本发明涉及无线通信系统中的波束赋形，尤其涉及一种基于深度学习的波束赋形计算方法
背景技术：
1、多天线技术是5g以及未来移动通信系统中的核心技术，波束赋形可以更好的发挥多天线技术所带来的空间自由度，实现定向传输，进而提升频谱效率与能量效率。然而，随着移动通信系统日趋复杂化与密集化，基于传统方案实现高性能的、动态的、低响应时间的波束赋形设计面临挑战。
2、深度学习利用神经网络的函数逼近能力，可以学习无线信道到最优波束赋形的映射，解决上述问题，因此有必要给出基于深度学习进行波束赋形计算的标准化流程。此外，在波束赋形设计问题中，传统神经网络存在泛化能力差的缺陷，无法适应动态变化的无线环境。因此，需根据应用场景与需求针对性地设计神经网络架构，进而提升算法性能。
技术实现思路
1、本发明的实施例提供了一种基于深度学习的波束赋形计算方法，以实现有效地计算无线通信系统的波束赋形。
2、为了实现上述目的，本发明采取了如下技术方案。
3、一种基于深度学习的波束赋形计算方法，包括：
4、获取实际无线通信系统场景的带标签的波束赋形数据集，所述波束赋形数据集的特征包括信道实时信息、通信需求，标签包括最优波束赋形向量，将所述波束赋形数据集划分为训练集和测试集；
5、根据实际应用场景或需求搭建神经网络架构，基于应用场景和波束赋形目标与需求设计所述神经网络架构的损失函数；
6、利用所述训练集通过小批量梯度下降方法对所构建的神经网络架构进行训练，利用所述测试集对训练后的神经网络架构进行泛化测试，当验证训练后的神经网络架构的损失函数的损失值符合要求后，得到训练好的神经网络架构；
7、将所述训练好的神经网络架构应用到新无线通信系统场景，进行新无线通信系统场景的波束赋形计算。
8、优选地，所述的获取实际无线通信系统场景的带标签的波束赋形数据集，包括：在实际无线通信系统场景中采集相关数据，作为波束赋形数据集；或者，将实际无线通信系统场景建模为优化问题，通过优化算法模拟产生波束赋形数据集。
9、优选地，所述的根据实际应用场景或需求搭建神经网络架构，包括：
10、基于图神经网络构建神经网络架构，所述图神经网络包括图卷积神经网络和图注意力网络，将所述神经网络架构的模型改进为复数模型，将复数的信道状态信息输入到神经网络架构的模型中，神经网络架构的模型输出相应的波束赋形向量，实现端到端学习。
11、优选地，所述的基于应用场景和波束赋形目标与需求设计所述神经网络架构的损失函数，包括：
12、采用均方误差作为设计所述神经网络架构的损失函数，如下所示：
13、
14、式中，u(.)为根据波束赋形目标和需求设计的效用函数，{wi}out为神经网络输出的波束赋形，{wi}target为数据集中标签波束赋形；
15、对于无约束波束赋形问题直接采用目标函数作为效用函数，即u({wi})＝obj({wi})；对于有约束的波束赋形问题，通过惩罚函数方法设计效用函数，即obj(.)表示目标函数，j表示约束数量，μj表示惩罚系数，fj(.)表示约束。
16、优选地，所述的利用所述训练集通过小批量梯度下降方法对所构建的神经网络架构进行训练，利用所述测试集对训练后的神经网络架构进行泛化测试，当验证训练后的神经网络架构的损失函数的损失值符合要求后，得到训练好的神经网络架构，包括：
17、对所述神经网络架构中的参数进行初始化，将所述训练集中的样本分批次输入到所述神经网络架构中，所述神经网络架构通过深度学习推理出无线信道的最优波束赋形的映射，获得每个样本相应的波束赋形，利用所述测试集对训练后的神经网络进行泛化测试，计算出样本的损失函数的损失值，根据损失值利用反向传播和梯度下降法更新神经网络架构的系数，重复上述过程，直至损失值趋于收敛，得到训练好的神经网络架构。
18、优选地，所述的将所述训练好的神经网络架构应用到新无线通信系统场景，进行新无线通信系统场景的波束赋形计算，包括：
19、获取新无线通信系统场景的带标签的波束赋形数据集，所述波束赋形数据集的特征包括信道实时信息、通信需求，标签包括最优波束赋形向量；
20、将所述新系统场景的波束赋形数据集中的不同参数的样本输入到所述训练好的神经网络架构，所述训练好的神经网络架构输出所述新无线通信系统场景的波束赋形向量。
21、由上述本发明的实施例提供的技术方案可以看出，本发明实施例所提出的波束赋形计算方案具备较好的最优性能与泛化性能，并能够实现毫秒级相应。
22、本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
1.一种基于深度学习的波束赋形计算方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的波束赋形计算方法，其特征在于，所述的获取实际无线通信系统场景的带标签的波束赋形数据集，包括：在实际无线通信系统场景中采集相关数据，作为波束赋形数据集；或者，将实际无线通信系统场景建模为优化问题，通过优化算法模拟产生波束赋形数据集。
3.根据权利要求1所述的基于深度学习的波束赋形计算方法，其特征在于，所述的根据实际应用场景或需求搭建神经网络架构，包括：
4.根据权利要求3所述的基于深度学习的波束赋形计算方法，其特征在于，所述的基于应用场景和波束赋形目标与需求设计所述神经网络架构的损失函数，包括：
5.根据权利要求4所述的基于深度学习的波束赋形计算方法，其特征在于，所述的利用所述训练集通过小批量梯度下降方法对所构建的神经网络架构进行训练，利用所述测试集对训练后的神经网络架构进行泛化测试，当验证训练后的神经网络架构的损失函数的损失值符合要求后，得到训练好的神经网络架构，包括：
6.根据权利要求5所述的基于深度学习的波束赋形计算方法，其特征在于，所述的将所述训练好的神经网络架构应用到新无线通信系统场景，进行新无线通信系统场景的波束赋形计算，包括：