一种基于深度学习的毫米波MIMO混合波束成形优化方法技术

本发明专利技术公开了一种基于深度学习的毫米波MIMO混合波束成形优化方法，具体包括：本发明专利技术的一种基于深度学习的毫米波MIMO混合波束成形优化方法可以将传统毫米波大规模MIMO混合波束成形优化问题中的约束条件映射到神经网络中，将多用户混合波束成形系统完整的转化为一个等价的神经网络。这能够使混合波束成形中复杂的非凸优化问题转化为类似于自编码器端到端无监督优化，可对多个波束成形矩阵进行联合优化。

An optimization method of millimeter wave MIMO hybrid beamforming based on depth learning

The invention discloses a millimeter wave MIMO hybrid beamforming optimization method based on depth learning, which specifically includes: a millimeter wave MIMO hybrid beamforming optimization method based on depth learning of the invention can map the constraints in the traditional millimeter wave large-scale MIMO hybrid beamforming optimization problem to the neural network, and complete the transformation of the multi-user hybrid beamforming system It is transformed into an equivalent neural network. This can transform the complex nonconvex optimization problem in hybrid beamforming into an end-to-end unsupervised optimization similar to that of self encoder, which can jointly optimize multiple beamforming matrices.

【技术实现步骤摘要】
一种基于深度学习的毫米波MIMO混合波束成形优化方法
本专利技术涉及无线通信领域，具体涉及一种基于深度学习的毫米波MIMO混合波束成形优化方法
技术介绍
混合波束形成技术是毫米波多输入多输出(MIMO)系统支持超高传输容量、低复杂度的一种有前途的技术。然而，数字和模拟波束形成器的设计是一个具有非凸性优化的挑战，特别是在多用户情况下。混合波束成形的优化问题中涉及到四个波束成形的优化，采用分层结构逐步优化四个矩阵无法确保全局最优解；研究人员提出的以传统方案得到的波束成形矩阵作为标签训练神经网络的方法，其性能受制于传统方案，没有充分利用神经网络强大的近似能力。对于现有的一对一神经网络波束成形系统，实际应用中，当面对接收端为多个用户时，采用一对一的通信系统和方法，需要建立多个系统并且分别训练系数，造成了资源的浪费，提高了成本。
技术实现思路
本专利技术的目的在于克服现有技术中所存在的上述不足，提供一种基于深度学习的毫米波MIMO混合波束成形的优化方法，本专利技术运用神经网络的方式构建一个混合波束成形系统，将混合波束成形系统中基带波束本文档来自技高网...

【技术保护点】
1.一种基于深度学习的毫米波MIMO混合波束成形优化方法，步骤包括：/nS1，将输入信号由星座映射为复信号，拆解为实部和虚部两个通道，作为输入信号；/nS2，将所述复信号依次输入基带波束成形神经网络和射频波束成形神经网络，得到发射信号，所述发射信号经由信道传输到接收端；/nS3，所述接收端接收到射频信号后，将所述射频信号依次输入射频结合神经网络和基带结合神经网络得到输出信号；/nS4，计算所述输入信号和所述输出信号之间的损失函数，利用Adam算法反向更新系统神经网络的参数，直至系统神经网络的参数收敛，所述系统神经网络包括：基带波束成形神经网络、射频波束成形神经网络、射频结合神经网络和基带结合神...

【技术特征摘要】
1.一种基于深度学习的毫米波MIMO混合波束成形优化方法，步骤包括：
S1，将输入信号由星座映射为复信号，拆解为实部和虚部两个通道，作为输入信号；
S2，将所述复信号依次输入基带波束成形神经网络和射频波束成形神经网络，得到发射信号，所述发射信号经由信道传输到接收端；
S3，所述接收端接收到射频信号后，将所述射频信号依次输入射频结合神经网络和基带结合神经网络得到输出信号；
S4，计算所述输入信号和所述输出信号之间的损失函数，利用Adam算法反向更新系统神经网络的参数，直至系统神经网络的参数收敛，所述系统神经网络包括：基带波束成形神经网络、射频波束成形神经网络、射频结合神经网络和基带结合神经网络，
其特征在于，所述射频结合神经网络由相互独立的多个子射频结合神经网络构成，所述基带结合神经网络由相互独立的多个子基带结合神经网络构成，一个所述的子射频结合神经网络和一个所述子基带结合神经网络构成一个用户的接收端模型，当一个新用户加入时，相应的在所述接收端增加一个所述用户接收端模型，并依次完成步骤S1～S4。


2.如权利要求1所述的优化方法，其特征在于，当加入新的子神经网络时，保持加入新的子神经网络前的子神经网络参数不变，并依次完成步骤S1～S4，直至新的子神经网络参数和发射端的神经网络参数收敛，然后系统神经网络依次完成步骤S1～S4，直到系统神经网络参数收敛。


3.如权利要求1或2所述的优化方法，其特征在于，所述用户增加用户优先权系数，则所述损失函数为：



γk为用户的优先权系数，Sk为用户k的输入信号，为用户k的输出信号，E表示取平均值，通过增加用户优先权系数，提高用户优化优先级，根据损失函数，通过Adam算法对神经网络权重和偏置进行优化。


4.如权利要求1所述的优化方法，其特征在于，所述基带波束成形神经网络为n层全连接的神经网络，所述输入信号传至所述基带波束成形神经网络，并对所述输入信号进行相位和幅度调整，所述基带波束成形神经网络输出信号为其中表示n层神经网络的级联，f的下标t代表发射端，为所述基带波束成形神经网络权重和偏置的集合，所述Sbb为基带波束成形信号。


5.如权利要求4所述...

【专利技术属性】
技术研发人员：陈杰男，邢静，陶继云，刘俊凯，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51