【技术实现步骤摘要】
毫米波波束预测方法及装置、电子设备、可读存储介质
本专利技术涉及毫米波波束预测领域，尤其涉及一种毫米波波束预测方法及装置、电子设备、可读存储介质。
技术介绍
毫米波通信的重要问题是如何通过尽可能少的训练数据得到给定码本中毫米波下行信道的最优波束。由于毫米波波长很短，导致其在空间中传播过程中衰减过大，故基站利用波束赋形技术，采用一个波束成形向量来提高接收端的信噪比。传统的方法中，基站依次采用码本中的码字进行波束赋形向用户发送信号，用户检测每次接收到的信号的强度并向基站反馈，基站根据用户每次的反馈最终采用使得用户接收强度最大的信号对应的波束作为毫米波下行信道最优波束。这种方式需要遍历整个码本，导致其复杂度太高。目前开始使用sub-6GHz频段的信号来辅助毫米波波束预测并取得了一定的突破。鉴于sub-6GHz频段信道与毫米波频段信道均来源于(反射，衍射)同一个物理模型，所以两者有着很多相似之处。利用神经网络从sub-6GHz频段的信号中提取信息并将这些信息用于波束预测能够降低波束训练的复杂度。然而，只利用sub-6GHz信...
【技术保护点】
1.一种毫米波波束预测方法，其特征在于，包括：/nS1：根据两个不同频段的接收信号，进行信道估计，得到对应的两个不同信道的训练数据；/nS2：将所述训练数据输入至深度神经网络模型，得到所述深度神经网络模型的输出结果；根据所述输出结果，获取所述毫米波下行信道最佳波束索引；/n其中，所述深度神经网络模型是由带有最优下行波束索引标签的天线接收信号样本通过所述S1至S2训练后得到。/n
【技术特征摘要】
1.一种毫米波波束预测方法，其特征在于，包括：
S1：根据两个不同频段的接收信号，进行信道估计，得到对应的两个不同信道的训练数据；
S2：将所述训练数据输入至深度神经网络模型，得到所述深度神经网络模型的输出结果；根据所述输出结果，获取所述毫米波下行信道最佳波束索引；
其中，所述深度神经网络模型是由带有最优下行波束索引标签的天线接收信号样本通过所述S1至S2训练后得到。
2.根据权利要求1所述的毫米波波束预测方法，其特征在于，所述S1中的根据两个不同频段的接收信号，进行信道估计具体包括：
根据基站sub-6GHz天线接收的由用户发送的sub-6GHz信号，通过最小二乘法估计出sub-6GHz频段子载波上的sub-6GHz信道，其中，所述用户在sub-6GHz频段上所有子载波上均放置导频；
根据基站毫米波天线接收的由用户发送的上行毫米波信号，通过最小二乘法估计出毫米波频段子载波上的毫米波信道，其中，所述用户在毫米波频段上的所有子载波上均放置导频。
3.根据权利要求1所述的毫米波波束预测方法，其特征在于，所述S1还包括：获取用户发送的两个频段的接收信号：
根据预设参数，改变用户位置，利用WirelessInsite在所述预设参数下生成两个频段的信道向量，在给定用户端传输信号下通过所述两个频段的信道向量获取基站天线上两个频段的接收信号，其中，所述预设参数包括sub-6GHz频段以及毫米波频段预设的载波频率，带宽，天线数，子载波数以及各自径数，以及预设基站位置。
4.根据权利要求1所述的毫米波波束预测方法，其特征在于，所述S2包括：
将所述两个不同信道的训练数据分别通过输入层输入至所述深度神经网络模型的第一隐藏层和第二隐藏层，利用第一隐藏层和第二隐藏层对应的激活函数，输出经第一隐藏层和第二隐藏层后的两个特征向量；
将经第一隐藏层和第二隐藏层后的两个特征向量连在一起生成一个特定特征向量，并将所述特定特征向量输入至所述深度神经网络模型的分类模块，利用所述神经网络输出层的激活函数，输出预测的最佳下行波束对应的分类向量，根据所述分类向量，获取最佳下行波束在给定码本中的毫米波下行信道最佳波束索引。
5.根据权利要求4所述的毫米波波束预测方法，其特征在于，所述将所述训练数据输入至深度神经网络模型之前包括：
分别对由所述天线接收信号样本估计出的sub-6GHz信道与毫米波信道进行归一化及向量化处理，作为对应的两个不同信道的训练数据；
根据毫米波信...
【专利技术属性】
技术研发人员：高飞飞，卞程泓，张涛，钱婧，汪浩，杨玉雯，
申请(专利权)人：清华大学，深圳市海思半导体有限公司，
类型：发明
国别省市：北京;11
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。