基于机器学习的波宽控制方法技术

针对毫米波(mmWave)‑非正交多址(NOMA)网络中通过智能波束宽度控制以提高用户覆盖和频谱效率的问题，我们提出基于机器学习(ML)的智能波宽控制机制，即通过高斯过程机器学习(GPML)来预测未来几个时刻的用户的角度域信息，再用无监督学习方法根据预测的角度域信息进行用户分组，通过波束追踪、信道估计等方法得到准确的信道状态信息，最后根据信道状态信息、角度域信息和用户分组信息通过深度神经网络(DNN)得到最优的波束宽度。通过角度域信息预测能够显著提高波束追踪的效率；通过离线训练DNN，能够节省线上求解的时间；通过DNN将用户的信道状态信息、角度域信息和用户分组信息直接映射到最优的波束宽度能够显著提高系统的用户覆盖和频谱效率。

Wave width control method based on machine learning

【技术实现步骤摘要】
基于机器学习的波宽控制方法
本专利技术涉及多用户场景中根据用户的角度域信息实现灵活的波束宽度控制，确切地说，利用角度域信息(ADI)，通过机器学习(ML)的方法实现毫米波(mmWave)-非正交多址(NOMA)系统的高效传输和灵活覆盖，属于无线通信

技术介绍
由于高频段丰富的频谱资源，毫米波(mmWave)频段已经成为第五代移动通信系统的关键技术，然而，毫米波通信的实现仍面临严重的路径损耗。因此，为了补偿毫米波通信的路径损耗，毫米波通信系统通常会在收发端配置大规模多输入多输出(m-MIMO)技术以实现方向性传输，利用空分复用可显著提高系统的能量效率和频谱效率。考虑到用户在三维空间的分布，相比于水平二维波束赋形的基础上，三维波束赋形可通过调节水平角和垂直角实现更为灵活的覆盖，从而进一步提高系统性能。由于毫米波收发机的大规模天线阵，纯数字的收发机架构将消耗巨大的能量和硬件资源。为了平衡硬件、能量代价与系统性能，混合收发机结构是更为实际的选择。然而，由于其有限数量的射频链路(RF)以及降低基站的能量消耗，当用户数量大于RF数量时，非本文档来自技高网...

【技术保护点】
1.一种基于机器学习(ML)的智能波宽控制方法，此毫米波网络中存在多个模拟毫米波架构的用户，一个混合毫米波架构的基站，基站与用户之间进行毫米波传输，基站通过机器学习方法调节每一个簇的波束宽度提高频谱效率和用户覆盖能力，具体方法包括：/n(1)基于高斯过程机器学习方法的角度域信息预测：将历史的角度域信息作为输入，预测未来多个时隙的角度域信息，进而辅助毫米波通信的波束追踪和用户分组；/n(2)基于无监督学习的用户分组：根据预测的角度域信息，利用无监督学习方法进行用户分簇，基站对每一个簇的用户进行非正交多址传输；/n(3)基于深度神经网络的波宽控制：通过信道估计得到信道增益信息，将角度域、信道增益和...

【技术特征摘要】
1.一种基于机器学习(ML)的智能波宽控制方法，此毫米波网络中存在多个模拟毫米波架构的用户，一个混合毫米波架构的基站，基站与用户之间进行毫米波传输，基站通过机器学习方法调节每一个簇的波束宽度提高频谱效率和用户覆盖能力，具体方法包括：
(1)基于高斯过程机器学习方法的角度域信息预测：将历史的角度域信息作为输入，预测未来多个时隙的角度域信息，进而辅助毫米波通信的波束追踪和用户分组；
(2)基于无监督学习的用户分组：根据预测的角度域信息，利用无监...

【专利技术属性】
技术研发人员：高晖，贾承璐，许文俊，陆月明，冯志勇，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11