基于机器学习的发射机码字选择方法、装置和发射机制造方法及图纸

本发明专利技术实施例提供了一种基于机器学习的发射机码字选择方法、装置和发射机，所述方法包括：获取发射机的当前参数信息；将所述当前参数信息输入到预先经过机器学习训练好的分类模型中，得到发射机码字，并形成用于发送的模拟信号波束。从而降低通信系统中发射机码字选择的复杂度，同时适用于信道剧烈变化、发射机进行初始接入或者发射机没有初始最优码字的情况。

Transmitter based codeword selection method, device and transmitter based on machine learning

The embodiment of the invention provides a transmitter code selection method, device and transmitter based on machine learning. The method includes: obtaining the current parameter information of the transmitter, input the current parameter information into a classification model which is well trained by the machine learning and training, and obtain the transmitter codeword, and form the use of the transmitter. An analog signal beam sent. It reduces the complexity of the selection of the transmitter codeword in the communication system, and is applicable to the case of intense channel change, the initial access of the transmitter or the transmitter without the initial optimal code.

【技术实现步骤摘要】
基于机器学习的发射机码字选择方法、装置和发射机
本专利技术涉及无线通信
，特别是涉及一种基于机器学习的发射机码字选择方法、装置和发射机。
技术介绍
目前，许多无线通信系统通常配备多天线的收发机，多个天线可以构成多天线阵列，通过调整射频链路中诸如移相器等元器件，能够使得收发机天线把信号的能量集中于无线传输空间中某一方向，形成信号传输的模拟波束。具体实施中，信号发射机需要从一个预先定义好的码本中选择一个码字，来决定发射模拟波束的方向。如何在码本中选择传输性能最优的码字是一个难题。现有技术中选择码字的方法有两种：1、通过遍历所有码字的方式选择其中最优的：即发射机将所有可能的码字进行遍历，形成一系列模拟波束进行发送，接收机在收到不同的信号后，选取其中最优的码字反馈给出发射机，发射机接收到上述最优码字后，即采用该最优码字进行发送。2、基于缓变信道进行码字选择：通常，在已经建立好连接的收发机通信链路上，由于发射机位置的移动，信道状态会发生改变，需要重新进行发射机码字选择。但是在一些发射机位置改变不明显的情况下，发射机到接收机链路中信道状态变化比较缓慢，因此发射机可以直接选择原来的最优码字进行发送。上述两种方法都存在缺点：对于第一种方法，缺点是计算复杂度很高，特别是发射机中可选的码字很多时，需要发射机遍历所有的码字，使得发射机计算负担很大。对于第二种方法，由于需要基于原先选好的最优码字进行发送，则如果没有已知的最优码字，就无法进行选择。此外，这种方法只适用于缓变信道，不适合发射机高速移动的场景和发射机进行初始接入系统的情况，以及信道剧烈变化的情况。
技术实现思路
本专利技术实施例的目的在于提供一种基于机器学习的发射机码字选择方法、装置和发射机，以降低无线通信系统中发射机码字选择的复杂度，同时适用于信道剧烈变化、发射机进行初始接入或者发射机没有初始最优码字的情况。具体技术方案如下：一种基于机器学习的发射机码字选择方法，应用于发射机，所述方法包括：获取发射机的当前参数信息；所述参数信息包括：发射机的发射参数信息以及发射机所使用的发射信道的信道状态信息；将所述当前参数信息输入到预先存储的分类模型中，得到发射机码字；所述分类模型是预先根据数据样本库中的参数信息以及对应的码字，按照机器学习的方法训练得到的；所述数据样本库包括：多个样本，其中每个样本都包括一个发射机的参数信息以及对应的码字。可选的，所述数据样本库由通信系统中基站执行如下步骤建立的：预先对到达接收机的历史数据进行收集，形成数据样本库；所述历史数据包括每个到达接收机的信号对应的发射机参数信息和码字。可选的，所述对到达接收机的历史数据进行收集包括：接收发射机在发送信号的同时上报的发射机参数信息以及对应的码字并记录或检测来自发射机的信号并对当前信道进行信道估计，从而获得所述信号对应的发射机参数信息以及码字并记录。可选的，所述按照机器学习的方法训练，包括：所述通信系统中基站，依据每个样本中的码字，用码字在码本中的索引对所述数据样本库中的样本进行标记；将相同标记的样本确定为一类，共Nc种类别，其中，Nc为码本中码字的个数；对于任意的两类样本：m类样本和n类样本，其中m，n满足m<n，且m，n∈{1，2，…，Nc}，Nc表示所述样本库中样本的类别总数，使用机器学习算法得到一个针对m类样本和n类样本的分离超平面方程：其中x′为自变量，y′为因变量，为针对样本m和样本n的超平面方程的系数，为针对样本m和样本n的超平面方程的常数项，且和的维度和样本的维度相同；获得个分离超平面方程。可选的，所述每个样本为一个多维的向量{x，ic}，其中ic表示样本中的码字在码本中的索引；向量x表示样本中发射机的参数信息，满足如下形式：其中，分别表示发射机发射的信号在第l条路径上的信道增益、信号离开角和信号到达角，d表示发射机和接收机二者的距离，pUE表示发射机的发射功率；l∈{1,2,…,L}，其中L为信号传播的总径数。可选的，所述对于任意的两类样本：m类样本和n类样本，其中m，n满足m<n，且m，n∈{1，2，…，Nc}，Nc表示所述样本库中样本的类别总数，使用机器学习算法得到一个针对m类样本和n类样本的分离超平面方程包括：获取所述m类样本和n类样本中的全部样本，记所述两类样本中的全部样本总数为J，则所述m类样本和n类样本中的全部样本可以表示为x1,x2,x3…xJ；对其中任意一个样本xj进行赋值，j∈{1,2,…,J}，记为yj，满足以下式子：则对于所述m类样本和n类样本，使用机器学习算法求解方程：在满足yj[wTΦ(xj)+b]≥1，j∈{1,2,…,J}的前提下，求解的最小值；其中，w表示超平面方程的参数，为一个向量，维度和样本x的维度相同，wT表示向量的转置，Φ(xj)表示对于样本xj的核函数；根据求解结果得到任意两类样本：m类样本和n类样本的分离超平面方程的系数以及常数项可选的，所述对于所述m类样本和n类样本，使用机器学习算法求解方程，包括：使用SVM分类器，采用二次规划算法、序列最小化算法或最小均方误差算法求解方程。可选的，所述将所述当前参数信息输入到预先存储的分类模型中，得到发射机码字，包括：获得训练完成的个超平面方程；设置迭代次数k初始值为1；初始化m,n，令m＝1,n＝2；判断迭代次数k是否大于(Nc-1)；若迭代次数k不大于(Nc-1)，则将发射机的当前参数信息代入公式中进行计算，其中为针对m类样本和n类样本的超平面方程的系数，为针对m类样本和n类样本的超平面方程的常数项，x*表示发射机的当前参数信息；如果计算得到的y*≥0，则保留n类样本对应的码字cn,并更新m＝n+1，更新迭代次数k＝k+1,同时返回判断迭代次数k是否大于(Nc-1)的步骤；如果计算得到的y*＜0，则保留m类样本对应的码字cm,并更新n＝n+1，更新迭代次数k＝k+1,返回判断迭代次数k是否大于(Nc-1)的步骤；若迭代次数大于(Nc-1)，则将当前保留的码字作为发射机码字。本专利技术实施例提供了一种基于机器学习的发射机码字选择装置，所述装置包括：发射机参数信息获取模块：用于获取发射机的当前参数信息；所述参数信息包括：发射机的发射参数信息以及发射机所使用的发射信道的信道状态信息；发射机码字确定模块：用于将所述当前参数信息输入到预先存储的分类模型中，得到发射机码字；所述分类模型是预先根据数据样本库中的参数信息以及对应的码字，按照机器学习的方法训练得到的；所述数据样本库包括：多个样本，其中每个样本都包括一个发射机的参数信息以及对应的码字。本专利技术实施例提供了一种发射机，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现上述方法步骤。本专利技术实施例提供的基于机器学习的发射机码字选择方法、装置和发射机，可以降低无线通信系统中发射机码字选择的复杂度，同时适用于信道剧烈变化、发射机进行初始接入或者发射机没有初始最优码字的情况。当然，实施本专利技术的任一产品或方法必不一定需要同时达到以上所述的所有优点。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例本文档来自技高网...

【技术保护点】
1.一种基于机器学习的发射机码字选择方法，其特征在于，应用于发射机，所述方法包括：获取发射机的当前参数信息；所述参数信息包括：发射机的发射参数信息以及发射机所使用的发射信道的信道状态信息；将所述当前参数信息输入到预先存储的分类模型中，得到发射机码字；所述分类模型是预先根据数据样本库中的参数信息以及对应的码字，按照机器学习的方法训练得到的；所述数据样本库包括：多个样本，其中每个样本都包括一个发射机的参数信息以及对应的码字。

【技术特征摘要】
1.一种基于机器学习的发射机码字选择方法，其特征在于，应用于发射机，所述方法包括：获取发射机的当前参数信息；所述参数信息包括：发射机的发射参数信息以及发射机所使用的发射信道的信道状态信息；将所述当前参数信息输入到预先存储的分类模型中，得到发射机码字；所述分类模型是预先根据数据样本库中的参数信息以及对应的码字，按照机器学习的方法训练得到的；所述数据样本库包括：多个样本，其中每个样本都包括一个发射机的参数信息以及对应的码字。2.根据权利要求1所述的方法，其特征在于，所述数据样本库由通信系统中基站执行如下步骤建立的：预先对到达接收机的历史数据进行收集，形成数据样本库；所述历史数据包括每个到达接收机的信号对应的发射机参数信息和码字。3.根据权利要求2所述的方法，其特征在于，所述对到达接收机的历史数据进行收集包括：接收发射机在发送信号的同时上报的发射机参数信息以及对应的码字并记录或检测来自发射机的信号并对当前信道进行信道估计，从而获得所述信号对应的发射机参数信息以及码字并记录。4.根据权利要求3所述的方法，其特征在于，所述按照机器学习的方法训练，包括：所述通信系统中基站，依据每个样本中的码字，用码字在码本中的索引对所述数据样本库中的样本进行标记；将相同标记的样本确定为一类，共Nc种类别，其中，Nc为码本中码字的个数；对于任意的两类样本：m类样本和n类样本，其中m，n满足m<n，且m，n∈{1，2，…，Nc}，Nc表示所述样本库中样本的类别总数，使用机器学习算法得到一个针对m类样本和n类样本的分离超平面方程：其中x′为自变量，y′为因变量，为针对样本m和样本n的超平面方程的系数，为针对样本m和样本n的超平面方程的常数项，且和的维度和样本的维度相同；获得个分离超平面方程。5.根据权利要求4所述的方法，其特征在于，所述每个样本为一个多维的向量{x，ic}，其中ic表示样本中的码字在码本中的索引；向量x表示样本中发射机的参数信息，满足如下形式：其中，αl,分别表示发射机发射的信号在第l条路径上的信道增益、信号离开角和信号到达角，d表示发射机和接收机二者的距离，pUE表示发射机的发射功率；l∈{1,2,…,L}，其中L为信号传播的总径数。6.根据权利要求5所述的方法，其特征在于，所述对于任意的两类样本：m类样本和n类样本，其中m，n满足m<n，且m，n∈{1，2，…，Nc}，Nc表示所述样本库中样本的类别总数，使用机器学习算法得到一个针对m类样本和n类样本的分离超平面方程包括：获取所述m类样本和n类样本中的全部样本，记所述两类样...

【专利技术属性】
技术研发人员：杨阳，刘军，尤亚楠，刘芳，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11