脏纸编码条件下实现MISO下行总和速率最大化的波束形成设计方法技术

本发明专利技术公开了脏纸编码条件下实现MISO下行总和速率最大化的波束形成设计方法，步骤依次为：设计波束形成网络，包括深度神经网络模型和波束形成恢复模型；获得深度神经网络模型所需要的训练样本集，并进行优化训练；在深度神经网络模型中利用信道状态信息生成关键向量；在波束形成恢复模型中计算下行功率分配，利用信道状态信息、关键向量与下行功率构造波束成形矩阵。本发明专利技术采用脏纸编码和上下行链路对偶知识，有效降低了复杂度，在性能和复杂度上取得了良好的平衡。上取得了良好的平衡。上取得了良好的平衡。

【技术实现步骤摘要】
脏纸编码条件下实现MISO下行总和速率最大化的波束形成设计方法


[0001]本专利技术属于多输入单输出(MISO)下行传输优化领域，特别涉及了MISO下行总和速率最大化的波束形成设计方法。

技术介绍

[0002]下行波束形成是多用户多输入多输出系统中有效提高频谱利用率的主要技术，可以实现多天线的性能增益。波束形成技术有多种形式，在给定的功率约束下，最大限度地提高下行总传输速率是该领域的一个重要研究方向。然而，直接优化下行总传输速率是一个复杂的非凸问题。采用加权最小均方误差(WMMSE)迭代算法可以得到局部最优解，但是迭代过程引入的延迟也会使波束形成方案无法适应5G中高可靠性、低时延的场景。一些文章引入了基于信道状态信息直接计算波束形成向量的启发式波束形成算法，但这些技术性能不高，精度不高。延迟和性能之间的权衡似乎限制了波束形成技术及其实际应用的潜力。

技术实现思路

[0003]为了在波束形成方案的延迟与性能上取得良好的平衡，本专利技术提出了脏纸编码条件下实现MISO下行总和速率最大化的波束形成设计方法。
[0004]为了达到上述目的，本专利技术采用的技术方案如下：
[0005]脏纸编码条件下实现MISO下行总和速率最大化的波束形成设计方法，包括以下步骤：
[0006](1)设计波束形成网络，所述波束形成网络包括深度神经网络模型和波束形成恢复模型；
[0007](2)获得所述深度神经网络模型所需要的训练样本集，并进行优化训练；
[0008](3)训练完成后，在深度神经网络模型中利用信道状态信息生成关键向量；
[0009](4)在所述波束形成恢复模型中计算下行功率分配，利用信道状态信息、关键向量与下行功率构造波束成形矩阵。
[0010]进一步地，在步骤(2)中，采用上行功率分配注水迭代算法获得深度神经网络模型所需要的训练样本集，该算法利用信道状态信息计算使上行总和速率最大的上行功率分配。
[0011]进一步地，在步骤(3)中，所述关键向量为上行功率分配q＝[q1,...,q
K
]T
，K为MISO中的单天线用户数，在使用脏纸编码时，假设预编码顺序为1...K。
[0012]进一步地，在步骤(4)中，根据上下行对偶知识，用户j在上行链路中达到的速率为
[0013][0014]其中，为用户j的上行解调信干噪比，h
j
∈C
M
×1为用户j与基站之间的信道，M
为MISO中的天线基站数，u
j
表示用户j的波束形成向量，σ2为加性高斯白噪声的方差；
[0015]其中利用矩阵知识，得到简化公式：
[0016][0017]其中p
i
为下行功率；
[0018]将作为上行场景的有效信道，翻转信道得到
[0019][0020]考虑用户j在下行链路中的速率，使用相反的编码顺序，得到
[0021][0022]其中，用户j的下行解调信干噪比；
[0023]当选择时，其中U＝[u1,u2,...,u
K
]为波束成形矩阵和P
m
为功率约束，分别是总功率约束下的下行总和速率和总功率约束下的上行总和速率；
[0024]下行功率分配根据步骤(3)得到的上行功率分配计算：
[0025][0026]其中，F
i
、G
i
分别是分解出来的左奇异矩阵和右奇异矩阵。
[0027]进一步地，在步骤(4)中，得到波束成形向量：
[0028][0029]其中，I为单位阵，运算符||||2代表2范数运算。
[0030]采用上述技术方案，利用在脏纸编码条件下上下行链路对偶的独特性，将下行链路问题转化为上行链路问题，并且利用深度深度神经网络，将计算复杂度从在线优化转移到离线训练，利用训练好的深度神经网络寻找波束形成的最优解，大大降低了计算复杂度和时延。
附图说明
[0031]图1是本专利技术的MISO系统模型图；
[0032]图2是本专利技术的方法流程示意图；
[0033]图3是本专利技术的波束形成网络图；
[0034]图4是本专利技术实施例提供的系统总和速率与总功率约束关系图。
具体实施方式
[0035]本专利技术实施例所要解决的技术问题是提供一种基于深度学习的在脏纸编码条件下实现MISO下行总和速率最大化的波束形成设计方法，该方法采用脏纸编码和上下行链路对偶知识，有效降低了复杂度，在性能和复杂度上取得了良好的平衡。
[0036]如图1所示，本例的多输入单输出(MISO)下行传输场景中有一个配备M个天线的基站(BS)和K个单天线用户。假定信道状态信息是已知的，在使用脏纸编码时，假设预编码顺序为1...K。由于用户i对用户k(k＞i)的干扰是已知的，用户k的干扰对用户i的下行解调信干噪比(SINR)没有影响，所以用户i的SINR为：
[0037][0038]其中h
i
∈C
M
×1为用户i与基站之间的信道，u
i
表示用户i的波束形成向量,σ2为加性高斯白噪声的方差。
[0039]如图2所示，本专利技术实施例提供的一种基于深度学习的在脏纸编码条件下实现MISO下行总和速率最大化的波束形成设计方法的流程图，该方法包括以下步骤：
[0040]步骤一、设计波束形成网络BFNet，BFNet包括两部分：深度神经网络模型和波束形成恢复模型；
[0041]步骤二、利用已知算法获得深度神经网络模型所需要的训练样本集，并进行优化训练；
[0042]步骤三、训练完成后，在深度神经网络模型中利用信道状态信息生成关键向量；
[0043]步骤四、在波束形成恢复模型中利用上下行链路对偶知识计算下行功率分配，利用信道状态信息、关键向量与下行功率构造波束成形矩阵。
[0044]如图3所示，步骤一中BFNet包括两部分：深度神经网络模型和波束形成恢复模型。其中深度神经网络模型利用信道状态信息生成关键向量，而波束形成恢复模型利用上下行链路对偶知识将关键向量转化成下行功率分配，然后利用信道状态信息、关键向量与下行功率分配构造波束成形矩阵。
[0045]在实施例中，步骤二中的已知算法为上行功率分配注水迭代算法，该算法可以利用信道状态信息计算使上行总和速率最大的上行功率分配。
[0046]在实施例中，步骤三中的关键向量为上行功率分配q＝[q1,...,q
K
]T
。
[0047]在实施例中，步骤四中，根据上下行对偶知识，用户j在上行链路中达到的速率为：
[0048][0049]其中利用矩阵知识，得到简化公式为
[0050][0051]其中将作为上行链路的有效信道，翻转该信道得到
[0052][0053]现在考虑用户j在下行链路中的速率，使用相反的编码顺序，得到
[0054][0055本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.脏纸编码条件下实现MISO下行总和速率最大化的波束形成设计方法，其特征在于，包括以下步骤：(1)设计波束形成网络，所述波束形成网络包括深度神经网络模型和波束形成恢复模型；(2)获得所述深度神经网络模型所需要的训练样本集，并进行优化训练；(3)训练完成后，在深度神经网络模型中利用信道状态信息生成关键向量；(4)在所述波束形成恢复模型中计算下行功率分配，利用信道状态信息、关键向量与下行功率构造波束成形矩阵。2.根据权利要求1所述脏纸编码条件下实现MISO下行总和速率最大化的波束形成设计方法，其特征在于，在步骤(2)中，采用上行功率分配注水迭代算法获得深度神经网络模型所需要的训练样本集，该算法利用信道状态信息计算使上行总和速率最大的上行功率分配。3.根据权利要求1所述脏纸编码条件下实现MISO下行总和速率最大化的波束形成设计方法，其特征在于，在步骤(3)中，所述关键向量为上行功率分配q＝[q1,...,q
K
]
T
，K为MISO中的单天线用户数，在使用脏纸编码时，假设预编码顺序为1...K。4.根据权利要求3所述脏纸编码条件下实现MISO下行总和速率最大化的波束形成设计方法，其特征在于，在步骤(4)中...

【专利技术属性】
技术研发人员：赵海涛，靳鑫，娄兴良，夏文超，倪艺洋，朱洪波，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：