一种基于深度学习的大规模MIMO下行用户调度方法技术

本发明专利技术公开了一种基于深度学习的大规模MIMO下行用户调度方法，包括：获取组用户，每组包含个用户的统计信道信息，计算各用户的波束成形指数以及信道增益；采用最大近似和速率方法对每组用户进行用户调度，产生个训练数据；构建并离线训练预测系统用户调度方案的卷积神经网络模型，使得模型预测的各用户调度概率向量接近标签，以获得模型的参数；利用待调度的系统中所有用户的统计信道信息，计算各用户的波束成形指数以及信道增益，生成模型的归一化输入矩阵；由已训练的模型在线预测各用户被调度的概率，将概率值最大的相应个用户确定为系统将要服务的用户，获得调度结果。

A deep learning based scheduling method for large scale MIMO downlink users

【技术实现步骤摘要】
一种基于深度学习的大规模MIMO下行用户调度方法
本专利技术涉及通信
，特别是涉及一种基于深度学习的大规模MIMO下行用户调度方法。
技术介绍
随着移动互联网的蓬勃发展以及智能终端的迅速普及，无线通信数据量呈指数级增长，人们对无线通信系统提出更高的传输质量和系统容量要求。大规模多输入多输出(multiple-inputmultiple-output，MIMO)传输技术是5G通信系统中的关键技术之一。该技术用大规模天线阵列替代多天线阵列来获得更高的频谱效率和传输可靠性。然而，随着天线数的增加，基站端及时地获得完整的信道状态信息十分困难。近年来，研究人员对基于统计信道状态信息(channelstateinformation，CSI)的下行用户传输系统开展了有效的研究，利用收发相关阵、均值信息等统计CSI设计用户的预编码向量以及解决系统用户调度问题。相对于瞬时CSI，信道的统计CSI在较长时间内是近似不变的，其精确度相对较高，需要的反馈开销较小，因此有效地解决了随天线数的增加而导致的瞬时CSI反馈开销问题。另外，基于统计CSI的最大近似和速率调度方法是一种迭代穷举搜索算法，随着系统中用户数的增加，其计算复杂度呈指数级增长，通过传统的计算方法需要大量的计算资源和较高的计算时延。因此，需要寻找一种计算时延较低的方法解决该问题。近年来，深度学习方法由于其网络的强大表达能力和并行计算结构，在无线通信领域引起了广泛的关注。卷积神经网络是深度学习技术中的代表性网络之一，其局部视野和多核提取特征的特性在处理高维矩阵输入时减少了不必要的网络参数，相比于全连接网络大大降低了网络的复杂度。深度学习方法通过大量训练数据对模型进行离线训练得到最优模型的参数，训练完的神经网络模型能够迅速地根据输入的数据在线预测相应的调度方案，大大降低了计算延时，并且能够适应各种典型的无线通信环境以及发射天线数量的变化。
技术实现思路
为了解决上述存在的问题，本专利技术为基站使用大规模均匀线性天线阵的下行传输系统提供一种基于深度学习的用户调度方法，所提出的卷积神经网络模型能够根据系统中各用户的统计信道信息预测调度方案，以较小的计算延时获得较高的系统吞吐量。为达此目的，本专利技术提出的一种基于深度学习的大规模MIMO下行用户调度方法，包括以下步骤：步骤1、基站配置均匀线性天线阵，该天线阵包括M个水平天线阵元，相邻天线阵元间距为载波半波长的，用户配置单根接收天线，总用户数为L，基站最多能够同时服务U个用户；获取N组用户的统计信道信息，每组包含L个用户，分别计算组g,g＝1,…,N中用户i,i＝1,…,L的统计参数；利用统计信道信息计算各用户组中各用户的波束成形指数以及信道增益；所述统计信道信息包括：用户组g中用户i信道的莱斯因子视距分量传输相关阵其中，列向量hg,i为第g个用户组中的基站与用户i之间的信道向量，hg,i的第m个元素[hg,i]m为基站第m个天线单元与用户i之间的信道系数，上标(·)H代表共轭转置，上标(·)T代表转置，E{·}代表求均值；所述对组g中用户i计算波束成形指数以及信道增益包括以下子步骤：a1)对组g,g＝1,…,N中用户i,i＝1,…,L，计算以及其中FM为M×M的DFT矩阵，FM的第m行第n列的元素为a2)分别提取Ag,i和Λg,i的对角元，得到ag,i、λg,i；其中，ag,i和λg,i为M×1维的列向量，其第m个元素分别为Ag,i和Λg,i的第m个对角元；a3)计算信道增益向量a4)得到wg,i中最大元素及其索引则用户i的波束成形指数为用户i的信道增益为wg,i的第个元素步骤2、对每组用户采用最大近似和速率方法进行用户调度，每组用户产生一个训练样本，共产生N个训练样本；所述对组g中用户采用最大近似和速率方法进行用户调度按如下步骤进行：b1)初始状态时，将调度出的服务用户集合S初始化为空集其中表示空集，未调度用户集合M初始化为全部用户M＝{1,2,…,L}，令l＝0；b2)若l＜U且则进入步骤b3)；否则，结束用户调度；b3)对集合M中的用户k∈M，计算当用户k加入到服务用户集合S后的系统近似和速率，找出其中使得系统近似和速率最大的用户其中，P为发射功率，为用户j的噪声功率；将k′其加入集合S且从M集合中删去，并令l＝l+1，进入步骤b2)；所述组g中用户产生的训练样本包括：一个输入矩阵Xg及对应的训练标签向量yg，其中输入矩阵Xg为包含组g中各用户归一化信道增益以及所受干扰的二维矩阵且为组g中用户i信道增益向量wg,i的第个元素，为组g中用户j信道增益向量wg,j中最大元素所对应的索引；对应的训练标签向量为组g中用户的调度方案，其中，表示组g中用户k是否被服务，当时表示组g中用户k未被服务，当时表示组g中用户k被服务；步骤3、构建预测系统用户调度方案的卷积神经网络模型，其输入为利用步骤2中方法生成的一组用户的输入矩阵X，输出为模型预测该组中各个用户被调度的概率向量其中表示该组中第i个用户被调度的概率；用步骤2所形成的训练数据对这个模型进行离线训练，使得模型预测组g,g＝1,…,N中各用户被调度的概率向量逐渐接近yg，以获得模型的参数；步骤4、利用待调度的用户组g'中所有用户的统计信道信息，按照步骤1中的相应步骤计算该组用户中各用户的wg',i、以及再按照步骤2中方法生成模型的输入矩阵Xg'；步骤5、将待调度用户组的输入矩阵Xg'输入已训练的模型，由模型在线预测各用户被调度的概率向量将概率值最大的相应U个用户确定为该组用户中将要服务的用户；本专利技术的进一步改进，所述步骤3中预测系统用户调度方案的卷积网络模型各包含一个输入层、三十三个卷积层、三十三个批归一化层、一个平均池化层、一个全连接层以及一个输出层。本专利技术的进一步改进，所述步骤3中采用交叉熵损失函数使得预测输出逐渐接近yg，g＝1,…,N，所述预测系统用户调度方案的卷积神经网络模型采用的交叉熵损失函数具体为：其中，N为训练集的所有样本数，为第g个样本的训练标签向量yg的第l个元素，表示第g组用户中第l个用户的被调度结果，为对第g个训练样本模型预测输出向量的第l个元素，表示模型预测的第g组用户中第l个用户被调度的概率，ε为正则项的系数，θ为模型的权重参数；本专利技术一种基于深度学习的大规模MIMO下行用户调度方法，有益效果如下：1、本专利技术所需信道信息量小，适用于各种典型的无线通信环境；2、本专利技术设计的卷积神经网络模型简单易训练，有较高预测准确度；3、本专利技术在线预测的计算时延低，并且能够适应发射天线数量的变化。附图说明图1是本专利技术方法通过离线训练获得网络模型并利用模型在线为系统预测其用户调度方案的流程图。图2是本专利技术方法设计的卷积神经网络模型结构图。图3是本专利技术方法设计的卷积神经网络模型中的本文档来自技高网...

【技术保护点】
1.一种基于深度学习的大规模MIMO下行用户调度方法，其特征在于，包括以下步骤：/n步骤1、基站配置均匀线性天线阵，该天线阵包括M个水平天线阵元，相邻天线阵元间距为载波半波长，用户配置单根接收天线，系统内总用户数为L，基站最多能够同时服务U个用户；获取N组用户的统计信道信息，每组包含L个用户，分别计算组g,g＝1,…,N中用户i,i＝1,…,L的统计参数；利用统计信道信息计算各用户组中各用户的波束成形指数以及信道增益；/n所述统计信道信息包括：用户组g中用户i信道的莱斯因子

【技术特征摘要】
1.一种基于深度学习的大规模MIMO下行用户调度方法，其特征在于，包括以下步骤：
步骤1、基站配置均匀线性天线阵，该天线阵包括M个水平天线阵元，相邻天线阵元间距为载波半波长，用户配置单根接收天线，系统内总用户数为L，基站最多能够同时服务U个用户；获取N组用户的统计信道信息，每组包含L个用户，分别计算组g,g＝1,…,N中用户i,i＝1,…,L的统计参数；利用统计信道信息计算各用户组中各用户的波束成形指数以及信道增益；
所述统计信道信息包括：用户组g中用户i信道的莱斯因子视距分量传输相关阵其中，列向量hg,i为第g个用户组中的基站与用户i之间的信道向量，hg,i的第m个元素[hg,i]m为基站第m个天线单元与用户i之间的信道系数，上标(·)H代表共轭转置，上标(·)T代表转置，E{·}代表求均值；
所述对组g中用户i计算波束成形指数以及信道增益包括以下子步骤：
a1)对组g,g＝1,…,N中用户i,i＝1,…,L，计算以及其中FM为M×M的DFT矩阵，FM的第m行第n列的元素为
a2)分别提取Ag,i和Λg,i的对角元，得到ag,i、λg,i；其中，ag,i和λg,i为M×1维的列向量，其第m个元素分别为Ag,i和Λg,i的第m个对角元；
a3)计算信道增益向量
a4)得到wg,i中最大元素及其索引则用户i的波束成形指数为用户i的信道增益为wg,i的第个元素
步骤2、对每组用户采用最大近似和速率方法进行用户调度，每组用户产生一个训练样本，共产生N个训练样本；
所述对组g中用户采用最大近似和速率方法进行用户调度按如下步骤进行：
b1)初始状态时，将调度出的服务用户集合S初始化为空集其中表示空集，未调度用户集合M初始化为全部用户M＝{1,2,…,L}，令l＝0；
b2)若l＜U且则进入步骤b3)；否则，结束用户调度；
b3)对集合M中的用户k∈M，计算当用户k加入到服务用户集合S后的系统近似和速率，找出其中使得系统近似和速率最大的用户其中，



P为发射功率，为用户j的噪声功率；将k′加入集合S且从M集合中删去，并令l＝l+1，进入步骤b2)；
所述组g中用户产生的训练样本包括：...

【专利技术属性】
技术研发人员：李潇，余肖祥，金石，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32