统容量。混合预编码是通过将高维全数字预编码器转换为低维数字预编码器和基于移相器(ps)的模拟预编码器来实现的，大大减少了射频(rf)链数量。
3.然而，在太赫兹大规模mimo宽带系统中，移相器架构的模拟预编码的波束指向不同子载波频率的不同空间方向，这被称为波束斜视效应(也可称为波束偏移)，并会引起阵列增益的下降。由此可见，亟需发展有效的混合预编码方法来抑制波束斜视，为未来太赫兹频段超大规模mimo的高频谱效率传输奠定理论基础。


技术实现要素：

4.针对现有技术的以上缺陷或改进需求，本发明提供了一种智能抑制波束斜视的方法、装置及电子设备，其目的在于解决现有的ps架构的混合预编码技术因波束斜视而导致频谱效率性能损失的技术问题，尤其适用于太赫兹频段宽带大规模mimo通信系统。
5.为实现上述目的，按照本发明的第一方面，提供了一种智能抑制波束斜视的方法，其特征在于，包括：
6.训练阶段：
7.s1，根据太赫兹频段通信系统的配置信息，确定太赫兹信道矩阵及估计的太赫兹信道矩阵；
8.其中，估计的太赫兹信道矩阵其中，估计的太赫兹信道矩阵其中，估计的太赫兹信道矩阵分别为用户接收端、基站发送端估计的天线阵列响应矢量，m∈(1,2,
…
,m)，m为子载波数，m为子载波数，m为子载波数，和θ
l
分别为离开角(aod)和到达角(aoa)，δθ
l
和分别为aoa和aod的估计误差，δθ
l
～n(0,σ2)，σ2代表高斯分布的方差；
9.s2，构建基于深度学习的whpc-net模型，所述whpc-net模型包括预处理模块、模拟预编码子网络apc-net及数字预编码子网络dpc-net；
10.其中，所述预处理模块用于根据计算平均信道协方差矩阵c，所述apc-net用于根据c计算模拟预编码矩阵f
rf
，所述dpc-net用于根据c及f
rf
的相位p计算数字预编码矩阵f
bb
；
11.s3，以所述太赫兹信道矩阵及估计的太赫兹信道矩阵作为无标签训练集，训练所
述whpc-net模型；
12.应用阶段：
13.实时计算估计的太赫兹信道矩阵并将其输入至训练好的whpc-net模型，得到模拟预编码矩阵和数字预编码矩阵，将其相乘得到混合预编码矩阵；将基站发送端的信号与所述预编码矩阵相乘后进行发送。
14.优选地，所述apc-net用于根据c，按照以下公式计算模拟预编码矩阵f
rf
：
[0015][0016]
其中，p为模拟预编码矩阵相位，p＝f
apc-net
(c)。
[0017]
优选地，所述dpc-net用于根据c及f
rf
的相位p，按照以下公式计算数字预编码矩阵f
bb
：
[0018][0019]
其中，p
t
为基站发送端的发送功率，f为f范数。
[0020]
优选地，所述apc-net包括依次连接的输入层、展平层、全连接层以及穿插在各层间的批归一化层；
[0021]
所述全连接层包括n
t
·nrf
个神经元。
[0022]
优选地，所述dpc-net包括依次连接的展平层、至少两个串行的全连接层、并行的至少两个全连接层及穿插在所述串行的全连接层间的批归一化层；
[0023]
所述全连接层包括n
rf
·ns
·
m个神经元。
[0024]
优选地，在所述训练阶段时，所述whpc-net模型的损失函数为：
[0025][0026]
其中，k为样本的数目，为第i个样本的噪声功率。
[0027]
优选地，所述步骤s3包括：
[0028]
s31，设定批量大小、学习率及训练次数，采用回调函数自动缩小学习率；
[0029]
s32，将训练集输入所述whpc-net模型开始训练并执行交叉验证，根据损失值的变化更新各个神经元的权值与偏置参数；
[0030]
s33，保存最优的模型权值与偏置参数，得到训练好的所述whpc-net模型。
[0031]
优选地，所述预处理模块用于根据按照公式计算平均信道协方差矩阵c。
[0032]
按照本发明的第二方面，提供了一种智能抑制波束斜视的装置，包括：
[0033]
数据集生成模块，用于在训练阶段根据太赫兹频段通信系统的配置信息，确定太赫兹信道矩阵及估计的太赫兹信道矩阵；
[0034]
其中，估计的太赫兹信道矩阵其中，估计的太赫兹信道矩阵其中，估计的太赫兹信道矩阵分别为用户接收端、基站发送端估计的天线阵列响应矢量，m∈(1,2,
…
,m)，m为子载波数，m为子载波数，m为子载波数，和θ
l
分别为离开角(aod)和到达角(aoa)，δθ
l
和分别为aoa和aod的估计误差，δθ
l
～n(0,σ2)，σ2代表高斯分布的方差；
[0035]
模型构建模块，用于在训练阶段构建基于深度学习的whpc-net模型，所述whpc-net模型包括预处理模块、模拟预编码子网络apc-net及数字预编码子网络dpc-net；
[0036]
其中，所述预处理模块用于根据计算平均信道协方差矩阵c，所述apc-net用于根据c计算模拟预编码矩阵f
rf
，所述dpc-net用于根据c及f
rf
的相位p计算数字预编码矩阵f
bb
；
[0037]
模型训练模块，用于在训练阶段以所述太赫兹信道矩阵及估计的太赫兹信道矩阵作为无标签训练集，训练所述whpc-net模型；
[0038]
混合预编码矩阵生成模块，用于在应用阶段实时计算估计的太赫兹信道矩阵并将其输入至训练好的whpc-net模型，得到模拟预编码矩阵和数字预编码矩阵，将其相乘得到混合预编码矩阵；将基站发送端的信号与所述预编码矩阵相乘后进行发送。
[0039]
按照本发明的第三方面，提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的方法的步骤。
[0040]
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0041]
1、本发明提供的智能抑制波束斜视的方法，通过仿真模拟太赫兹信道矩阵以及估计的太赫兹信道矩阵作为训练whpc-net所需要的数据集，且不需要额外添加标签，能够准确、高效地获取大量的数据集。同时，由于aoa/aod以指数形式出现在天线阵列响应矢量中，因此根据aoa/aod的估计误差来还原信道估计误差，相对于现有技术简单地对整体信道矩阵做加性估计误差，更符合太赫兹信道的特征。
[0042]
2、本发明提供的智能抑制波束斜视的方法，利用频谱效率与mccm之间的关系，对太赫兹信道矩阵预处理得到mccm，利用空间相关性协助抑制波束斜视的同时，将三维矩阵降低到二维矩阵，有效减少了网络剩余部分中各层的参数数量、以及训练模型时对计算平台的内存开销。将mccm输入apc-net求解模拟预编码矩阵，再将mccm与apc-net的输出共同输入dpc-net求解数字预编码矩阵。分步求解混合预编码矩阵的方法使whpc-net模型更容易训练的同时也具备一定的可解释性。
[0043]
3、本发明提供的智能抑制波束斜视的方法，每更新一次whpc-net模型中各神经元的权值与偏置参数，都会保证在验证集上whpc-net模型计算的频谱效率变大，由此能够高效地获取到使频谱效率最大的神经元参数。同时，通过设置合适的批量大小、学习率、训练次数、学习率下限、split_rate参数能够保证准确、高效的训练，使whpc-net模型收敛到期望的拟合点。
[0044]
4、本发明提供的智能抑制波束斜视的方法，通过apc-net来建立mccm到模拟预编码矩阵相位之间的映射关系，能够求解移相器架构下最优的模拟预编码矩阵相位，同时保
证模拟预编码矩阵中每一个元素的恒模约束；通过dpc-net来建立mccm与模拟预编码矩阵相位到数字预编码矩阵的实部和虚部之间的映射关系，能够求解最优的数字预编码矩阵的实部和虚部，同时保证tensorflow框架的输出为实数。
[0045]
综上，本发明提供的智能抑制波束斜视的方法，利用可达总和速率与mccm之间的关系，在考虑到空间相关性协助抑制波束斜视的同时，将三维矩阵降低到二维矩阵，有效减少了网络剩余部分中各层的参数数量与训练模型时对计算平台的内存开销，适用于太赫兹频段宽带大规模mimo混合预编码系统，可以有效应对波束斜视问题。将mccm输入apc-net求解模拟预编码矩阵，再将mccm与apc-net的输出共同输入dpc-net求解数字预编码矩阵。分步求解混合预编码矩阵的方法使whpc-net模型更容易训练的同时也具备一定的可解释性。利用深度学习技术，以最大化频谱效率为目标，设计混合预编码矩阵，有效解决现有移相器架构的混合预编码方法在太赫兹频段宽带大规模mimo系统中面临的波束斜视问题；仿真实验数据表明，利用本发明所提供的混合预编码方法所得到的频谱效率优于传统混合预编码，同时对非完美信道状态信息具有很强的鲁棒性。
附图说明
[0046]
图1为单用户大规模mimo均匀线性阵列架构示意图；
[0047]
图2为移相器架构混合预编码示意图；
[0048]
图3为本发明实施例提供的whpc-net模型示意图；
[0049]
图4为本发明实施例提供的智能抑制波束斜视的方法的实施例流程图；
[0050]
图5为本发明实施例提供的whpc-net模型离线训练阶段和在线部署阶段示意图；
[0051]
图6为本发明实施例提供的频谱效率实施例；
[0052]
图7为本发明实施例提供的装置的框图；
[0053]
图8为本发明实施例提供的电子设备的框图。
具体实施方式
[0054]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0055]
太赫兹频段宽带大规模mimo混合预编码系统中，阵列响应矢量是频率相关的，将带来阵列增益的明显下降，也就是波束斜视，引起频谱效率的降低。基于此，本发明实施例提供一种智能抑制波束斜视的方法，包括：
[0056]
训练阶段：
[0057]
s1，根据太赫兹频段通信系统的配置信息，确定实际的太赫兹信道矩阵及估计的太赫兹信道矩阵；
[0058]
其中，估计的太赫兹信道矩阵其中，估计的太赫兹信道矩阵其中，估计的太赫兹信道矩阵分别为用户接收端、基站发送端估计的天线阵列响应矢量，m∈(1,2,
…
,m)，
m为子载波数，m为子载波数，m为子载波数，和θ
l
分别为离开角(aod)和到达角(aoa)，δθ
l
和分别为aoa和aod的估计误差，δθ
l
～n(0,σ2)，σ2代表高斯分布的方差；
[0059]
s2，构建基于深度学习的whpc-net模型，所述whpc-net模型包括预处理模块、模拟预编码子网络apc-net及数字预编码子网络dpc-net；
[0060]
其中，所述预处理模块用于根据计算平均信道协方差矩阵c，所述apc-net用于根据c计算模拟预编码矩阵f
rf
，所述dpc-net用于根据c及f
rf
的相位p计算数字预编码矩阵f
bb
；
[0061]
s3，以所述太赫兹信道矩阵及估计的太赫兹信道矩阵作为无标签训练集，训练所述whpc-net模型；
[0062]
应用阶段：
[0063]
实时计算估计的太赫兹信道矩阵并将其输入至训练好的whpc-net模型得到模拟预编码矩阵和数字预编码矩阵，将其相乘得到混合预编码矩阵；将基站发送端的信号与所述预编码矩阵相乘后进行发送。
[0064]
本发明提供的方法，可以由基站发送端执行，也可以由除基站和用户终端之外的第三方执行，下面以由基站发送端执行为例，对本发明提供的方法进行说明。
[0065]
具体地，本发明提供的方法包括在离线训练阶段(即训练阶段)及在线部署阶段(即应用阶段)。
[0066]
离线训练阶段：
[0067]
s1，发送端根据太赫兹频段通信系统的配置信息，生成太赫兹信道矩阵与估计的太赫兹信道矩阵作为无标签的数据集。
[0068]
s2，构建基于深度学习的whpc-net(widebandhybrid precoding-net，宽带混合预编码网络)模型。
[0069]
s3，使用数据集训练和优化whpc-net模型的权值与偏置参数。
[0070]
在线部署阶段：
[0071]
s4，利用训练好的模型，将不同的实时太赫兹信道矩阵输入whpc-net，预测模拟预编码矩阵与数字预编码矩阵。
[0072]
s5，将模拟预编码矩阵与数字预编码矩阵相乘得到混合预编码矩阵，将基站发送端的信号与所述混合预编码矩阵后再进行发送。
[0073]
进一步地，所述离线训练阶段的步骤(1)具体包括：
[0074]
(s11)发送端获取太赫兹频段通信系统的配置信息，包括：发送天线数n
t
，接收天线数nr，子载波数m，路径数l，发送数据流数ns，rf链数n
rf
，中心频率fc，带宽b，最大时延τ
max
，其中需要保证n
t
≥n
rf
≥ns＝nr。
[0075]
(s12)根据获取的路径数、最大时延，随机生成服从复高斯分布的路径增益α，以及服从高斯分布的时延τ、离开角(aod)和到达角(aoa)θ
l
。
[0076]
(s13)计算太赫兹信道矩阵，第m个子载波下信道的表达式如下
[0077]
[0078]
其中，αr(θ
l
)和分别是用户终端的接收端和基站的发送端估计的天线阵列响应矢量
[0079][0080]
其中，第m个子载波的中心频率接收机和基站处的天线阵列响应矢量均与fm相关，引起波束斜视效应。进一步得到完整的太赫兹信道矩阵为h＝[h1,h2,
…
,hm]。
[0081]
(s14)计算估计的太赫兹信道矩阵，第m个子载波的信道的表达式如下
[0082][0083]
其中，和分别表示估计的接收器和发送器的第l个aoa和aod。δθ
l
～n(0,σ2)，分别为aoa和aod的估计误差，σ2代表误差大小。进一步得到估计的太赫兹信道矩阵为
[0084]
优选地，所述apc-net用于根据c，按照以下公式计算模拟预编码矩阵f
rf
：
[0085][0086]
其中，p为模拟预编码矩阵相位，p＝f
apc-net
(c)。
[0087]
优选地，所述dpc-net用于根据c及f
rf
的相位p，按照以下公式计算数字预编码矩阵f
bb
：
[0088][0089]
其中，p
t
为基站发送端的发送功率，
[0090]
优选地，所述预处理模块用于根据按照公式计算平均信道协方差矩阵c。
[0091]
优选地，所述apc-net包括依次连接的输入层、展平层、全连接层以及穿插在各层间的批归一化层；
[0092]
所述全连接层包括n
t
·nrf
个神经元。
[0093]
优选地，所述dpc-net包括依次连接的展平层、至少两个串行的全连接层、并行的至少两个全连接层及穿插在所述串行的全连接层间的批归一化层；
[0094]
所述全连接层包括n
rf
·ns
·
m个神经元。
[0095]
进一步地，所述步骤s2中，构建基于深度学习的whpc-net模型，包括如下步骤：
[0096]
(t1)首先建立函数关系即根据估计的太赫兹信道矩阵，计算平
均信道协方差矩阵(mccm)c。
[0097]
(t2)通过模拟预编码子网络(apc-net)建立c与模拟预编码矩阵相位p间的映射关系p＝f
apc-net
(c)。
[0098]
优选地，apc-net由一个输入层、一个展平(fl)层、五个串行的全连接(ac)层以及穿插在各层间的六个批归一化(bn)层组成。进一步地，根据p求解模拟预编码矩阵
[0099]
(t3)根据mccm和模拟预编码矩阵相位p，通过数字预编码子网络(dpc-net)建立c、p与数字预编码矩阵的实部和虚部之间的映射关系
[0100]
优选地，dpc-net由一个fl层、三个串行的ac层、两个并行的ac层以及穿插在串行ac层间的两个bn层组成。进一步根据数字预编码矩阵的实部和虚部，求解数字预编码矩阵并做功率归一化操作得到其中p
t
为基站发送端的发送功率，f为f范数。
[0101]
优选地，在所述训练阶段时，所述whpc-net模型的损失函数为：
[0102][0103]
其中，k为样本的数目，为第i个样本的噪声功率。
[0104]
优选地，所述步骤s3包括：
[0105]
s31，设定批量大小、学习率及训练次数，采用回调函数自动缩小学习率；
[0106]
s32，将训练集输入所述whpc-net模型开始训练并执行交叉验证，根据损失值的变化更新各个神经元的权值与偏置参数；
[0107]
s33，保存最优的模型权值与偏置参数，得到训练好的所述whpc-net模型。
[0108]
具体地，所述步骤s3中，使用数据集训练优化模型的权值与偏置参数。训练数据集为无标签的太赫兹信道矩阵与估计的太赫兹信道矩阵，使用负的频谱效率作为损失函数；通过随机梯度下降法与反向传播算法对whpc-net模型进行训练，优化其中apc-net与dpc-net的权值与偏置参数。
[0109]
例如：所述步骤s3中，使用数据集训练优化模型的权值与偏置参数的方法，包括如下步骤：
[0110]
(w1)设定批量大小为256，学习率为0.001，训练次数为200，采用回调函数自动缩小学习率，下限设为5*10^-5。
[0111]
(w2)将训练数据集输入whpc-net开始训练并执行交叉验证，根据损失值的变化更新各个神经元的权值与偏置参数，设定验证集的比例split_rate＝0.2。损失函数为负的频谱效率：
[0112]
[0113]
其中，k为样本的数目，为第i个样本的噪声功率。
[0114]
(w3)保存最优的模型权值与偏置参数。
[0115]
优选的，所述步骤t2中，apc-net的五个串行的ac层各自包含(n
tnrf
)个神经元，前四个ac层使用relu激活函数，最后一个ac层使用sigmoid激活函数。
[0116]
优选的，所述步骤t3中，dpc-net的三个串行的ac层与两个并行的ac层各自包含(n
rfns
m)个神经元。前三个串行的ac层使用relu激活函数，后两个并行的ac层使用linear激活函数。
[0117]
综上，本发明提供的方法包括离线训练阶段和在线部署阶段，其中离线训练阶段包括：首先根据系统配置信息，生成实际的太赫兹信道矩阵以及估计的太赫兹信道矩阵作为数据集；然后构建基于深度学习的whpc-net模型；接着使用数据集，对whpc-net模型进行训练，优化模型的权值与偏置参数；在线部署阶段包括：利用训练好的whpc-net模型，预测模拟预编码与数字预编码矩阵；最后将模拟预编码矩阵与数字预编码矩阵相乘得到混合预编码矩阵。本技术利用深度学习技术，能够有效解决现有移相器架构混合预编码方法在太赫兹频段宽带大规模mimo系统中面临的波束斜视，并且对信道估计误差具有很强的鲁棒性。
[0118]
下面以一个具体的例子对本发明提供的方法进行进一步的说明。
[0119]
考虑一个太赫兹频段宽带大规模mimo系统，如图1所示，发送端配备天线数n
t
＝256，接收端为单用户配备有天线数nr＝4，子载波数目为m＝128，无线信道的路径数为l＝4。第l条路径的增益为α
l
～cn(0,1)，时延为τ
l
～u(0,2ns)，离开角(aod)为到达角(aoa)为θ
l
～u[-π/2,π/2]。整个频段的中心频率为fc＝300ghz，带宽b＝{5,30}ghz，第m个子载波的中心频率为fm，则太赫兹无线信道表示为αr(θ
l
)和分别是用户端和基站处的天线阵列响应矢量，表达式为表达式为在窄带系统中，通常假设fm＝fc，使空间方向保持一致。但在太赫兹频段宽带大规模mimo系统中，天线阵列响应矢量随fm变化，各个波束的方向不再相同，这将引起阵列增益的显著下降，也就是波束斜视现象。
[0120]
同时，该太赫兹频段宽带大规模mimo系统发送端使用移相器架构的混合预编码，如图2所示，传输数据流数目为ns＝4，射频链数量为n
rf
＝4，满足n
t
≥n
rf
≥ns＝nr。每根射频链连接n
t
个移相器，并使用正交频分复用(ofdm)调制来辅助传输。第m个子载波传输的数据首先经过数字预编码矩阵然后执行傅立叶逆变换并添加循环前缀来完成ofdm调制，再经过由移相器形成的模拟预编码矩阵最后由天线阵列发送出去。其中，f
rf
和f
bb
需要满足恒模约束和功率约束的限制。由于关注发送端的混合预编码矩阵设计，因此假设用户端可以实现完美的接收和检测。用户端接收到的第m个子载波
的信号为ym＝h
mfrffbb,m
xm+nm，其中nm为第m个子载波传输过程中的高斯白噪声。频谱效率为δ2为噪声功率。
[0121]
本实施例将一种智能抑制波束斜视的方法应用于该系统，如图4～5所示，具体包括以下步骤：
[0122]
步骤一：离线训练阶段
[0123]
1、发送端根据太赫兹频段通信系统的配置信息，生成太赫兹信道矩阵与估计的太赫兹信道矩阵作为无标签的数据集：
[0124]
(1)发送端获取发送天线数n
t
，接收天线数nr，子载波数m，路径数l，发送数据流数ns，rf链数n
rf
，中心频率fc，带宽b，最大时延τ
max
，保证n
t
≥n
rf
≥ns＝nr。
[0125]
(2)根据获取的路径数、最大时延，随机生成服从复高斯分布的路径增益α，以及服从高斯分布的时延τ、离开角和到达角(aoa)θ
l
。
[0126]
(3)计算太赫兹信道矩阵，第m个子载波下信道的表达式如下
[0127][0128]
其中，αr(θ
l
)和分别是接收器和发送器估计的天线阵列响应矢量
[0129]
其中，第m个子载波的中心频率接收机和基站处的天线阵列响应矢量均与fm相关，引起波束斜视效应。进一步得到完整的太赫兹信道矩阵为h＝[h1,h2,
…
,hm]。
[0130]
(4)计算估计的太赫兹信道矩阵，第m个子载波下信道的表达式如下
[0131][0132]
其中，和分别表示估计的接收器和发送器的第l个aoa和aod。δθ
l
～n(0,σ2)，分别为aoa和aod的估计误差，σ2＝{0,5}
×
10-4
代表误差大小。进一步得到估计的太赫兹信道矩阵为
[0133]
本技术通过仿真模拟太赫兹信道矩阵以及估计的太赫兹信道矩阵作为训练whpc-net所需要的数据集，且不需要额外添加标签，能够准确、高效地获取大量的数据集。同时，由于aoa/aod以指数形式出现在天线阵列响应矢量中，简单地对整体信道矩阵做加性估计误差是不恰当的，此处我们根据aoa/aod的估计误差来还原信道估计误差，更符合太赫兹信道的特征。
[0134]
2、构建基于深度学习的whpc-net模型：
[0135]
(1)建立函数关系即根据估计的太赫兹信道矩阵，计算平均信道
协方差矩阵(mccm)c。
[0136]
(2)通过模拟预编码子网络(apc-net)建立c与模拟预编码矩阵相位p间的映射关系p＝f
apc-net
(c)，其中apc-net由一个输入层、一个展平(fl)层、五个串行的全连接(ac)层以及穿插在各层间的六个批归一化(bn)层组成。进一步地，根据p求解模拟预编码矩阵
[0137]
作为一种优选的实施方式，apc-net的五个串行的ac层各自包含(n
tnrf
)个神经元，前四个ac层使用relu激活函数，最后一个ac层使用sigmoid激活函数。
[0138]
(3)根据mccm和模拟预编码矩阵相位，通过数字预编码子网络(dpc-net)建立c、p与数字预编码矩阵的实部和虚部之间的映射关系其中dpc-net由一个fl层、三个串行的ac层、两个并行的ac层以及穿插在串行ac层间的两个bn层组成。进一步根据数字预编码矩阵的实部和虚部，求解数字预编码矩阵并做功率归一化操作得到其中p
t
为发送功率。
[0139]
作为一种优选的实施方式，dpc-net的三个串行的ac层与两个并行的ac层各自包含(n
rfns
m)个神经元。前三个串行的ac层使用relu激活函数，后两个并行的ac层使用linear激活函数。
[0140]
本技术中whpc-net模型示意图如图3所示，利用频谱效率与mccm之间的关系，对太赫兹信道矩阵预处理得到mccm，并分步求解混合预编码矩阵，使whpc-net模型更容易训练的同时也具备一定的可解释性。
[0141]
3、使用数据集训练优化模型的权值与偏置参数：
[0142]
(1)设定批量大小为256，学习率为0.001，训练次数为200，采用回调函数自动缩小学习率，下限设为5*10^-5。
[0143]
(2)将训练数据集输入whpc-net开始训练并执行交叉验证，根据损失值的变化更新各个神经元的权值与偏置参数，设定split_rate＝0.2。训练过程中的损失值根据损失函数计算，损失函数设置为：
[0144][0145]
其中，k为样本的数目，为第i个样本的噪声功率，
[0146]
(3)保存最优的模型权值与偏置参数。
[0147]
本技术训练中每更新一次whpc-net模型中各神经元的权值与偏置参数，都会保证在验证集上whpc-net模型计算的频谱效率变大，由此能够高效地获取到使频谱效率最大的神经元参数。同时，设置的批量大小、学习率、训练次数、学习率下限、split_rate参数能够保证准确、高效的训练，使whpc-net模型收敛到期望的拟合点。
[0148]
步骤二：在线部署阶段
[0149]
4、利用训练好的模型，将不同的实时太赫兹信道矩阵输入whpc-net，预测模拟预编码矩阵与数字预编码矩阵。
[0150]
5、将模拟预编码矩阵与数字预编码矩阵相乘得到混合预编码矩阵。
[0151]
以下以传统移相器架构混合预编码方案，即基于虚拟子阵列的混合预编码方法，作为对比，进一步验证本实施例所提供的智能抑制波束斜视的方法相对于现有技术所能取得的有益效果。在图6中，横坐标表示信噪比，单位db，纵坐标表示系统频谱效率。图6提供了3种预编码方法得到的频谱效率与信噪比关系，分别是：基于全数字svd的预编码，基于虚拟子阵列的传统混合预编码，本技术的智能抑制波束斜视的方法。本技术基于深度学习的智能宽带混合预编码方法的传输速率相对于传统移相器架构，在太赫兹大规模mimo宽带通信系统中对抗波束斜视的能力更强。完美csi下，所提混合预编码的传输速率优于传统移相器方案。非完美csi下，所提混合预编码的传输速率甚至优于基于svd的全数字预编码方案。
[0152]
本实施例提供了一种智能抑制波束斜视的装置，如图7所示，智能抑制波束斜视的装置700包括以下模块：
[0153]
数据集生成模块701，用于生成太赫兹信道矩阵与估计的太赫兹信道矩阵，不需要额外添加标签，作为数据集；
[0154]
模型构建模块702，用于构建whpc-net模型；其中，所述模型包括mccm模型，apc-net模型以及dpc-net模型，分别用于获得mccm、模拟预编码矩阵相位、数字预编码矩阵实部与虚部。
[0155]
模型训练模块703，用于对所述模型构建模块所构建出的whpc-net模型进行训练；其中，所述whpc-net模型的输入为太赫兹信道矩阵与估计的太赫兹信道矩阵，输出为模拟预编码矩阵与数字预编码矩阵。
[0156]
实时信道状态信息获取模块704，用于获取待预编码的发送端与接收端之间的太赫兹信道矩阵、发送天线数、接收天线数、子载波数、路径数、发送数据流数、rf链数、中心频率、带宽、最大时延。
[0157]
混合预编码矩阵生成模块705，用于基于所述信道状态信息获取模块所获取的信道状态信息，利用经所述模型训练模块训练得到的whpc-net模型生成模拟预编码矩阵与数字预编码矩阵，并相乘得到混合预编码矩阵；将基站发送端的信号与所述预编码矩阵相乘后进行发送。
[0158]
本实施例的智能抑制波束斜视的装置与上述任一实施例所述的智能抑制波束斜视的方法相对应；其中，本实施例的智能抑制波束斜视的装置中的各功能模块实现的功能与上述智能抑制波束斜视的方法的流程步骤一一对应；故，在此不再赘述。
[0159]
本发明还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述任一实施例所述的方法的步骤。
[0160]
本发明实施例提供一种智能抑制波束斜视系统，如图8所示，所述智能抑制波束斜视系统800包括第一处理器810及第一可读存储介质820。
[0161]
所述第一可读存储介质(即计算机可读存储介质)用于存储可执行指令；
[0162]
所述第一处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行如上述任一实施例所述的方法。
[0163]
具体地，第一处理器810例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))，等等。第一处理器810还可以包括用于缓存用途的板载存储器。第一处理器810可以是用于执行参考图1-图5描述的根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
[0164]
第一可读存储介质820，例如可以是能够包含、存储、传送、传播或传输指令的任意介质。例如，可读存储介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。可读存储介质的具体示例包括：磁存储装置，如磁带或硬盘(hdd)；光存储装置，如光盘(cd-rom)；存储器，如随机存取存储器(ram)或闪存；和/或有线/无线通信链路。
[0165]
第一可读存储介质820可以包括计算机程序821，该计算机程序821可以包括代码/计算机可执行指令，其在由第一处理器810执行时使得第一处理器810执行例如上面结合图1-图5所描述的方法流程及其任何变形。
[0166]
计算机程序821可被配置为具有例如包括计算机程序模块的计算机程序代码。例如，在示例实施例中，计算机程序821中的代码可以包括一个或多个程序模块，例如包括模块821a、模块821b、
……
。应当注意，模块的划分方式和个数并不是固定的，本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合，当这些程序模块组合被第一处理器810执行时，使得第一处理器810可以执行例如上面结合图1-图5所描述的方法流程及其任何变形。
[0167]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。