极化可重构天线的重构方法、系统和电子设备技术方案

本申请涉及天线优化的领域，其具体地公开了一种极化可重构天线的重构方法、系统和电子设备，其采用基于深度学习技术的卷积神经网络模型来挖掘出多天线的空域相关性之间的关联特征，并且考虑到多天线之间的时域和频域相关性特征，在本申请中进行基于时域和频域相关性特征的修整以得到备选子集作为最优选择的概率，进而也就能够根据最优选择的概率从多个天线中选择使通信性能最优的天线子集。通过这样的方式，可以减少电路的通路，从而能够降低天线选择的复杂度，并且这样还能够优化通信的性能，进而使得通信的质量更高。进而使得通信的质量更高。进而使得通信的质量更高。

【技术实现步骤摘要】
极化可重构天线的重构方法、系统和电子设备


[0001]本专利技术涉及天线优化的领域，且更为具体地，涉及一种极化可重构天线的重构方法、系统和电子设备。

技术介绍

[0002]多输入多输出MIMO(Multiple
‑
Input Multiple
‑
Output)系统是一项运用于802.11n的核心技术，能利用发射端的多个天线各自独立发送信号，同时在接收端用多个天线接收并恢复原信息。目前，新一代无线通信技术研究中，收发端同时使用多天线的多输入多输出技术因能显著提高信道容量和通信可靠性而获得广泛的研究兴趣。
[0003]然而，由于MIMO技术需要多路射频及中频通道，对硬件的实现复杂度和成本提出较高要求。目前一种有效的解决办法是采用天线选择算法，也就是，从多个天线中选择使通信性能最优的天线子集，从而减少电路通路。但是天线选择算法存在着较多的缺陷，例如其复杂度较高，不仅需要考虑每次信道估计，还需要考虑信道之间的统计特征。
[0004]因此，期待一种极化可重构天线的重构方法。

技术实现思路

...

【技术保护点】

【技术特征摘要】
1.一种极化可重构天线的重构方法，其特征在于，包括：构造用于表示多根天线的空域相关性的空域相关输入矩阵，其中，所述空域相关输入矩阵的各个位置的特征值用于表示对应一对关联天线之间的空域相关性；将所述空域相关输入矩阵输入卷积神经网络以获得第一特征图；对所述第一特征图中各个位置的特征值进行基于时域的修正以获得第二特征图，其中，以每对关联天线之间的路径损失值来表示两者之间的时域相关性；对所述第一特征图中各个位置的特征值进行基于频域的修正以获得第三特征图，其中，以每对关联天线之间的频率相关性值来表示两者之间的频域相关性；融合所述第一特征图、所述第二特征图和所述第三特征图以获得子集选择特征图；获取所述多根天线的备选子集并将所述备选子集中的天线排列为路径形式以获得天线序列；确定所述天线序列中每对关联天线在所述子集选择特征图中的相应位置上的特征值，以获得由多个特征值组成的选择特征向量；将所述选择特征向量通过分类器以获得用于表示所述备选子集作为最优选择的概率。2.根据权利要求1所述的极化可重构天线的重构方法，其中，构造用于表示多根天线的空域相关性的空域相关输入矩阵，包括：构造一个矩阵，其中，所述矩阵的行和列分别按照天线进行编号，且所述矩阵的每个位置对应一对关联的天线；以及将每对关联的天线的空域相关性值填入所述矩阵的相应位置以获得所述空域相关输入矩阵。3.根据权利要求1所述的极化可重构天线的重构方法，其中，将所述空域相关输入矩阵输入卷积神经网络以获得第一特征图，包括：所述卷积神经网络以如下公式从所述空域相关输入矩阵获得所述第一特征图；其中，所述公式为：f
i
＝active(N
i
×
f
i
‑1+B
i
)其中，f
i
‑1为第i层卷积神经网络的输入，f
i
为第i层卷积神经网络的输出，N
i
为第i层卷积神经网络的卷积核，且B
i
为第i层卷积神经网络的偏置向量，active表示非线性激活函数。4.根据权利要求1所述的极化可重构天线的重构方法，其中，对所述第一特征图中各个位置的特征值进行基于时域的修正以获得第二特征图，包括：以如下公式计算每对关联天线之间的路径损失值作为两者之间的时域相关性，所述公式为：其中s
i，j
表示第i天线和第j天线之间的路径损失相关性值，且d
i
和d
j
分别表示第i天线和第j天线在单位长度上的路径损失；以及将所述第一特征图中每个位置的特征值根据其对应的一对关联天线分别乘以相应的路径损失值以获得时域修正特征图。
5.根据权利要求4所述的极化可重构天线的重构方法，其中，对所述第二特征图中各个位置的特征值进行基于频域的修正以获得第三特征图，包括：以如下公式计算每对关联天线之间的频率相关性值作为两者之间的频域相关性，所述公式为：其中r
i，j
表示第i天线和第j天线之间的频率相关性值，...

【专利技术属性】
技术研发人员：黄小杰，
申请(专利权)人：上海溪郝电子有限公司，
类型：发明
国别省市：