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/>‑
er本文档来自技高网...

【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：