一种基于深度学习的天线选择方法技术

本发明专利技术公开了一种基于深度学习的天线选择方法，其包括：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。与现有技术相比，本发明专利技术的方法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。

An Antenna Selection Method Based on Deep Learning

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。其进一步技术方案为：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),...,(xm,ym)}。其进一步技术方案为：所述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包括：选取标记样本数据集中的部分数据，通过前向传播算法获得标签类别的预测值并计算预测值和真实值yi之间的损失函数；通过反向传播算法计算参数w和b的梯度，再通过梯度下降法更新每一个参数，以最小化损失函数；若损失函数收敛到最小值或者迭代训练达到预设次数了，结束训练，获得用于天线选择的神经网络分类模型。其进一步技术方案为：所述损失函数为其进一步技术方案为：所述获取STSKMIMO通信系统模型中每一信道的信道状态信息矩阵之前，还包括：搭建STSKMIMO通信系统模型，并采用最大似然估计方法对该通信系统中的信道进行估计。其进一步技术方案为：所述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之后，还包括：计算获得的天线组合的误码率和信道容量的大小。与现有技术相比，本专利技术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，即通过提取STSKMIMO模型的每一条链路的信道状态信息作为特征样本，且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，采用误码率最小的天线组合标记信道，并构成标记样本数据集，再采用深度学习的方法训练标记样本数据集中的部分数据，即可得到用于天线选择的神经网络分类模型，若有新的数据信息输入至该神经网络分类模型中，则可较快地得到最佳的天线组合，减少了系统的工作量，降低了系统的选择复杂度。附图说明图1是本专利技术基于深度学习的天线选择方法一具体实施例的流程示意图。图2为图1中基于深度学习的天线选择方法的子流程示意图。图3为图1中基于深度学习的天线选择方法的另一子流程示意图。图4是采用本专利技术的天线选择方法和采用其他天线选择方法对信号进行传输的系统传输可靠性的仿真对比图。图5是采用本专利技术的天线选择方法和采用其他天线选择方法对信号进行传输的系统信道容量的仿真对比图。具体实施方式为使本领域的普通技术人员更加清楚地理解本专利技术的目的、技术方案和优点，以下结合附图和实施例对本专利技术做进一步的阐述。STSK(Space-TimeShiftKeying，空时移键控)技术将时间域与空间域均利用起来，更具体地说，STSK系统是基于每个STSK块持续时间内适当地激活被索引的时空分散矩阵，可优化分散矩阵的维度和数量以及发射接收天线的数量，并能够采用灵活的分集技术抵抗复用增益的损失。参照图1，图1为本专利技术基于深度学习的天线选择方法一具体实施例的流程示意图。所述方法包括：S101、搭建STSKMIMO通信系统模型，并采用最大似然估计方法对该通信系统中的信道进行估计。该步骤中，因天线选择的基础依赖于发送方和接收方均获知信道状态信息(ChannelStateInformation，CSI)，因此每次进行天线选择之前，需要对信道进行估计，则在STSKMIMO通信系统模型中接收端，将采用最大似然估计(Maximumlikelihood,ML)方法估计接收信号。S102、获取STSKMIMO通信系统模型中每一信道的信道状态信息矩阵。该步骤中，发射天线数为Nt，接收天线数为Nr时，则无线信道可以表示为：其中，i＝1,2,3,...MM为无线信道数量，根据瑞利分布，可随机产生M＝5×104个信道作为训练集。S103、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。该步骤中，特征矩阵xi＝[x1,x2,...,xn]＝[|H(1,1)|,...,|H(Nt,Nr)|]，其中n＝Nt*Nr。S104、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。该步骤中，因机器学习能很好的解决分类和预测的问题，深度学习是机器学习中一种基于对数据进行表征学习的方法，而天线选择的问题也可以看成多分类的问题，通过提取STSKMIMO模型的每一条链路的信道状态信息作为特征样本，再以每一信道传输中数据传输误码率最小的天线组合为关键指标标记信道，构成标记样本数据集，就可以用深度学习的方法去训练标记样本数据集中的样本数据。具体地，参照图2，该步骤包括有如下子步骤S1041-S1043：S1041、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。该步骤中，信号在不同信道中利用不同天线组合进行传输时，计算每个信道中每一天线组合的传输误码率。S1042、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)。该步骤中，m,n分别是在发送端和接收端选择的天线数量。S1043、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标记对本文档来自技高网...

【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