一种机器学习辅助的大规模MIMO下行用户调度方法技术

本发明专利技术公开了一种机器学习辅助的大规模MIMO下行用户调度方法，包括以下步骤：S1：基站通过用户发送的上行探测信号获取特征方向上的特征模式能量耦合矩阵；S2：基站利用特征模式能量耦合矩阵，通过机器学习的方法辅助进行各种用户和波束组合下的和速率计算；S3：采用贪婪算法实现和速率最大准则的用户调度，获取最优用户波束配对组合。本发明专利技术通过上行探测信号获取统计信道信息，采用和速率最大化准则进行用户调度。在基站仅有统计信道信息的情况下，通过有针对性的特征提取以及神经网络的设计，精确地实现和速率的近似计算，极大地降低大规模天线下用户调度的复杂度，并且性能接近最优，具有较好的适用性和鲁棒性。

【技术实现步骤摘要】
一种机器学习辅助的大规模MIMO下行用户调度方法
本专利技术涉及大规模MIMO下行用户调度方法。
技术介绍
随着大规模多输入多输出(MIMO)的无线通信系统的广泛研究，频谱和辐射能量效率可以通过部署大量的天线得到提升。在多用户系统中，基站通过配备大量天线，可以使用相同时频物理资源块与多个移动终端进行通信。大规模MIMO系统的吞吐量取决于系统基站处信道状态信息(CSI)的有效性。在时分双工系统中，基站利用信道的互易性，通过上行导频训练获得下行链路的信道信息。然而导频开销与天线总数呈线性关系，当用户数较多或者用户端配置多天线时，导频开销会很大。另外，随着用户移动性的增加，信道相干时间变得相对较短。传输方法对瞬时信道状态信息的依赖，在很多程度上限制了其实际应用的可行性。为解决信道信息获取的困难，考虑采用统计信道信息代替瞬时信道信息进行用户调度。基站可以通过用户发送的上行探测信号获取统计信道信息，采用贪婪算法实现和速率最大准则的用户调度，获取最优用户波束配对组合。然而，基于统计CSI的用户调度需要计算和速率的期望，复杂度很高。虽然一些现有的方法可以用作计算和速率的近似值，但是在实际应用中计算复杂度仍然较高。
技术实现思路
专利技术目的：本专利技术的目的是提供一种能够降低计算复杂度的机器学习辅助的大规模MIMO下行用户调度方法。技术方案：为达到此目的，本专利技术采用以下技术方案：本专利技术所述的机器学习辅助的大规模MIMO下行用户调度方法，包括以下步骤：S1：基站通过用户发送的上行探测信号获取特征方向上的特征模式能量耦合矩阵；S2：基站利用特征模式能量耦合矩阵，通过机器学习的方法辅助进行各种用户和波束组合下的和速率计算；S3：采用贪婪算法实现和速率最大准则的用户调度，获取最优用户波束配对组合。进一步，所述步骤S1中的特征模式能量耦合矩阵通过式(1)进行计算：式(1)中，为第k个用户的特征模式能量耦合矩阵，M为基站天线数，N为用户天线数，τ为采样时间点的总数，L为子载波的总数，为第k个用户在第t个时间采样点、第l个子载波上的波束域信道估计矩阵，为第k个用户的发送相关阵的特征矩阵，(·)*表示共轭，⊙表示矩阵Hardmad乘积。进一步，所述步骤S2包括以下步骤：S2.1：将和速率的计算问题转变为求解与信道矩阵相关的Hermitian矩阵的有序特征值的概率密度函数的问题；S2.2：将步骤S2.1中的有序特征值的概率密度函数建模为指数族分布，和速率计算问题由此转变为参数估计问题和容量近似问题；S2.3：对特征模式能量耦合矩阵和功率分配矩阵进行特征提取；S2.4：针对用户天线数为2的情况，进行深度特征提取；S2.5：用Monte-Carlo方法生成训练样本；S2.6：利用步骤S2.5生成的训练样本，用神经网络实现参数估计和容量近似。进一步，所述步骤S2.1包括以下步骤：S2.1.1：计算出第k个用户的速率Rk：式(2)中，(·)H表示共轭转置；为第k个用户在第t个时间采样点、第l个子载波上的波束域信道估计矩阵，M为基站天线数，N为用户天线数；Λs为功率分配矩阵，为第i个用户的功率分配对角阵，其对角线元素表示分配到每个特征模式上的能量，表示求期望；定义容量计算函数C(·)为式(3)中，Λ表示功率分配矩阵，表示波束域信道矩阵，λn为的第n个降序特征值，p(λn)表示λn的概率密度函数；则第k个用户的速率Rk根据式(4)得到：S2.1.2：依据式(3)分别得到和再根据式(5)来计算和速率Rsum：进一步，所述步骤S2.2包括以下过程：将p(λn)建模为指数族分布，并假定p(λn)的充分统计量为p(λn)的前P阶原点矩mn：和速率计算问题由此转变为两个问题：参数mn的估计问题和由参数mn的容量近似问题。进一步，所述步骤S2.3包括以下过程：对特征模式能量耦合矩阵和功率分配矩阵进行特征提取：式(7)中，(·)T表示转置，Lm＝[Λs]mm，ωm＝[Ωk]m，1≤m≤M，为第i个用户的功率分配对角阵，其对角线元素表示分配到每个特征模式上的能量，为特征模式能量耦合矩阵，M为基站天线数，N为用户天线数，[Λs]mm表示Λs的第m行第m列的元素，[Ωk]m表示Ωk的第m列，x(Λs,Ωk)为对功率分配矩阵Λs和特征模式能量耦合矩阵Ωk提取的特征向量，简记x(Λs,Ωk)为x；定义相应于第n个特征值λn的容量cn为：定义所有特征值的原点矩向量为m＝(m1,...,mN)，mn为p(λn)的前P阶原点矩，1≤n≤N，所有特征值相应的容量向量为c＝(c1,...,cN)，cn为相应于第n个特征值λn的容量；因此容量计算问题的过程表示为：先提取特征向量x，由特征向量计算原点矩向量m，再由原点矩向量计算容量向量c，其中，P为原点矩最高阶数。进一步，所述步骤S2.4中包括以下过程：针对用户天线数为2的情况，即N＝2，取原点矩最高阶数P＝1，深度提取特征；定义x(Λs,Ωk)的矩阵形式X(Λs,Ωk)为：X(Λs,Ωk)＝(L1ω1,...,LMωM)(9)x(Λs,Ωk)为对功率分配矩阵Λs和特征模式能量耦合矩阵Ωk提取的特征向量；式(9)中，Lm＝[Λs]mm，ωm＝[Ωk]m，1≤m≤M，为第i个用户的功率分配对角阵，其对角线元素表示分配到每个特征模式上的能量，为特征模式能量耦合矩阵，M为基站天线数，N为用户天线数，简记为X，对X(Λs,Ωk)进行进一步特征提取，定义新的特征向量x'为：式(10)中，x'为x'(Λs,Ωk)的简记符号，x'(Λs,Ωk)为在用户天线数为2时对功率分配矩阵Λs和特征模式能量耦合矩阵Ωk深度提取的特征向量，α＝[X]1⊙[X]2，表示矩阵X的第nR行第nT的元素，表示矩阵X的第nR行，容量计算问题的过程表示为：先提取特征向量x'，由特征向量计算原点矩向量m，再由原点矩向量计算容量向量c，其中，进一步，所述步骤S2.5包括以下过程：定义第k个用户的随机信道Gk为：Gk＝Mk⊙W(11)式(11)中，W为独立同分布的复高斯随机矩阵，其元素均值为0，方差为1；Mk为N×M维确定的矩阵，满足Ωk＝Mk⊙Mk，为特征模式能量耦合矩阵，M为基站天线数，N为用户天线数；用Monte-Carlo方法生成训练样本集合和当用户天线数为2时，训练集合为和为训练样本集合的样本数量，为训练样本集合的样本数量，表示x的第个样本，表示x'的第个样本，表示m的第个样本，表示m的第个样本，表示c的第个样本，x为x(Λs,Ωk)的简记符号，x(Λs,Ωk)为对功率分配矩阵Λs和特征模式能量耦合矩阵Ωk提取的特征向量，x'为x'(Λs,Ωk)的简记符号，x'(Λs,Ωk)为在用户天线数为2时对功率分配矩阵Λs和特征模式能量耦合矩阵Ωk深度提取的特征向量。进一步，所述步骤S2.6包括以下步骤：S2.6.1：依据训练样本集合和训练样本集合当用户天线数为2时，训练样本集合为和选定网络参数，分别训练得到参数估计神经网络和容量近似神经网络的权值与偏差，将参数估计神经网络的输出作为容量近似神经网络的输入，级联为一个神经网络；S2.6.2：依据特征模式能量耦合矩阵和功率分配矩阵提取第k个用户的特征；S2.6.3：将步骤S2.6.2提取的特征作为神经网络的输入，神经网络的输出为相本文档来自技高网...

【技术保护点】
1.一种机器学习辅助的大规模MIMO下行用户调度方法，其特征在于：包括以下步骤：S1：基站通过用户发送的上行探测信号获取特征方向上的特征模式能量耦合矩阵；S2：基站利用特征模式能量耦合矩阵，通过机器学习的方法辅助进行各种用户和波束组合下的和速率计算；S3：采用贪婪算法实现和速率最大准则的用户调度，获取最优用户波束配对组合。

【技术特征摘要】
1.一种机器学习辅助的大规模MIMO下行用户调度方法，其特征在于：包括以下步骤：S1：基站通过用户发送的上行探测信号获取特征方向上的特征模式能量耦合矩阵；S2：基站利用特征模式能量耦合矩阵，通过机器学习的方法辅助进行各种用户和波束组合下的和速率计算；S3：采用贪婪算法实现和速率最大准则的用户调度，获取最优用户波束配对组合。2.根据权利要求1所述的机器学习辅助的大规模MIMO下行用户调度方法，其特征在于：所述步骤S1中的特征模式能量耦合矩阵通过式(1)进行计算：式(1)中，为第k个用户的特征模式能量耦合矩阵，M为基站天线数，N为用户天线数，τ为采样时间点的总数，L为子载波的总数，为第k个用户在第t个时间采样点、第l个子载波上的波束域信道估计矩阵，为第k个用户的发送相关阵的特征矩阵，(·)*表示共轭，⊙表示矩阵Hardmad乘积。3.根据权利要求1所述的机器学习辅助的大规模MIMO下行用户调度方法，其特征在于：所述步骤S2包括以下步骤：S2.1：将和速率的计算问题转变为求解与信道矩阵相关的Hermitian矩阵的有序特征值的概率密度函数的问题；S2.2：将步骤S2.1中的有序特征值的概率密度函数建模为指数族分布，和速率计算问题由此转变为参数估计问题和容量近似问题；S2.3：对特征模式能量耦合矩阵和功率分配矩阵进行特征提取；S2.4：针对用户天线数为2的情况，进行深度特征提取；S2.5：用Monte-Carlo方法生成训练样本；S2.6：利用步骤S2.5生成的训练样本，用神经网络实现参数估计和容量近似。4.根据权利要求3所述的机器学习辅助的大规模MIMO下行用户调度方法，其特征在于：所述步骤S2.1包括以下步骤：S2.1.1：计算出第k个用户的速率Rk：式(2)中，(·)H表示共轭转置；为第k个用户在第t个时间采样点、第l个子载波上的波束域信道估计矩阵，M为基站天线数，N为用户天线数；Λs为功率分配矩阵，为第i个用户的功率分配对角阵，其对角线元素表示分配到每个特征模式上的能量，表示求期望；定义容量计算函数C(·)为式(3)中，Λ表示功率分配矩阵，表示波束域信道矩阵，λn为的第n个降序特征值，p(λn)表示λn的概率密度函数；则第k个用户的速率Rk根据式(4)得到：S2.1.2：依据式(3)分别得到和再根据式(5)来计算和速率Rsum：5.根据权利要求4所述的机器学习辅助的大规模MIMO下行用户调度方法，其特征在于：所述步骤S2.2包括以下过程：将p(λn)建模为指数族分布，并假定p(λn)的充分统计量为p(λn)的前P阶原点矩mn：和速率计算问题由此转变为两个问题：参数mn的估计问题和由参数mn的容量近似问题。6.根据权利要求3所述的机器学习辅助的大规模MIMO下行用户调度方法，其特征在于：所述步骤S2.3包括以下过程：对特征模式能量耦合矩阵和功率分配矩阵进行特征提取：式(7)中，(·)T表示转置，Lm＝[Λs]mm，ωm＝[Ωk]m，1≤m≤M，为第i个用户的功率分配对角阵，其对角线元素表示分配到每个特征模式上的能量，为特征模式能量耦合矩阵，M为基站天线数，N为用户天线数，[Λs]mm表示Λs的第m行第m列的元素，[Ωk]m表示Ωk的第m列，x(Λs,Ωk)为对功率分配矩阵Λs和特征模式能量耦合矩阵Ωk提取的特征向量，简记x(Λs,Ωk)为x；定义相应于第n个特征值λn的容量cn为：定义所有特征值的原点矩向量为m＝(m1,...,mN)，mn为p(λn)的前P阶原点矩，1≤n≤N，所有特征值相应的容量向量为c＝(c1,...,cN)，cn为相应于第n个特征值λn的容量；因此容量计算问题的过程表示为：先提取特征向量x，由特征向量计算原点矩向量m，再由原点矩向量计算容量向量c，其中，P为原点矩最高阶数。7.根据权利要求3所述的机器学习辅助的大规模MIMO下行用户调...

【专利技术属性】
技术研发人员：高西奇，王闻今，是钧超，熊佳媛，洪姝，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32