【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 ...
【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...
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。