基于深度学习的大规模MIMO下行预编码方法技术

本发明专利技术公开了基于深度学习的大规模MIMO下行预编码方法，本发明专利技术中基站利用各用户终端的瞬时和统计信道信息，依据所有用户的遍历可达速率或其逼近的效用函数最大化准则，通过通用框架或低复杂度框架，计算与每一个用户终端相应的预编码向量进行下行预编码传输。该框架基于预编码向量最优解的结构：给定拉格朗日乘子，预编码向量的方向和功率可以分别表示为最大广义特征向量形式和闭式。通用框架通过深度神经网络计算最优拉格朗日乘子，进而通过最优解结构计算预编码向量；低复杂度框架将预编码问题分解为瞬时和统计两个子问题分别计算再组合。本发明专利技术能够使下行预编码达到近乎最佳的可达和速率性能，并具有较低的计算复杂度。

Large scale MIMO downlink precoding method based on deep learning

【技术实现步骤摘要】
基于深度学习的大规模MIMO下行预编码方法
本专利技术涉及无线通信下行预编码，尤其涉及利用机器学习的大规模MIMO下行预编码方法。
技术介绍
近年来，人们对无线数据速率的需求有了明显的提升，通过在基站(basestation,BS)动态控制功率和相位以提高效率性能的预编码，以不同形式引起了广泛兴趣。对于准静态和低速情况下，瞬时信道状态信息(channelstateinformation,CSI)相对准确，此时正则化迫零(regularizedzero-forcing,RZF)预编码、信漏噪比(signal-to-leakage-and-noiseratio,SLNR)预编码和加权最小均方误差(weightedminimummeansquareerror,WMMSE)预编码都能取得良好的性能。对于高速度场景，相对较短的相干时间会导致CSI获取面临更多的挑战，此时信道过时将不可避免，传统的预编码方法将严重恶化。现有的方法如联合空分复用(jointspatialdivisionandmultiplexing,JSDM)和波束分多址接入(bea本文档来自技高网...

【技术保护点】
1.基于深度学习的大规模MIMO下行预编码方法，其特征在于，所述方法中：基站利用各用户终端的瞬时和统计信道状态信息CSI，依据所有用户的遍历可达速率或其逼近的效用函数最大化准则，通过通用框架或低复杂度框架，计算与每一个用户终端相应的预编码向量，利用所得到的向量进行下行预编码传输；在用户终端的移动过程中，随着瞬时和统计信道信息的变化，动态更新各个用户的预编码向量以实施下行传输；/n所述的通用框架包括：利用瞬时和统计信道矩阵、用户移动参数、信噪比，基于训练好的拉格朗日乘子神经网络计算拉格朗日乘子；计算各个用户的信道协方差矩阵；求解广义特征值问题得到预编码向量的方向和最优解对应的信干噪比SINR；通...

【技术特征摘要】
1.基于深度学习的大规模MIMO下行预编码方法，其特征在于，所述方法中：基站利用各用户终端的瞬时和统计信道状态信息CSI，依据所有用户的遍历可达速率或其逼近的效用函数最大化准则，通过通用框架或低复杂度框架，计算与每一个用户终端相应的预编码向量，利用所得到的向量进行下行预编码传输；在用户终端的移动过程中，随着瞬时和统计信道信息的变化，动态更新各个用户的预编码向量以实施下行传输；
所述的通用框架包括：利用瞬时和统计信道矩阵、用户移动参数、信噪比，基于训练好的拉格朗日乘子神经网络计算拉格朗日乘子；计算各个用户的信道协方差矩阵；求解广义特征值问题得到预编码向量的方向和最优解对应的信干噪比SINR；通过闭式计算得到预编码功率；将预编码向量的方向和预编码功率组合为完整的预编码向量；
所述的低复杂度框架包括：仅用瞬时信道状态信息计算瞬时拉格朗日乘子和瞬时预编码功率；仅用统计信道状态信息计算统计拉格朗日乘子和统计预编码功率；通过用户移动参数对统计和瞬时拉格朗日乘子加权，对统计和瞬时预编码功率加权，得到加权后的拉格朗日乘子和预编码功率；求解广义特征值问题得到预编码向量的方向；将预编码向量的方向和预编码功率组合为完整的预编码向量。


2.根据权利要求1所述的基于深度学习的大规模MIMO下行预编码方法，其特征在于：所述的瞬时信道信息通过各个用户周期性发送的导频信号获取，所述的统计信道信息为信道耦合矩阵；通过用户移动参数对瞬时和统计CSI加权，得到后验信道模型。


3.根据权利要求1所述的基于深度学习的大规模MIMO下行预编码方法，其特征在于：将所述的所有用户的遍历可达速率或其逼近的效用函数最大化问题等效为服务质量QoS问题，其阈值为原问题最优解对应的遍历速率上界，使每个用户的遍历速率解耦至约束；若有约束的阈值为零，则该约束恒成立且其对应用户的预编码向量为零向量，将该用户从优化问题中移除；再将QoS问题的约束等价地转换为二次型，导出预编码向量最优解的结构所需的KKT条件。


4.根据权利要求1所述的基于深度学习的大规模MIMO下行预编码方法，其特征在于：所述的预编码向量为一矩阵对的最大广义特征值对应的广义特征向量，其最大特征值为最优解对应的SINR；该矩阵对与各用户的信道协方差矩阵以及拉格朗日乘子有关；信道协方差矩阵根据后验模型通过闭式计算，拉格朗日乘子通过拉格朗日乘子优化问题求解。


5.根据权利要求1所述的基于深度学习的大规模MIMO下行预编码方法，其特征在于：所述的预编码功率通过闭式计算；该闭式与预编码向量的方向和最优解对应的SINR有关...

【专利技术属性】
技术研发人员：高西奇，王闻今，是钧超，徐益，王一彪，田鑫，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32