一种基于混合预编码和信道估计的联合设计方法和装置制造方法及图纸

本发明专利技术公开了一种基于混合预编码和信道估计的联合设计方法和装置，其中，该方法包括：获取多用户毫米波MIMO系统不同信噪比的训练数据；构建深度展开网络，其中，所述深度展开网络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；将所述训练数据输入到所述深度展开网络进行两阶段的联合训练，获得训练好的网络优化参数；其中，所述两阶段的联合训练是基于双时间尺度设计的，目标损失函数包括系统和速率，训练参数更新方法包括随机梯度下降法；基于所述训练好的网络优化参数，执行数据传输任务。本发明专利技术可以降低信令开销，提高系统的鲁棒性，降低计算复杂度。降低计算复杂度。降低计算复杂度。

【技术实现步骤摘要】
一种基于混合预编码和信道估计的联合设计方法和装置


[0001]本专利技术涉及无线通信
，尤其涉及一种基于混合预编码和信道估计的联合设计方法和装置。

技术介绍

[0002]由于大规模空间多路复用增益和高度定向波束成形，大规模多输入多输出天线(MIMO)系统已经成为提升系统容量的关键技术之一。然而由于射频链路的昂贵造价和能量损耗，在MIMO系统中使用全数字的预编码方式是不现实的。目前混合预编码的方式可以大量减少射频链路的使用，被广泛关注和研究。由于混合预编码的设计需要知道信道信息，因此信道估计也是十分重要的一环。目前提出了许多混合预编码和信道估计的算法，其中混合预编码的设计主要基于码本和迭代优化算法，信道估计则往往通过压缩感知的方法。但这些算法计算复杂度较高，需要大量迭代，在实际中难以应用。并且，信道估计和混合预编码这两个模块在传统算法中往往被分开设计，可能会造成性能上的损失。
[0003]目前深度学习技术在通信中得到了广泛地应用，其计算复杂度低，不需要对求解的问题进行精确的数学建模，并且其中的深度展开技术通过引入可训练参数，将传统迭代优化算法展开成多层网络结构，合理的利用了原算法的架构，在性能上几乎不差于传统算法。

技术实现思路

[0004]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
[0005]为此，本专利技术的目的在于解决大规模多输入多输出天线(MIMO)系统中混合预编码算法和信道估计算法计算复杂度高，两种算法分模块设计降低系统性能的问题，采用深度展开的技术来对混合预编码和信道估计进行联合设计，提出了一种基于混合预编码和信道估计的联合设计方法。
[0006]本专利技术的另一个目的在于提出一种基于混合预编码和信道估计的联合设计装置。
[0007]为达上述目的，本专利技术一方面提出了一种基于混合预编码和信道估计的联合设计方法，包括以下步骤：
[0008]获取多用户毫米波MIMO系统不同信噪比的训练数据；
[0009]构建深度展开网络，其中，所述深度展开网络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；
[0010]将所述训练数据输入到所述深度展开网络进行两阶段的联合训练，获得训练好的网络优化参数；其中，所述两阶段的联合训练是基于双时间尺度设计的，目标损失函数包括系统和速率，训练参数更新方法包括随机梯度下降法；
[0011]基于所述训练好的网络优化参数，执行数据传输任务。
[0012]根据本专利技术实施例的一种基于混合预编码和信道估计的联合设计方法，通过获取多用户毫米波MIMO系统不同信噪比的训练数据；构建深度展开网络，其中，所述深度展开网
络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；将所述训练数据输入到所述深度展开网络进行两阶段的联合训练，获得训练好的网络优化参数；其中，所述两阶段的联合训练是基于双时间尺度设计的，目标损失函数包括系统和速率，训练参数更新方法包括随机梯度下降法；基于所述训练好的网络优化参数，执行数据传输任务。本专利技术可以降低信令开销，提高系统的鲁棒性，降低计算复杂度。
[0013]另外，根据本专利技术上述实施例的基于混合预编码和信道估计的联合设计方法还可以具有以下附加的技术特征：
[0014]进一步地，所述获取多用户毫米波MIMO系统不同信噪比的训练数据，包括：
[0015]建立窄带毫米波信道模型，所述窄带毫米波信道模型包含N
cl
个簇，所述每个簇包含N
ray
条传播路径，信道矩阵表示形式包括：
[0016][0017]其中，N
t
为发送天线数量，N
r
为接收天线数量，为第i簇中第l条路径的复增益，和分别表示接收端和发送端的到达角和发送角。和分别表示接收和发送导向矢量；
[0018]利用所述窄带毫米波信道模型，根据统计具有特定分布的信道和噪声的特性生成信道样本和噪声样本，并根据所述信道样本和所述噪声样本生成所述训练数据。
[0019]进一步地，所述多个子网络，包括：
[0020]接收端的信道估计子网络，以及发送端的导频设计子网络和混合预编码子网络，其中，所述接收端的信道估计子网络是基于递归最小二乘算法进行深度展开，所述混合预编码子网络是基于随机逐次凸逼近算法进行深度展开的，包括模拟编码网络和数字编码网络。
[0021]进一步地，所述双时间尺度，包括：
[0022]根据信道统计特性将时间轴划分多个帧；
[0023]将所述帧逐个划分为预设数量的时隙；
[0024]根据所述帧的结构确定长时间尺度，并根据所述时隙确定短时间尺度。
[0025]进一步地，所述两阶段的联合训练包括第一训练阶段和第二训练阶段，其中，所述第一训练阶段用于训练长时间尺度深度展开网络，所述长时间尺度深度展开网络包括所述混合预编码子网络，包括以下步骤：
[0026]将所述信道样本输入到所述模拟编码网络，输出模拟编码器；
[0027]根据所述模拟编码器获得等效信道矩阵；
[0028]将所述等效信道矩阵输入到数字编码网络，输出第一数字编码器；
[0029]执行网络反向传播过程，其中，损失函数采用系统和速率的形式，使用随机梯度下降算法更新网络参数。
[0030]进一步地，所述第二训练阶段，用于训练短时间尺度深度展开网络，所述短时间尺度深度展开网络包括所述混合预编码子网络、所述导频设计子网络和所述信道估计子网络，包括以下步骤：
[0031]固定所述第一阶段训练好的模拟编码器，并将所述信道样本输入到所述第一阶段
的模拟编码网络得到待估计的等效信道矩阵；
[0032]将所述待估计的等效信道矩阵输入到所述导频设计子网络，并结合所述噪声样本，输出导频信号；
[0033]将所述导频信号输入到信道估计子网络，输出估计的等效信道矩阵；
[0034]将所述估计的等效信道矩阵输入到所述数字编码网络，输出第二数字编码器；
[0035]执行网络反向传播过程，其中，损失函数采用系统和速率的形式，使用随机梯度下降算法更新网络参数。
[0036]进一步地，所述混合预编码子网络是基于随机逐次凸逼近算法进行深度展开的，包括：
[0037]引入可训练参数B，并取矩阵A对角线元素的倒数，并将其他非对角线元素设置为0，用A
+
表示，采用结构A
+
B；
[0038]引入偏置训练参数复数矩阵D，并将其对角线元素的虚部设为0，用D
‑
表示；
[0039]采用A
+
B+D
‑
的结构来近似求逆矩阵A
‑
。
[0040]进一步地，所述信道估计子网络是基于递归最小二乘算法进行深度展开，包括：
[0041]在网络的每一层中采用以下结构：
[0042][0043]其中表示输入和输出，表示引本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合预编码和信道估计的联合设计方法，其特征在于，包括以下步骤：获取多用户毫米波MIMO系统不同信噪比的训练数据；构建深度展开网络，其中，所述深度展开网络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；将所述训练数据输入到所述深度展开网络进行两阶段的联合训练，获得训练好的网络优化参数；其中，所述两阶段的联合训练是基于双时间尺度设计的，目标损失函数包括系统和速率，训练参数更新方法包括随机梯度下降法；基于所述训练好的网络优化参数，执行数据传输任务。2.根据权利要求1所述的方法，其特征在于，所述获取多用户毫米波MIMO系统不同信噪比的训练数据，包括：建立窄带毫米波信道模型，所述窄带毫米波信道模型包含N
cl
个簇，所述每个簇包含N
ray
条传播路径，信道矩阵表示形式包括：其中，N
t
为发送天线数量，N
r
为接收天线数量，为第i簇中第l条路径的复增益，和分别表示接收端和发送端的到达角和发送角。和分别表示接收和发送导向矢量；利用所述窄带毫米波信道模型，根据统计具有特定分布的信道和噪声的特性生成信道样本和噪声样本，并根据所述信道样本和所述噪声样本生成所述训练数据。3.根据权利要求2所述的方法，其特征在于，所述多个子网络，包括：接收端的信道估计子网络，以及发送端的导频设计子网络和混合预编码子网络，其中，所述接收端的信道估计子网络是基于递归最小二乘算法进行深度展开，所述混合预编码子网络是基于随机逐次凸逼近算法进行深度展开的，包括模拟编码网络和数字编码网络。4.根据权利要求3所述的方法，其特征在于，所述双时间尺度，包括：根据信道统计特性将时间轴划分多个帧；将所述帧逐个划分为预设数量的时隙；根据所述帧的结构确定长时间尺度，并根据所述时隙确定短时间尺度。5.根据权利要求4所述的方法，其特征在于，所述两阶段的联合训练包括第一训练阶段和第二训练阶段，其中，所述第一训练阶段用于训练长时间尺度深度展开网络，所述长时间尺度深度展开网络包括所述混合预编码子网络，包括以下步骤：将所述信道样本输入到所述模拟编码网络，输出模拟编码器；根据所述模拟编码器获得等效信道矩阵；将所述等效信道矩阵输入到数字编码网络，输出第一数字编码器；执行网络反向传播过程，其中，损失函数采用系统和速率的形式，使用随机梯度下降算法更新网络参数。6.根据权利要求5所述的方法，其特征...

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