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...
【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...
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。