毫米波大规模MIMO系统中基于DenseNet的混合预编码方法技术方案

本发明专利技术涉及一种毫米波大规模MIMO系统中基于DenseNet的混合预编码方法，属于无线通信技术领域。该方法包括线下训练阶段和线上阶段，其中线下训练阶段：首先，对信道矩阵H进行奇异值分解，得到与H对应的最优无约束混合预编码F

Densenet based hybrid precoding method in millimeter wave large scale MIMO system

The invention relates to a densenet based hybrid precoding method in a millimeter wave large-scale MIMO system, belonging to the technical field of wireless communication. This method includes offline training stage and online training stage, in which offline training stage: firstly, the singular value decomposition of channel matrix H is carried out to obtain the optimal unconstrained mixed precoding f corresponding to H

【技术实现步骤摘要】
毫米波大规模MIMO系统中基于DenseNet的混合预编码方法
本专利技术属于无线通信
，具体涉及毫米波大规模MIMO系统中基于DenseNet的混合预编码方法。
技术介绍
随着移动互联网和物联网的发展，无线数据流量激增；同时在海量大连接场景(MassiveMachineTypeofCommunication，mMTC)中，大规模物联网(InternetofThings，IOT)业务将会导致接入到无线网络上的设备数量呈现爆炸式增长，频谱资源短缺的问题日益突出。为了满足用户日益增长的数据流量业务，从而促进了第五代移动通信系统的发展。而毫米波信号超高的频率，可以提供大量未充分利用的频谱资源，使得毫米波通信作为5G物理层关键技术之一。与目前大多数无线系统相比，载波频率增加了10倍，这使得毫米波信号在自由空间路径损耗带来了数量级的增长，因此在室外进行毫米波通信带来巨大阻碍。而毫米波波长的降低使得大量的天线元件集中在很小的孔径上，从而为基站端配置成百上千根天线实现大规模多输入多输出(MIMO)技术成为可能。此外，大型阵列可以提供克服路径损耗所需的波束形成增益，以抵消毫米波信号严重的路径损耗，同时可以对多个数据流进行预编码，以提高频谱效率。所以毫米波和大规模MIMO技术的结合成为必然。毫米波大规模MIMO技术联合预编码可以对大量数据流进行多路复用，实现更精确的波束形成，进一步提高毫米波系统的频谱效率。传统的多输入多输出(MIMO)处理通常是在基带进行数字处理，从而能够同时控制信号的相位和幅度。但是数字处理需要为每个天线元件配备专门的基带和射频硬件，导致硬件的高成本和高功耗，目前还无法实现这种收发结构；混合预编码架构将预编码处理分成数字基带预编码和由模拟移相器(AnalogPhaseShifters，APSs)构成的模拟预编码两部分。该方案只需少量RF链，从而解决了传统全数字基带预编码方案的高成本和高功耗问题。相比于数字预编码，模拟预编码通常使用移相器来实现，这些移相器对射频预编码器的元件施加恒定模量约束，使得模拟预编码的设计更具挑战性。在毫米波大规模MIMO系统的背景下，虽然已有大量的研究致力于提高混合预编码性能，但仍然存在许多问题，其中两个主要挑战是计算复杂度极高和系统性能较差，而且现有的毫米波大规模MIMO系统没有充分利用信道中存在的结构，以降低系统混合预编码的代价实现了传统的低复杂度方案。因此，以往的研究未能从根本上解决这些问题。深度学习技术是一种处理爆炸性数据和处理复杂非线性问题的非凡技术。证明，深度学习是处理复杂非凸问题和高计算量问题的一种优秀工具，它具有超强的识别和表示能力，能够通过训练捕获混合预编码方案的结构信息，有助于降低计算复杂度，提高系统的频谱效率，综上所述，为了降低系统复杂度及提高系统性能，亟需一种毫米波大规模MIMO系统中的混合预编码设计方案。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种毫米波大规模MIMO系统中基于DenseNet的混合预编码方法，用于解决现有的混合预编码方案计算复杂度高和系统性能较差的问题。为达到上述目的，本专利技术提供如下技术方案：一种毫米波大规模MIMO系统中基于DenseNet的混合预编码方法，包括线下训练阶段和线上阶段，具体包括：(1)线下训练阶段：S1：对信道矩阵H进行奇异值分解，得到与H对应的最优无约束混合预编码Fopt；S2：构建DenseNet神经网络，以最小化最优无约束混合预编码Fopt与模拟预编码FRF和数字预编码FBB之积FRFFBB之差的F范数为目标，利用随机梯度下降算法(SGD)对DenseNet神经网络的参数进行优化，以得到训练好的DenseNet神经网络；(2)线上阶段：S3：利用训练好的DenseNet神经网络，根据不同的信道条件，对应地输出最优的模拟预编码矩阵FRF和数字预编码矩阵FBB。进一步，所述步骤S1具体包括：对信道矩阵进行奇异值(SVD)分解：其中，表示复数集，rank(H)表示求信道矩阵H的秩；Ns表示数据流数，Nr与Nt分别为接收天线数和发射天线数；与H对应的最优无约束预编码器Fopt＝V1。进一步，所述步骤S2具体包括：S21：构建DenseNet神经网络，用激活函数优化网络的多层结构；初始化时，建立映射关系：其中，分别表示模拟预编码矩阵和数字预编码矩阵的初始值，Ω为输入数据集；设置损失函数来训练DenseNet神经网络，损失函数Floss为：其中，||·||F表示F范数运算，FRF，FBB分别为模拟预编码和数字预编码；S22：设置误差阈值τ和迭代次数j，初始化权重w，并通过随机梯度下降算法迭代更新权重矩阵w，以训练得到最优DenseNet神经网络。进一步，所述的DenseNet神经网络由4个顺序连接的神经网络模块构成，每一神经网络模块由输入(Input)层，卷积(Convolutional)层，批归一化(BatchNormalization)层，激活函数(Activation)层，平坦(Flatten)层，全连接(FullyConnected)层和一个输出(Output)层组成；激活函数采用ReLU(a)＝max(0,a)，其中max(0,a)表示取0和a两者之间的最大值；卷积层使用32个尺寸为3×3的卷积核；全连接层包含1024个神经单元；DenseNet的输入为N次信道矩阵H实现，并使用适当大小的零填充(ZeroPadding)层进行填充。进一步，DenseNet神经网络的4个神经网络模块之间的连接方式，具体为：网络输入为X0，经过包含L层的神经网络，若用gi(·)表示第i层非线性变换，gi(·)由多个函数累加而成；第1层输出X1＝g1(X0)；为了优化数据流的传输，DenseNet的每一层的输出不仅与前一层的输入有关，而且与之前所有层的输出均有关，这样增强了特征的重用。例如：对于第2层，其输入为网络的输入X0和第1层输出X1的级联，则第二层的输出为X2＝g2([X1,X0])，依次类推，第4层的输出为X4＝g4([X3,X2,X1,X0])，X3为第三层的输出。进一步，所述步骤S22具体包括：在数据生成中，根据不同的信道条件，生成N次信道矩阵H的实现；将信道矩阵H分为实数部分Re{[H]i,j}和虚数部分Im{[H]i,j}，Re{·}和Im{·}分别表示对信道矩阵H取实部和虚部；设定初始化误差阈值τ，迭代次数j，权重w，通过随机梯度下降算法迭代更新权重矩阵w，在神经网络的输出端，输出维度为的数字预编码和维度为的模拟预编码，对其进行实数转复数化操作，最后得到数字和模拟预编码矩阵，其中表示RF链数量。本专利技术的有益效果在于：本专利技术基于深度学习搭建神经网络，针对现有的混合预编码方案计算复杂度高和系统性能较差的问题，将混合预编码器的设计视为黑盒子，利用深度神经网络提取毫米波信道特征，将神经元之间的非线性操作映射为混合预编码设计，线下通过大量本文档来自技高网...

【技术保护点】
1.一种毫米波大规模MIMO系统中基于DenseNet的混合预编码方法，其特征在于，该方法包括线下训练阶段和线上阶段，具体包括：/n(1)线下训练阶段：/nS1：对信道矩阵H进行奇异值分解，得到与H对应的最优无约束混合预编码F

【技术特征摘要】
1.一种毫米波大规模MIMO系统中基于DenseNet的混合预编码方法，其特征在于，该方法包括线下训练阶段和线上阶段，具体包括：
(1)线下训练阶段：
S1：对信道矩阵H进行奇异值分解，得到与H对应的最优无约束混合预编码Fopt；
S2：构建DenseNet神经网络，以最小化最优无约束混合预编码Fopt与模拟预编码FRF和数字预编码FBB之积FRFFBB之差的F范数为目标，利用随机梯度下降算法对DenseNet神经网络的参数进行优化，以得到训练好的DenseNet神经网络；
(2)线上阶段：
S3：利用训练好的DenseNet神经网络，根据不同的信道条件，对应地输出最优的模拟预编码矩阵FRF和数字预编码矩阵FBB。


2.根据权利要求1所述的毫米波大规模MIMO系统中基于DenseNet的混合预编码方法，其特征在于，所述步骤S1具体包括：对信道矩阵进行奇异值分解：



其中，表示复数集，rank(H)表示求信道矩阵H的秩；Ns表示数据流数，Nr与Nt分别为接收天线数和发射天线数；与H对应的最优无约束预编码器Fopt＝V1。


3.根据权利要求2所述的毫米波大规模MIMO系统中基于DenseNet的混合预编码方法，其特征在于，所述步骤S2具体包括：
S21：构建DenseNet神经网络，用激活函数优化网络的多层结构；初始化时，建立映射关系：



其中，分别表示模拟预编码矩阵和数字预编码矩阵的初始值，Ω为输入数据集；设置损失函数来训练DenseNet神经网络，损失函数Floss为：



其中，||·||F表示F范数运算，FRF，FBB分别为模拟预编码和数字预编码；
S22：设置误差阈值τ和迭代次数j，初始化权重w，并通过随机梯度下降算法迭代更新权重矩阵w，以训练...

【专利技术属性】
技术研发人员：景小荣，孙宗霸，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50