基于残差神经网络的混合波束赋形矩阵优化方法技术

本发明专利技术公开了一种基于残差神经网络的混合波束赋形矩阵优化方法，该算法主要分为模型建立和神经网络训练两个阶段:模型建立阶段主要是在5G通信系统状态下，所创建的混合波束赋形系统模型。神经网络训练阶段是将所创建的信道矩阵和其相应的混合波束赋形矩阵联合构成残差神经网络的训练验证集，以此训练出相应的残差网络。在此基础上，当通过估计算法得到的信道矩阵输入到训练好的神经网络后，网络将快速计算出所对应的混合波束赋形矩阵参数，从而完成矩阵对应的MIMO天线的调整，最终获得优化过的波束赋形通信系统。该过程所需的时间和复杂度比起其他优化算法来说将有效减少，而结果却很相似。

Optimization method of hybrid beamforming matrix based on residual neural network

【技术实现步骤摘要】
基于残差神经网络的混合波束赋形矩阵优化方法
本专利技术涉及一种基于残差神经网络的混合波束赋形矩阵优化方法，属于无线通讯

技术介绍
随着5G商用的不断发展，MIMO技术逐步成熟，基站发射端已经达到数百个天线阵列。在4G系统中，天线数目不是很多，往往采用数字波束赋形技术，因为可以精确地调节传输信号的幅度和相位，每根天线也都配置了独立的射频链路。但到了5G系统中，考虑成本、功耗等因素，每个天线配置一套射频链路已经不现实，所以基本采用的是数字波束赋形结合模拟波束赋形的混合波束赋形的方式来降低射频链路的数目需求。在5G波束赋形的基础上，建立相应的系统传输模型，然后通过各种传统的优化算法不断地进行迭代，以求得发送、接收端各天线的波束赋形矩阵。这些方法虽然可以取得很好的系统性能，但计算复杂度高，相应的时延也大，明显不太能满足5G时代提出的超低时延的要求。而深度学习帮助解决了该问题，通过搜集的训练集进行深度神经网络的线下训练，并采用一些极为有效的神经网络模型，就可以保证在线上实施时达到要求的系统性能的情况下，很好地缩减传输信号达到最优波束赋形本文档来自技高网...

【技术保护点】
1.基于残差神经网络的混合波束赋形矩阵优化方法，其特征是，包括如下步骤：/n1)建立混合波束赋形系统模型，确定其优化条件；/n2)将信道输入混合波束赋形系统模型，根据优化条件得到混合波束赋形矩阵；/n3)创建残差神经网络，以信道及其对应的混合波束赋形矩阵作为样本，构造样本集，训练残差神经网络，得到多任务卷积残差神经网络；/n4)根据新的输入信号估计出信道矩阵，将信道输入多任务卷积残差神经网络，得到混合波束赋形矩阵。/n

【技术特征摘要】
1.基于残差神经网络的混合波束赋形矩阵优化方法，其特征是，包括如下步骤：
1)建立混合波束赋形系统模型，确定其优化条件；
2)将信道输入混合波束赋形系统模型，根据优化条件得到混合波束赋形矩阵；
3)创建残差神经网络，以信道及其对应的混合波束赋形矩阵作为样本，构造样本集，训练残差神经网络，得到多任务卷积残差神经网络；
4)根据新的输入信号估计出信道矩阵，将信道输入多任务卷积残差神经网络，得到混合波束赋形矩阵。


2.根据权利要求1所述的基于残差神经网络的混合波束赋形矩阵优化方法，其特征是，所述步骤1)中所述混合波束赋形系统模型为：



K为接收端用户数量，Hk、Xk、nk分别为第k个用户的接收端数字波束赋形矩阵、接收端模拟波束赋形矩阵、信道矩阵、发送端模拟波束赋形矩阵、发送端数字波束赋形矩阵、输入信号和服从正态...

【专利技术属性】
技术研发人员：肖强，宋荣方，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32