基于深度学习的上行超大规模智能反射表面波束训练方法技术

本发明专利技术公开一种基于深度学习的上行超大规模智能反射表面波束训练方法。基站端构建并训练以深度残差网络为基础的Resnet估计模型。基于训练好的Resnet估计模型，基站端可以仅依据部分码字的接收信号就能准确估计出近场码本中的最优码字。因此在用户发送导频的阶段，超大规模智能反射表面仅需要测试部分的码字，从而大幅减少了导频开销。最后，基于估计概率的额外码字测试可以大幅提高最优码字的估计精度。本发明专利技术通过利用深度残差网络，在仅测试部分码字的基础上估计出最优码字，在减少导频开销的同时提高了估计精度。开销的同时提高了估计精度。开销的同时提高了估计精度。

【技术实现步骤摘要】
基于深度学习的上行超大规模智能反射表面波束训练方法


[0001]本专利技术涉及一种基于深度学习的超大规模智能反射表面辅助通信的低导频开销波束训练方案设计。

技术介绍

[0002]智能反射表面技术被认为是下一代移动通信潜在的关键技术之一，该技术通过在用户与基站之间大量部署可重构的智能反射元件，从而提供一条额外的可靠的反射链路，大大提高了无线通信系统的频谱效率与吞吐量。此外，由于智能反射表面低成本和低功耗的优势，智能反射表面被期望部署更多的反射元件，来补偿反射链路中严重的路径损耗。因此，智能反射表面逐渐向着超大规模化发展。在小规模智能反射表面辅助的无线通信系统中，基于预定义码本的波束训练被广泛应用来优化智能反射表面的反射相位系数。具体地说，智能反射表面通过测试码本中的所有码字来确定最优码字，并以最优码字构建相位系数。然而，超大规模智能反射表面的引入会导致近场的范围的扩大，这使得用户或目标更有可能处于近场的范围内。因此，在超大规模智能反射表面辅助的无线通信系统中，预定义码本的设计以及波束训练需要考虑近场的球面波信道模型。然而，在考虑近场的球面波信道模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的上行超大规模智能反射表面波束训练方法，其特征在于，包括如下步骤：步骤S1、基站端构建并训练以深度残差网络为基础的Resnet估计模型，获得模型参数；步骤S2、基站配置有M根天线，超大规模智能反射表面配置有N个可重构反射相位的反射单元，用户配置单根天线；用户向超大智能反射表面发送导频信号，超大智能反射表面选择预定义码本中的部分码字来构成反射相位系数并反射导频信号到基站端；基站端获得相应的部分码字的接收信号并将其构成向量形式；步骤S3、基站端将获得的接收信号向量输入到Resnet估计模型，输出得到码本中每个码字的估计概率，估计概率越大，该码字为最优码字的可能性越大；步骤S4、基站端基于估计概率对所有码字降序排列，并将估计概率靠前的码字序号通过单独的控制链路反馈给超大规模智能反射表面，超大规模智能反射表面对基站端传达的码字进行额外测试，基站端通过测量信号能量得到最终的最优码字；步骤S5、基站端将计算所得的最优码字序号通过单独的控制链路反馈给超大规模智能反射表面，超大规模智能表面以最优码字构建相位系数，进行上行链路的信号传输。2.根据权利要求1所述的一种基于深度学习的上行超大规模智能反射表面波束训练方法，其特征在于，所述步骤S1中构建并训练以深度残差网络为基础的Resnet估计模型，具体步骤为：步骤S101：基站端构建Resnet估计模型；步骤S102、基站端随机初始化Resnet估计模型的所有模型参数；输入设置为基站端获得的接收信号，输出设置为码本中所有码字的估计概率；步骤S103、基站端随机生成超大规模智能反射表面辅助的通信系统中的级联信道，对每个级联信道采用穷举搜索法确定该级联信道下的最优码字，并作为该级联信道的标签；步骤S104、基站端将生成的级联信道及相应的标签作为训练样本，并采用Adama优化器以及学习率衰减策略对Resnet估计模型进行训练，训练过程中模型参数被不断更新，使得损失函数最小，损失函数的表示如下：其中，S代表原码本W中的码字数量；代表Resnet估计模型估计出的第s个码字的概率；p
s
代表每个码字真实的估计概率，当第s个码字为最优码字时，p
s
＝1，否则p
s
＝0；当损失函数趋于收敛时，保存模型参数。3.根据权利要求2所述的一种基于深度学习的上行超大规模智能反射表面波束训练方...

【专利技术属性】
技术研发人员：潘存华，刘望，任红，
申请(专利权)人：东南大学，
类型：发明
国别省市：