基于双时间尺度和深度学习的天线系统预编码方法和装置制造方法及图纸

本申请提出了一种基于双时间尺度和深度学习的天线系统预编码方法和装置，该方法包括：构建长时间尺度DNN和短时间尺度DNN，构建的深度神经网络分别包括与大规模毫米波多输入多输出系统的收发机对应的多个子网络；通过训练数据对构建的深度神经网络进行训练；获取待传输的信号，通过训练完成的长时间尺度DNN进行高维导频估计和高维信道反馈，通过短时间尺度DNN进行低维导频估计和低维信道反馈；通过长时间尺度DNN根据高维原始信道矩阵进行模拟预编码和数字预编码，并通过短时间尺度DNN根据低维等效信道矩阵进行数字预编码。该方法可以降低信令开销，提高系统的鲁棒性，且对系统中的各个模块进行联合设计，降低了计算复杂度。度。度。

【技术实现步骤摘要】
基于双时间尺度和深度学习的天线系统预编码方法和装置


[0001]本申请涉及无线通信
，尤其涉及一种基于双时间尺度和深度学习的天线系统预编码方法和装置。

技术介绍

[0002]随着无线网络的发展，无线数据业务爆发性地增长。为了应对随之而来的挑战，新一代的5G通信网络需要提供更大的带宽，更高的频谱效率，以及容纳更多的用户。而5G网络的兴起，伴随着用户数量及其所传输的数据量显著增大。其中，毫米波通信由于其巨大的带宽而被认为是5G无线网络中满足高数据速率传输要求的关键技术之一。毫米波的波长较短，使得系统可以部署数量足够多的阵列天线，其中大规模MIMO系统可以提供足够大的阵列增益，用于空间复用，从而提高系统容量，缓解无线电频谱短缺。但大规模MIMO系统在应用中需要进行预编码。然而，传统的全数字预编码需要为每个天线配置射频链路，成本高、能耗高。
[0003]相关技术中，为了解决这一问题，通常是采用混合模数预编码，即通过移相器将大量天线连接到较少的射频链路上。此外，信道估计和信道反馈是混合预编码设计中的两个重要问题。信道估计的方法主要有两类：(1)直接估计信道本身，比如最小二乘法；(2)用压缩感知的方法估计出信道参数，再根据这些参数对信道进行恢复。信道反馈方案主要分为两类：(1)利用信道状态信息的时空相关性来降低反馈开销；(2)基于码本的反馈方案。针对上述混合预编码系统，模拟预编码和数字预编码需要被精心设计，来逼近全数字预编码系统的性能。
[0004]然而，申请人发现，上述技术中，混合预编码系统大多将每个模块分开进行设计，每个模块具有较高的复杂度，存在诸如计算复杂度高、无法实时应用、需要对问题进行精确的数学建模和对抗环境变化的鲁棒性较差等问题。并且，已有的混合预编码算法大多数是基于高维瞬时信道的基础上提出的，在大规模天线场景下，获取高维信道矩阵会导致巨大的信令开销，造成严重的传输延迟和信道失配。

技术实现思路

[0005]本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
[0006]为此，本申请的第一个目的在于提出一种基于双时间尺度和深度学习的天线系统预编码方法，该方法基于双时间尺度进行混合预编码，其中长时间尺度的模拟预编码基于信道统计特性得到，短时间尺度的数字预编码根据低维实时等效信道矩阵优化得到，可以降低信令开销，提高对由于传输延迟引起的信道失配的鲁棒性。并且，该方法通过深度学习框架对通信系统中的各个模块进行联合设计，实现端到端性能优化，提高了大规模MIMO系统的通信性能，并降低了混合预编码的计算复杂程度。
[0007]本申请的第二个目的在于提出一种基于双时间尺度和深度学习的天线系统预编码装置。
[0008]本申请的第三个目的在于提出一种非临时性计算机可读存储介质。
[0009]为达上述目的，本申请的第一方面实施例提出了一种基于双时间尺度和深度学习的天线系统预编码方法，包括以下步骤：
[0010]构建长时间尺度深度神经网络DNN和短时间尺度深度神经网络DNN，其中，长时间尺度DNN和短时间尺度DNN分别包括与大规模毫米波多输入多输出MIMO系统的收发机对应的多个子网络，所述多个子网络包括：接收端的信道估计子网络和信道反馈子网络，以及发送端的导频设计子网络和混合预编码子网络；
[0011]获取具有不同信噪比的训练数据，并通过所述训练数据对所述长时间尺度DNN和短时间尺度DNN进行训练，以优化网络参数；
[0012]获取待传输的信号，通过训练完成的所述长时间尺度DNN进行高维导频估计和高维信道反馈，以恢复高维原始信道矩阵，并通过训练完成的所述短时间尺度DNN进行低维导频估计和低维信道反馈，以获取低维等效信道矩阵；
[0013]通过所述长时间尺度DNN根据所述高维原始信道矩阵进行模拟预编码和数字预编码，并通过所述短时间尺度DNN根据所述低维等效信道矩阵进行数字预编码，以完成信号传输。
[0014]可选地，在本申请的一个实施例中，该方法还包括：根据信道统计特性将时间轴划分多个超帧，并将每个所述超帧划分为第一预设数量的帧，每个所述帧包括第二预设数量的时隙，根据所述超帧确定所述长时间尺度，并根据所述时隙确定短时间尺度。
[0015]可选地，在本申请的一个实施例中，对所述长时间尺度DNN和短时间尺度DNN进行训练，包括：根据双时间尺度的帧结构，交替训练所述长时间尺度DNN和所述短时间尺度DNN，其中，所述短时间尺度DNN的数字预编码矩阵在每个帧除最后一个时隙外的每个时隙，基于所述低维等效信道进行更新，所述长时间尺度DNN的模拟预编码矩阵和数字预编码矩阵在每个帧的最后一个时隙，基于所述高维等效信道进行更新。
[0016]可选地，在本申请的一个实施例中，根据深度神经网络中二进制神经元的输出构建所述信道反馈子网络，所述对所述长时间尺度DNN和短时间尺度DNN进行训练，还包括：将导频信息设置为所述导频设计子网络的训练参数，通过随机梯度下降学习所述导频设计子网络的目标训练参数；通过sigmoid函数的估计器近似二进制神经元的梯度，并通过随机梯度下降训练所述信道反馈子网络。
[0017]可选地，在本申请的一个实施例中，通过以下公式进行高维导频估计：
[0018][0019]其中，是接收端接收到的导频信号矩阵，是发送端发送的训练导频，是发送端发送的训练导频，是模拟预编码矩阵，H是待估计的高维原始信道，是模拟接收矩阵的共轭转置矩阵，N是高斯噪声矩阵，选取所述训练导频、所述模拟预编码矩阵和所述模拟接收矩阵为所述信道估计子网络的训练参数。
[0020]可选地，在本申请的一个实施例中，通过以下公式进行高维信道反馈：
[0021][0022]其中，q是反馈比特，表示导频信号矩阵的向量化结果，是向量实部、虚部分开的表示，实部、虚部分开的表示，是长时间尺度DNN的训练参数，σ
r
是长时间尺度DNN第r层的非线性激活函数，sgn(
·
)是长时间尺度DNN二值层的激活函数。
[0023]可选地，在本申请的一个实施例中，混合预编码子网络包括模拟发送端预编码模块、数字发送端预编码模块、模拟接收端预编码模块、数字接收端预编码模块和解调模块，所述根据所述高维原始信道进行模拟预编码，包括：
[0024]将所述高维原始信道矩阵的实部和虚部分别输入至所述模拟发送端预编码模块和模拟接收端预编码模块，以输出发送端和接收端的模拟编码器相位；计算出满足恒模约束的复数向量；通过以下公式对所述满足恒模约束的复数向量进行转化操作，生成模拟预编码矩阵：
[0025][0026]其中，
[0027]其中，F
RF
是发送端模拟预编码矩阵，W
RF
是接收端模拟预编码矩阵，表示将向量转换成矩阵的操作，是发送端的模拟编码器相位，是接收端的模拟编码器相位，N
t
是发送端天线的数目，N
r
是接收端天线的数目。
[0028]可选地，在本申请本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双时间尺度和深度学习的天线系统预编码方法，其特征在于，包括以下步骤：构建长时间尺度深度神经网络DNN和短时间尺度深度神经网络DNN，其中，长时间尺度DNN和短时间尺度DNN分别包括与大规模毫米波多输入多输出MIMO系统的收发机对应的多个子网络，所述多个子网络包括：接收端的信道估计子网络和信道反馈子网络，以及发送端的导频设计子网络和混合预编码子网络；获取具有不同信噪比的训练数据，并通过所述训练数据对所述长时间尺度DNN和短时间尺度DNN进行训练，以优化网络参数；获取待传输的信号，通过训练完成的所述长时间尺度DNN进行高维导频估计和高维信道反馈，以恢复高维原始信道矩阵，并通过训练完成的所述短时间尺度DNN进行低维导频估计和低维信道反馈，以获取低维等效信道矩阵；通过所述长时间尺度DNN根据所述高维原始信道矩阵进行模拟预编码和数字预编码，并通过所述短时间尺度DNN根据所述低维等效信道矩阵进行数字预编码，以完成信号传输。2.根据权利要求1所述的方法，其特征在于，根据信道统计特性将时间轴划分多个超帧，并将每个所述超帧划分为第一预设数量的帧，每个所述帧包括第二预设数量的时隙，根据所述超帧确定所述长时间尺度，并根据所述时隙确定短时间尺度。3.根据权利要求2所述的方法，其特征在于，所述对所述长时间尺度DNN和短时间尺度DNN进行训练，包括：根据双时间尺度的帧结构，交替训练所述长时间尺度DNN和所述短时间尺度DNN，其中，所述短时间尺度DNN的数字预编码矩阵在每个帧除最后一个时隙外的每个时隙，基于所述低维等效信道进行更新，所述长时间尺度DNN的模拟预编码矩阵和数字预编码矩阵在每个帧的最后一个时隙，基于所述高维等效信道进行更新。4.根据权利要求3所述的方法，其特征在于，根据深度神经网络中二进制神经元的输出构建所述信道反馈子网络，所述对所述长时间尺度DNN和短时间尺度DNN进行训练，还包括：将导频信息设置为所述导频设计子网络的训练参数，通过随机梯度下降学习所述导频设计子网络的目标训练参数；通过sigmoid函数的估计器近似二进制神经元的梯度，并通过随机梯度下降训练所述信道反馈子网络。5.根据权利要求4所述的方法，其特征在于，通过以下公式进行高维导频估计：其中，是接收端接收到的导频信号矩阵，是发送端发送的训练导频，是发送端发送的训练导频，是模拟预编码矩阵，H是待估计的高维原始信道，是模拟接收矩阵的共轭转置矩阵，N是高斯噪声矩阵，选取所述训练导频、所述模拟预编码矩阵和所述模拟接收矩阵为所述信道估计子网络的训练参数。6.根据权利要求1所述的方法，其特征在于，通过以下公式进行高维信道反馈：
其中，q是反馈比特，表示导频信号矩阵的向量化结果，是向量实部、虚部分开的表示，实部、虚部分开的表示，是长时间尺度DNN的训练参数，σ
...

【专利技术属性】
技术研发人员：胡棋昱，蔡云龙，康凯，
申请(专利权)人：浙江大学，
类型：发明
国别省市：