大规模MIMO鲁棒WMMSE预编码器及其深度学习设计方法技术

本发明专利技术公开了大规模MIMO鲁棒WMMSE预编码器及其深度学习设计方法，基站利用各用户终端的信道估计值和信道估计误差的统计参数，依据所有用户的遍历和速率或遍历和速率下界最大化准则，通过鲁棒WMMSE预编码器的迭代设计或深度学习设计方法，计算与每个用户终端相应的预编码矢量进行下行鲁棒WMMSE预编码传输。迭代设计采用块坐标下降方法，依次迭代更新统计鲁棒接收机、权值参数和预编码矢量，从而最大化遍历和速率下界；深度学习设计方法基于由低维特征参数确定的预编码矢量结构，先通过神经网络计算低维特征参数，再通过该结构计算预编码矢量，下行预编码在各种天线配置下，以较低的计算复杂度达到接近最优的可达和速率性能。的计算复杂度达到接近最优的可达和速率性能。的计算复杂度达到接近最优的可达和速率性能。

【技术实现步骤摘要】
大规模MIMO鲁棒WMMSE预编码器及其深度学习设计方法


[0001]本专利技术涉及无线通信下行预编码，尤其涉及大规模MIMO鲁棒WMMSE预编码器及其深度学习设计方法。

技术介绍

[0002]大规模多输入多输出(MIMO,massive multiple
‑
input
‑
multiple
‑
output)可以通过在基站(BS,base station)配置大规模天线为大量用户提供高效的通信服务。BS可以通过预编码预处理发送信号以减轻用户间干扰。
[0003]传统的预编码器，如正则化迫零(RZF,regularized zero
‑
forcing)和信漏噪比(SLNR,signal
‑
to
‑
leakage
‑
and
‑
noise ratio)可以获得次优的和速率性能；加权最小均方误差(WMMSE,weightedminimummean
‑
square
‑
error)预编码器可以最大化和速率，但由于每次迭代都涉及矩阵求逆，计算量较大，因此需要进一步降低计算复杂度。
[0004]当信道状态信息(CSI，channel state information)较为准确时，上述预编码器可以取得良好的性能。然而，获取准确的CSI需要大量的导频开销，这在大规模MIMO中具有挑战性。此外，在高速公路等高移动性场景中，信道相干时间较短，可能会导致信道过时，更难以获得准确的CSI。在这种情况下，基于准确的CSI的预编码器可能出现严重的性能退化。随机WMMSE通过对信道样本多次迭代以对抗CSI的不准确性，但每次迭代都涉及矩阵求逆运算，其计算负担需要进一步减轻。
[0005]近年来，由于深度学习在多个领域的成功应用，它在无线通信领域的应用也得到了积极探索。深度学习可以通过离线训练以降低在线的计算复杂度，以改进现有预编码器的性能。

技术实现思路

[0006]专利技术目的：本专利技术的目的是提供一种大规模MIMO鲁棒WMMSE预编码器及其深度学习设计方法，以克服现有技术的不足，达到接近最优的遍历和速率性能，并降低计算复杂度。
[0007]技术方案：为实现上述专利技术目的，本专利技术的大规模MIMO鲁棒WMMSE预编码器及其深度学习设计方法采用如下技术方案：
[0008]基站利用各用户终端的信道估计值和信道估计误差的统计参数，依据所有用户的遍历和速率或遍历和速率下界最大化准则，通过鲁棒WMMSE预编码器的迭代设计或深度学习设计方法，在用户终端的移动过程中，动态更新与每个用户终端相应的预编码矢量，以进行下行预编码传输；
[0009]其中：所述的信道估计值通过各个用户周期性发送的导频信号获取，所述的信道估计误差的统计参数通过对信道估计值进行统计获取。
[0010]所述的迭代设计包括：当用户终端采用统计鲁棒接收机时，其最小均方误差的对数和所述的遍历和速率下界互为相反数；利用这个性质，遍历和速率下界最大化问题等价
转化为加权均方误差最小化问题，该问题的目标函数和约束集合都是凸的；通过推导一阶最优性条件，采用块坐标下降方法求解该问题，即依次迭代更新统计鲁棒接收机、权值参数和预编码矢量，直至收敛；
[0011]所述的深度学习设计方法包括：1)离线阶段：通过所述的迭代设计生成数据集，训练低维特征参数神经网络；训练完成后，该神经网络可用于各种信道场景，无需重新训练；2)在线阶段：利用各用户终端的信道估计值、信道估计误差的统计参数、信噪比，基于训练好的神经网络计算低维特征参数；根据鲁棒WMMSE预编码器结构，利用低维特征参数和信道状态信息，通过闭式表达式计算预编码矢量。该深度学习设计方法通过空间解相关方法扩展到用户多天线的场景。
[0012]所述的预编码器结构包括：鲁棒WMMSE预编码器利用低维特征参数和信道状态信息通过闭式表达式计算，具体步骤为：利用低维特征参数和信道状态信息计算预编码矢量的方向；利用低维特征参数、预编码矢量的方向和信道状态信息计算功率分配；将预编码矢量的方向和功率分配组合为预编码矢量。
[0013]所述的低维特征参数神经网络由卷积层、全连接层和归一化层构成；具体包括：信道估计值的实部和虚部，信道估计误差的统计参数，以三个通道的形式输入至卷积层；卷积层的输出矢量化，与信噪比一起输入至全连接层；全连接层的输出归一化，作为低维特征参数神经网络的输出。
[0014]所述的生成数据集的方法包括：在不同信噪比、用户分布、移动方向和速度等环境下，生成足够的信道样本及其对应的信道估计误差的统计参数；对于每一组信道样本，重复如下步骤：通过鲁棒WMMSE预编码器的迭代设计计算低维特征参数；将该信道样本、信道估计误差的统计参数、信噪比、低维特征参数组合为一个样本。
[0015]所述的训练低维特征参数神经网络，分为预训练和细化训练两个阶段；1)首先随机初始化神经网络，对其进行预训练，最小化如下代价函数：低维特征参数的真实值和预测值的绝对均方误差；2)再对预训练的神经网络进行细化训练，最小化如下代价函数：低维特征参数的真实值和预测值的绝对均方误差和相对误差的加权和；训练期间随机交换每个批次中训练样本的用户顺序，以增强样本的多样性。
[0016]所述的空间解相关方法，将信道矩阵分解多个单天线用户的信道矢量，以易于实现的方式处理用户端的各种天线配置；具体步骤包括：对用户侧信道相关矩阵做特征值分解，得到特征矩阵；对信道估计矩阵左乘该特征矩阵，得到解相关的信道估计矩阵；将该矩阵每一行都视为一个单天线用户的信道估计矢量，通过所述的深度学习设计方法，计算对应的预编码矢量，再将其组合为完整的预编码矩阵。
[0017]有益效果：与现有技术相比，本专利技术具有如下优点：
[0018](1)提出了鲁棒WMMSE预编码器的迭代设计，以最大化遍历和速率的下界。其稳定点对应的预编码矢量可以通过低维特征参数确定。由此，高维的预编码器设计问题可以转化为低维特征参数设计问题。
[0019](2)提出了鲁棒WMMSE预编码器的深度学习设计方法，其通过神经网络学习低维特征参数，进而利用预编码结构，通过闭式表达式直接计算预编码矢量而无需诉诸迭代，由此显著降低了计算复杂度，并保持了接近最优的和速率性能。
[0020](3)通过空间解相关方法，以易于实现的方式处理用户端的各种天线配置。
附图说明
[0021]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅表明本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。
[0022]图1为大规模MIMO鲁棒WMMSE预编码器及其深度学习设计方法流程图。
[0023]图2为大规模MIMO系统中的时隙结构示意图。...

【技术保护点】

【技术特征摘要】
1.一种大规模MIMO鲁棒WMMSE预编码器及其深度学习设计方法，其特征在于，所述方法中：基站利用各用户终端的信道估计值和信道估计误差的统计参数，依据所有用户的遍历和速率或遍历和速率下界最大化准则，通过鲁棒WMMSE预编码器的迭代设计或深度学习设计方法，在用户终端的移动过程中，动态更新与每个用户终端相应的预编码矢量，以进行下行预编码传输；所述的迭代设计包括：当用户终端采用统计鲁棒接收机时，其最小均方误差的对数和所述的遍历和速率下界互为相反数；利用这个性质，遍历和速率下界最大化问题等价转化为加权均方误差最小化问题，该问题的目标函数和约束集合都是凸的；通过推导一阶最优性条件，采用块坐标下降方法求解该问题，即依次迭代更新统计鲁棒接收机、权值参数和预编码矢量，直至收敛；所述的深度学习设计方法包括：1)离线阶段：通过所述的迭代设计生成数据集，训练低维特征参数神经网络；训练完成后，该神经网络可用于各种信道场景，无需重新训练；2)在线阶段：利用各用户终端的信道估计值、信道估计误差的统计参数、信噪比，基于训练好的神经网络计算低维特征参数；根据鲁棒WMMSE预编码器结构，利用低维特征参数和信道状态信息，通过闭式表达式计算预编码矢量；该深度学习设计方法通过空间解相关方法扩展到用户多天线的场景。2.根据权利要求1所述的大规模MIMO鲁棒WMMSE预编码器及其深度学习设计方法，其特征在于：所述的信道估计值通过各个用户周期性发送的导频信号获取，所述的信道估计误差的统计参数通过对信道估计值进行统计获取。3.根据权利要求1所述的大规模MIMO鲁棒WMMSE预编码器及其深度学习设计方法，其特征在于：所述的预编码器结构包括：鲁棒WMMSE预编码器利用低维特征参数和信道状态信息通过闭式表达式计算，具体步骤为：利用低维特征参数和信道状态信息计算预编码矢量的方向；利用低维特征参数、预编码矢量的方向和信道状态信息计算功率分配；将预编码矢量的方向和功率分配组合为预编码矢...

【专利技术属性】
技术研发人员：高西奇，是钧超，仲文，卢安安，
申请(专利权)人：东南大学，
类型：发明
国别省市：