基于深度学习的波束赋形矩阵生成方法、网络设备和终端设备与流程

本申请涉及无线通信，例如涉及一种基于深度学习的波束赋形矩阵生成方法、网络设备和终端设备。

背景技术：

1、波束赋形(beamforming)是一种发射端的空间过滤机制，通过将信号以集中和定向的方式发送给接收端，以提高接收功率及信噪比。同时，可以减少对其他用户的干扰，有效提高覆盖范围，能够改善ap(无线访问接入点，wirelessaccesspoint)边缘用户的吞吐量。

2、相关技术中，通过ap发送无线数据包给关联的sta(终端，station)，根据sta返回的数据信息计算推导出beamforming矩阵，以用于对发送的信息进行编码。

3、在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：

4、由于ap在推导beamforming矩阵时的计算复杂度较低，没能充分利用信道矩阵信息，导致系统的整体性能较低。

技术实现思路

1、为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。

2、本公开实施例提供了一种基于深度学习的波束赋形矩阵生成方法、网络设备和终端设备，以提高系统频率效率技术问题。

3、在一些实施例中，所述基于深度学习的波束赋形矩阵生成方法应用于接入点ap，包括：向终端sta发送用于指示信道探测的指令；接收sta发送的反馈信息；所述反馈信息包括信道状态信息；将反馈信息输入已经训练好的深度学习网络模型，根据所述深度学习网络模型的输出信息构建波束赋形矩阵。

4、可选地，所述向终端sta发送用于指示信道探测的指令，包括：

5、向sta发送用于指示启动信道探索的指令；

6、向sta发送用于指示测量信道并反馈信道状态信息的指令。

7、可选地，所述深度学习网络模型的训练，包括：

8、获取训练样本集；所述训练样本集包括作为输入数据集的信道状态信息集合，以及作为输出数据集的波束赋形矩阵集合；

9、构建深度学习网络模型；

10、利用所述训练样本集训练所述深度学习网络模型。

11、可选地，所述输入数据集的信道状态信息包括对反馈信息加扰后的加扰信道矩阵。

12、可选地，该基于深度学习的波束赋形矩阵生成方法还包括：

13、根据深度学习网络模型的输入信息与输出信息，确定损失函数；

14、当损失函数小于预设值或达到迭代次数时，确定所述深度学习网络训练完成，并保存。

15、可选地，所述根据深度学习网络模型的输出，确定损失函数，包括：

16、根据深度学习网络模型的输入信息与输出信息，确定系统的可达速率；

17、将系统可达速率取负数作为所述深度学习网络模型的损失函数。

18、可选地，所述损失函数构造如下：

19、

20、其中，l为损失函数；i为单位向量，snr为信噪比，f为输出的波束赋形矩阵，h为输入的信道信息矩阵，ns为数据流数。

21、在一些实施例中，所述基于深度学习的波束赋形矩阵生成方法应用于sta，包括：接收用于指示信道探测的指令；向ap发送的反馈信息；所述反馈信息包括信道状态信息。

22、在一些实施例中，所述网络设备，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的程序，执行上述的基于深度学习的波束赋形矩阵生成方法。

23、在一些实施例中，所述终端设备，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的程序，执行上述的基于深度学习的波束赋形矩阵生成方法。

24、本公开实施例提供的基于深度学习的波束赋形矩阵生成方法、网络设备和终端设备，可以实现以下技术效果：

25、通过sta的信道状态信息与beamforming矩阵之间的映射关系，对深度学习网络模型进行训练，使得训练后的深度学习网络模型能够上线部署，在线决策。根据所得到的信道状态信息直接输出beamforming矩阵，所得到的矩阵更为精确，提高了系统的频谱效率，系统性能更加优越。

26、以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。

技术特征：

1.一种基于深度学习的波束赋形矩阵生成方法，应用于接入点ap，其特征在于，包括：

2.根据权利要求1所述的波束赋形矩阵生成方法，其特征在于，所述向终端sta发送用于指示信道探测的指令，包括：

3.根据权利要求1所述的波束赋形矩阵生成方法，其特征在于，所述深度学习网络模型的训练，包括：

4.根据权利要求3所述的波束赋形矩阵生成方法，其特征在于，所述输入数据集的信道状态信息包括对反馈信息加扰后的加扰信道矩阵。

5.根据权利要求3所述的波束赋形矩阵生成方法，其特征在于，还包括：

6.根据权利要求3所述的波束赋形矩阵生成方法，其特征在于，所述根据深度学习网络模型的输出，确定损失函数，包括：

7.根据权利要求6所述的波束赋形矩阵生成方法，其特征在于，所述损失函数构造如下：

8.一种基于深度学习的波束赋形矩阵生成方法，应用于sta，其特征在于，包括：

9.一种网络设备，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的程序，执行如权利要求1至7中任一项所述的基于深度学习的波束赋形矩阵生成方法。

10.一种终端设备，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的程序，执行如权利要求8所述的基于深度学习的波束赋形矩阵生成方法。

技术总结
本申请涉及无线通信技术领域，公开一种基于深度学习的波束赋形矩阵生成方法，应用于接入点AP，该方法包括：向终端STA发送用于指示信道探测的指令；接收STA发送的反馈信息；反馈信息包括信道状态信息；将反馈信息输入已经训练好的深度学习网络模型，根据深度学习网络模型的输出信息构建波束赋形矩阵。该方法通过STA的信道状态信息与Beamforming矩阵之间的映射关系，对深度学习网络模型进行训练，使得训练后的深度学习网络模型能够上线部署，在线决策。根据所得到的信道状态信息直接输出Beamforming矩阵，所得到的矩阵更为精确，提高了系统的频谱效率，系统性能更加优越。本申请还公开一种网络设备和终端设备。

技术研发人员：王和俊,王滨后,徐芳,聂圣源,裴志翔,谢刚
受保护的技术使用者：青岛海尔智能技术研发有限公司
技术研发日：
技术公布日：2024/3/27