The invention discloses an antenna selection method based on deep learning, which includes: acquiring the channel state information matrix of each channel in STSK MIMO communication system model; calculating the channel state information matrix to obtain the characteristic matrix xi; calculating the transmission error rate of different antenna combinations in each channel according to the channel state information, and selecting the error rate in each channel. The antenna combination with the smallest bit rate labels the channel and constitutes the label sample data set. Selecting some data from the label sample data set, the forward propagation algorithm and the backward propagation algorithm of the neural network are used to train iteratively to obtain the classification model of the neural network for antenna selection. The channel that needs antenna selection is input into the classification model of the neural network to obtain the corresponding data. Antenna combination. Compared with the prior art, the method of the present invention can greatly reduce the selection complexity of the system while guaranteeing high transmission reliability and system capacity of the communication system.
【技术实现步骤摘要】
一种基于深度学习的天线选择方法
本专利技术涉及通信和深度学习领域,更具体地涉及一种基于深度学习的天线选择方法。
技术介绍
现有技术中,MIMO(Multiple-InputMultiple-Output)技术是未来5G时代的关键技术之一。MIMO技术在发射端和接收端分别使用多个发射天线和接收天线,使信号通过发射端与接收端的多个天线传输和接收,从而改善通信质量。它能充分利用空间资源,通过多个天线实现多发多收,但因MIMO通信系统配置了多根天线,虽然增加天线数量可以获得更优的传输可靠性,但是天线数目也会带来系统成本和运算复杂度的上升。天线选择就是在不影响其系统性能的情况下,能有效的降低系统的复杂度,传统的天线选择算法最优的是遍历的天线选择算法,但是天线数目越多,遍历所有天线组合所需的运算量骤升,这样会给用户带来极差的体验,所以传统的方法在性能的提高方面面临着巨大的挑战。鉴于此,有必要提供一种可在保证通信系统具有较高传输可靠性和系统容量的情况下,大幅度地降低系统的选择复杂性的基于深度学习的天线选择方法以解决上述缺陷。
技术实现思路
本专利技术所要解决的技术问题是提供一种可在保证通信系统具有较高传输可靠性和系统容量的情况下,大幅度地降低系统的选择复杂性的基于深度学习的天线选择方法。为解决上述技术问题,本专利技术提供一种基于深度学习的天线选择方法,该方法包括:获取STSKMIMO通信系统模型中每一信道的信道状态信息矩阵;将所述信道状态信息矩阵进行取幅值运算,以得到特征矩阵xi;根据信道状态信息计算每一信道中不同天线组合的传输误码率,选择每一信道中误码率最小的天线组合标记 ...
【技术保护点】
1.一种基于深度学习的天线选择方法,其特征在于,所述天线选择方法包括:获取STSK MIMO通信系统模型中每一信道的信道状态信息矩阵;将所述信道状态信息矩阵进行取幅值运算,以得到特征矩阵xi;根据信道状态信息计算每一信道中不同天线组合的传输误码率,选择每一信道中误码率最小的天线组合标记该信道,并构成标记样本数据集;选取标记样本数据集中的部分数据,并用神经网络的前向传播算法和反向传播算法进行迭代训练,以获得用于天线选择的神经网络分类模型;将需天线选择的信道输入至神经网络分类模型中,以获得相应的天线组合。
【技术特征摘要】
1.一种基于深度学习的天线选择方法,其特征在于,所述天线选择方法包括:获取STSKMIMO通信系统模型中每一信道的信道状态信息矩阵;将所述信道状态信息矩阵进行取幅值运算,以得到特征矩阵xi;根据信道状态信息计算每一信道中不同天线组合的传输误码率,选择每一信道中误码率最小的天线组合标记该信道,并构成标记样本数据集;选取标记样本数据集中的部分数据,并用神经网络的前向传播算法和反向传播算法进行迭代训练,以获得用于天线选择的神经网络分类模型;将需天线选择的信道输入至神经网络分类模型中,以获得相应的天线组合。2.如权利要求1中所述的基于深度学习的天线选择方法,其特征在于:所述根据信道状态信息计算每一信道中不同天线组合的传输误码率,选择每一信道中误码率最小的天线组合标记该信道,并构成标记样本数据集包括:根据信道状态信息计算每一信道中不同天线组合的传输误码率;将每一天线组合看作一类标签,其中标签类别为y(y=1,2,...,s);获取每一信道中误码率最小的天线组合对应的标签类别y,且用该标签类别y标记对应的信道信息特征矩阵xi,并构成标记样本数据集(xi,yi)={(x1,y1),(x2,y2),......
【专利技术属性】
技术研发人员:张沛昌,罗焕聪,黄磊,许家俊,蒋隽毅,
申请(专利权)人:深圳大学,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。