一种基于深度学习的多用户宽带毫米波通信资源分配方法及系统技术方案

本发明专利技术公开了一种基于深度学习的多用户宽带毫米波通信资源分配方法及系统，主要包括；在波束分配阶段，本发明专利技术提出了基于深度学习的波束分配方法，并且提出了一种冲突避免方法来处理得到的波束分配预测结果；在功率分配阶段，提出了基于深度学习的功率分配方法，并且提出了一个约束再分配方法来更新得到的功率分配矩阵；本发明专利技术考虑了波束冲突问题并提出了解决方法，极大降低了运算复杂度，和完美的分配结果相比只有轻微的准确率损失，准确率可达98.5％，并且本发明专利技术提出的方法可以使用较少的计算来完成多用户的功率分配，可实现实时处理，系统频谱效率性能获得2％左右的提升。系统频谱效率性能获得2％左右的提升。系统频谱效率性能获得2％左右的提升。

【技术实现步骤摘要】
一种基于深度学习的多用户宽带毫米波通信资源分配方法及系统


[0001]本专利技术涉及毫米波无线通信
，特别是涉及一种基于深度学习的多用户宽带毫米波通信资源分配方法及系统。

技术介绍

[0002]由于毫米波通信技术丰富的频谱资源和大规模MIMO技术较高的频谱效率，毫米波大规模MIMO系统可以带来系统吞吐量的大幅度提升，这是5G通信系统中最有前途的关键技术之一。在毫米波大规模MIMO系统中，预编码技术属于一项信号预处理技术。发射端利用信道状态信息(CSI)来预处理发送信号，使得接收端可以精确且有效地恢复信号，从而提高系统传输速率和链路可靠性，并降低接收端的功耗。因此，预编码技术在毫米波大规模MIMO系统中起着至关重要的作用。由于全数字预编码结构的高昂的成本和功耗，目前广泛使用混合预编码MIMO结构。通过模拟预编码和数字预编码的联合优化设计，混合式预编码技术不仅可以获得大型天线阵列的增益，还可以确保硬件设备的低成本和功耗。
[0003]与窄带毫米波大规模MIMO信道相比，宽带毫米波大规模MIMO信道是频率选择性的。通常采用正交频分复用(OFDM)技术来处理频率选择性信道。通过OFDM技术将频率选择性信道转换为多个频率平坦信道。因此，用于宽带毫米波信道的混合预编码器的设计是具有挑战性的，这与窄带信道有显着不同，不同的OFDM子载波上对于相同的基站码字具有不同等效信道增益分布。
[0004]基于完美的CSI和全数字预编码矩阵，目前相关学者已经提出了宽带多用户毫米波大规模MIMO系统中混合预编码设计的几种方法。在文献[1](X.Y.et al.,“Alternating minimization algorithms for hybrid precoding in millimeter wave mimo systems,”IEEE J.Sel.Topics Signal Process.,vol.10,no.3,pp.485
–
500,2016.)中，考虑到混合预编码设计作为矩阵分子问题，提出了两种完全连接和部分连接结构的交替最小化算法。混合式预编码设计也可以作为稀疏的重建问题制定。因此，在文献[2](O.E.Ayach,S.Rajagopal,S.Abu
‑
Surra,Z.Pi,andR.W.Heath,
[0005]“Spatially sparse precoding in millimeter wave mimo systems,”IEEE Transactions on Wireless Communications,vol.13,no.3,pp.1499
–
1513,2014.)中提出了一种基于间接正交的匹配追踪(SOMP)的空间稀疏预编码方法。在文献[3](A.Alkhateeb,G.Leus,and R.W.Heath,“Limited feedback hybrid precoding for multi
‑
user millimeter wave systems,”IEEE Transactions on Wireless Communications,vol.14,no.11,pp.6481
–
6494,2015.)中，提出了一种两级有限反馈多用户混合预编码预编码算法，其目的是最大化系统可实现的总和速率。在文献[4](X.Sun and C.Qi,“Codeword selection and hybrid precoding for multiuser millimeter
‑
wave massive mimo systems,”IEEE Commun.Letters,vol.23,no.2,pp.386
–
389,2019.)中，模拟预编码器设计被转换为旨在从码本选择相互不同的码字的分配问题，以实现不同用户实现最大的和速
率，提出了一种基于匈牙利的算法。但是，文献[2]采用模拟预编码和数字模拟预编码来接近全数字预编码方案，但优化过程不完全消除多用户干扰；文献[3]不考虑波束冲突。发生波束冲突时，模拟预编码器矩阵是低秩，不能消除多用户干扰。文献[4]考虑光束冲突问题，基于匈牙利算法获得最佳波束分配结果。但是匈牙利算法的计算复杂性是O(n3)，这对于大量用户来说是不切实际的。然而，所有先前的工作[1]‑
[4]假设BS的功率同样为每个数据流分配，但等于功率分配策略不能实现能量的最佳使用。因此，在混合预编码设计之后，我们考虑旨在最大化系统能效(EE)的功率分配优化问题。
[0006]最近，由于深度学习出色的解决复杂的非线性问题的能力，其在毫米波通信中的应用受到了广泛关注。文献[5](M.Lee,Y.Xiong,G.Y u,and G.Y.Li,“Deep neural networks for linear sum assignment problems,”IEEE Wireless Communications Letters,vol.7,no.6,pp.962
–
965,2018.)使用机器学习方法解决分配问题，这被认为是分类问题，可以用DNN有效地解决。为了获得信道状态信息(CSI)，文献[6](W.Ma,C.Qi,Z.Zhang,and J.Cheng,“Sparse channel estimation and hybrid precoding using deep learning for millimeter wave massive mimo,”IEEE Transactions on Communications,vol.68,no.5,pp.2838
–
2849,2020)提出了一种深度学习压缩感测信道估计方案，其具有比传统方案更好的性能。文献[7](X.Gao,S.Jin,C.
‑
K.Wen,and G.Y.Li,“Comnet:Combination ofdeep learning and expert knowledge in ofdm receivers,”IEEE Commun.Letters,vol.22,no.12,pp.2627
–
2630,2018.)提出了一种模型驱动的深度学习方法，它将深度学习与传统算法结合起来解决OFDM的信道估计。为了实现最佳和充分利用功率资源，提出了一种基于DNN的功率控制方法，其旨在解决最大化衰落多用户干扰通道的总和率的非凸优化问题。文献[8](F.Liang,C.Shen,W.Yu,and F.Wu,“Towards optimal power control via ensembling deep neural networks,”IEEE Transactions on Communications,vol.68,no.3,pp.1760
–
1776,2020.)使用CNN解决发射功率控制策略以最大化频本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的多用户宽带毫米波通信资源分配方法，其特征在于，包括如下步骤：步骤S1、构建用户端与基站端之间的宽带毫米波通信信道模型；步骤S2、根据步骤S1中构建的通信信道模型，构建多用户宽带毫米波大规模MIMO通信资源分配过程的总优化问题，再通过引入净频谱效率，将该总优化问题分解为基于均等功率条件下的波束分配问题和功率分配问题；步骤S3、采用基于深度学习的波束分配方法求解所述基于均等功率条件下的波束分配问题，其中，所述基于深度学习的波束分配方法具体包括：首先，通过建立预测波束分配的卷积神经网络模型，再根据波束扫描得到的结果矩阵与完美状态下的波束分配矩阵迭代训练该网络模型，得到波束分配模型，然后，将经过预处理得到的无干扰频谱效率矩阵，将作为所述波束分配模型的输入，预测得到第一波束分配矩阵，再对该第一波束分配矩阵进行波束冲突处理，用以避免波束冲突的发生，得到第二波束分配矩阵，最后，根据第二波束分配矩阵构建模拟预编码，再根据MMSE准则以及模拟预编码构建数字预编码；步骤S4、采用基于深度学习的功率分配方法求解所述功率分配问题，其中，所述基于深度学习的功率分配方法具体包括：首先，设计用于功率分配的注水算法，并且构建预测功率分配的神经网络模型，再根据噪信比矩阵与注水算法得到的功率分配矩阵训练该网络模型，得到功率分配模型，然后，以经过预处理后的噪信比矩阵作为该功率分配模型输入，得到第一功率分配矩阵，最后，对该第一功率分配矩阵进行约束再分配，获取第二功率分配矩阵。2.根据权利要求1所述的一种基于深度学习的多用户宽带毫米波通信资源分配方法，其特征在于，所述步骤S1具体包括：步骤S101、设置一个针对于多用户的宽带毫米波MIMO通信系统，该系统中，OFDM子载波的个数为U，基站采用部分全连接型混合预编码结构，配备N
RF
个射频链路和N
BS
根ULA天线，并且为每个子载波配备N
S
个数据流，服务于K个用户，每个用户配备单个射频链路和单根天线，其中，在下行链路数据传输中，第u个OFDM子载波的系统传输模型表示为：在公式(1)中，表示数据符号矢量，服从总发射功率P
DL
约束，即s
k
[u]表示基站在第u个OFDM子载波上发送给第k个用户的数据符号；表示接收信号矢量，y
k
[u]表示第k个用户在第u个OFDM子载波上接收到的信号；表示基站第u个子载波的数字预编码矩阵，表示基站端的模拟预编码矩阵，由于信号传输时AoA与AoD对于不同的OFDM子载波是相同的，即信号传输时的AoA与AoD与频率无关，因此模拟预编码矩阵F
RF
对于每一个OFDM子载波都是相同的；信道矩阵其中表示基站与第k个用户之间的第u个OFDM子载波的下行宽带信道矢量；
表示噪声项，其各元素服从均值为0，方差为σ2的独立高斯分布；考虑到混合预编码不提供功率增益，需要对混合预编码进行功率约束，即步骤S102、对于具有频率选择性衰落的宽带毫米波信道，在时域上，设定最大的延时抽头数为D，则基站与第k个用户在第d个延时抽头的信道表示为：在公式(2)中，L
k
表示基站和第k个用户之间的多径数目，α
l,k
表示第l条路径的复增益，τ
l,k
表示第l条路径的时延，φ
l,k
表示第l条路径的AoD，且φ
l,k
∈(
‑
π/2,π/2],a(N
BS
,φ
l,k
)表示基站端的ULA天线阵列响应矢量，p(τ)表示在τ时刻观察到的脉冲成形滤波器，其中，该p(τ)的表达式为：在公式(3)中，β表示滚降系数，T
s
表示采样周期。3.根据权利要求2所述的一种基于深度学习的多用户宽带毫米波通信资源分配方法，其特征在于，在所述步骤S2中，所述构建多用户宽带毫米波大规模MIMO通信资源分配过程的总优化问题，具体包括：设计用户端与基站端的码本，其表达式为：在公式(4)中，f
c
(n)＝a(N
BS
,
‑
1+(2n
‑
1)/N
BS
)；最终接收信号的表达式为：在公式(5)中，表示信号项，表示干扰项，表示噪声项；在下行链路数据传输中，第k个用户在第u个OFDM子载波上的信号与干扰加噪声比SINR表示为：在公式(6)中，[P]
u,k
表示分配给第u个OFDM子载波上的第k个用户的功率，[P]
u,i
表示分配给第u个OFDM子载波上的其他干扰用户的功率。第k个用户在第u个OFDM子载波上的频谱效率示为：R
k
[u]＝log2(1+SINR
k
[u])
ꢀꢀꢀꢀꢀꢀꢀ
(7)则，多用户宽带毫米波大规模MIMO通信资源分配过程的总优化问题的表达式为：
在公式(8)中，η表示能量效率，γ表示每个发射天线的功耗；式(8a)表示模拟预编码矩阵F
RF
的每一列都是从基站端与用户端预定义好的DFT码本中选取，每个码字代表一个波束方向；式(8b)表示服务于...

【专利技术属性】
技术研发人员：戚晨皓，张鹏举，
申请(专利权)人：东南大学，
类型：发明
国别省市：