一种用于大型波束成形系统的基于消息传递算法的混合深度学习神经网络技术方案

一种使用N波束发射器传输到具有K个接收波束的接收器的多波束传输方法。在该发射器中，使用依赖于来自该接收器的反馈的梯度下降反向传播来训练线性编码器并通过机器学习块实现的非线性编码器。对于待发送的每个输入，使用该机器学习块来处理该输入以生成N/K组L个输出。使用该线性编码器对每组L个输出执行线性编码以生成各组K个输出，从而生成N/K组共K个编码输出和共N个编码输出。从各组的K个波束发送该N/K组K个输出中的一组。为了允许对不同SNR进行泛化，并允许时变信道状况，在该非线性编码器中实现的非线性层负责提取特征并重新生成这些特征，而在该线性编码器中实现的线性层则负责更强的泛化。性层则负责更强的泛化。性层则负责更强的泛化。

【技术实现步骤摘要】
【国外来华专利技术】一种用于大型波束成形系统的基于消息传递算法的混合深度学习神经网络
[0001]交叉引用
[0002]本申请要求于2020年7月24日提交的申请号为16/937,863，名称为“一种用于大型波束成形系统的基于消息传递算法的混合深度学习神经网络”的美国专利申请的优先权，其内容通过引用并入本文。


[0003]本申请涉及机器学习，并且更具体地，涉及应用于波束成形系统的机器学习。

技术介绍

[0004]无线系统的深度学习
[0005]深度学习是机器学习的子集，其中在输入和输出之间有两层以上的非线性神经元。深度学习是人工智能的一个分支，其在非常复杂问题的应用方面上取得了重大进展。
[0006]当深度学习技术应用于无线系统时，存在几个基本问题。第一个问题是无法泛化不同的信噪比(SNR)深度神经网络与无线系统中的信息数据(即信号)的统计属性(例如期望和方差等)和随机敌对性密切相关。一旦SNR改变，该深度神经网络的神经元需要调整以适应不同的噪声，这经常会导致完整的重新训练。在实践中，由于包括信噪比和信干比的无线信道是变化的，难以可靠地估计，因此采用深度学习神经网络对时变信号进行处理是不切实际的。
[0007]无线mmWAVE通信
[0008]5G提出使用毫米波(mmWAVE)通信来提供超过Gbps级别的吞吐量。严格地说，5G mmWAVE通信可以使用厘米或毫米波长。
[0009]典型的mmWAVE或高频通信具有与6GHz以下不同的信道状况和地貌。mmWAVE频段的路径损耗远比6GHz以下更严重。为了解决此问题，5G系统采用一种称为波束成形的技术，通过若干发射天线将信号能量“集中”到一个点或区域(在厘米或毫米级中)，以便在目标点或区域内生成足够高的SNR信号。在无线方面下，信号强度应满足接收器的灵敏度等级。
[0010]然而，无线系统所采用的频带的频率越高，无线电波束所受到的路径损耗就越大。未来的无线系统可能采用频率超过100GHz的频段。未来无线电波束的接收灵敏度会明显受到空中路径损耗的限制。为了补偿路径损耗，一种选择是增加无线电波束上的发射功率。一方面，使用更高的频带会导致较短的波长和较小的天线尺寸；另一方面，更高的频带所导致的较大路径损耗会提高每个无线电波束上的信号接收灵敏度等级。
[0011]为了解决这些问题，可以使用片上波束系统，其在一个芯片晶粒面积上同时容纳许多(例如，数千个)无线电波束。在此类系统中使用人工智能来进行波束成形时，接收器移动时通常需要重新训练。而重新训练可能会不够快，无法跟上不断变化的信道，特别是在有大量波束的情况下。此外，与训练相关的信令开销非常大。

技术实现思路

[0012]为了实现对不同信噪比的泛化，在自编码器框架中插入了一些线性层。这些线性层增强了对不同信噪比的泛化。在所提供的深度学习架构中，非线性编码层f(
■
)表现为特征提取器，其从一个图像中或一种分布的符号或样本中提取N/K个不同特征。该线性层是N/K个相位(w)/偏置(b)/功率(c)线性编码器。该N/K个特征可以看作是一个符号的N/K个不同的视角或观察结果，该线性层可以对该N/K个特征进行并行编码。N个无线电信号在空中会自然叠加该N/K个不同的编码特征，形成K级编辑器。非线性解码层g(
■
)是一个全连接合成器，其在失真和噪声叠加之后会从K维度信号中重新生成符号。
[0013]为了允许对不同SNR进行泛化，并允许时变信道状况，非线性层负责提取特征并重新生成这些特征，而线性层则负责更强的泛化。该非线性层本身可对诸如SNR和衰减等时变信道不确定性具有低度容限，而在此类情况下出现变化时，该时变信道不确定性通常需要对该非线性层进行完整的重新训练。包含该线性层对整个系统具有如下作用：引入额外的容限(更强的泛化)；当诸如SNR或衰减等信道不确定性存在变化时，该线性层可易于调整，而无需重新训练该线性层。
[0014]在一些实施例中，该非线性层通过机器学习来实现。更具体地，在一些实施例中，深度神经网络用于该非线性层。整体解决方案可接近最优解。在一些实施例中，该系统为接收器透明。
[0015]在一些实施例中，在每次传输之前都会应用消息传递算法(MPA)或置信度传播算法来调整功率控制因子。
[0016]对于变化的信道衰减：在一些实施例中，添加额外的功率控制层允许将变化的信道衰减纳入考虑。在初始训练期间，执行串联训练，其包括针对各个层(包括该非线性层和该线性编码层(<f(),g(),w,b>))的反向传播和用于功率控制<c>的消息传递算法。为了应用MPA，引入了虚拟用户概念。将有关符号的有用信息发送给“真实”用户；而将无用信息导向“虚拟”用户。在推断(传输)期间，在每次符号传输之前，该发射器处的MPA运行以基于当前输入符号和当前信道衰减来调整<c>，但是其他编码层(<f(),g(),w,b>)保持不变。在训练期间，从分布中对衰减进行采样。在实际传输期间，使用具有某些不确定性的估计信道系数来更新该分布。
[0017]为了解决信道失配和不确定性，在初始训练和推理的MPA中，均会将衰减<h>插入该深度神经网络中，<h>为各个分布中的样本。该非线性解码层g(
■
)具有学习这些<h>的能力。实际上，若一个真实衰减在分布中下降，甚至下降至超出分布之外一点，g()仍然可处理这种情况。在某些情况下无需导频，或者可选择地，所需的导频比其它情况更少。
[0018]在一些实施例中，应用所提供的方法来实现大规模波束系统。
[0019]在一些实施例中，所提供的系统和方法还适于提供编码增益和增量冗余混合自动重传请求(IR
‑
HARQ)。众所周知，利用编码原理中的编码速率对一个符号进行编码产生功率增益而非编码增益。在加性高斯白噪声(AWGN)信道中，该编码速率只带来功率增益，而在选择性信道中可能会产生一些MRC增益。提供了一种系统和方法来实现编解码器，按照给定的编码速率对一个符号进行编码以实现编码增益。
[0020]选择性衰减具有敌对性。所提供的编解码器可以通过内置逻辑来学习大规模衰减并容许小规模随机衰减，从而无需导频或需要更少导频。
[0021]增量冗余对线性系统有效。提供了一种系统和方法，用于通过所提供的编解码器利用IR传输来包括IR编码增益。
附图说明
[0022]下面参考所附附图描述本专利技术实施例。
[0023]图1是描绘了对mmWAVE频带上显著的路径损耗进行补偿的大量波束的框图；
[0024]图2A是示出了片上波束配置的框图；
[0025]图2B是示出了用于传送高质量信号的联合2片上波束配置的框图；
[0026]图3是描绘了使用图2B的片上波束配置通本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种使用N波束发射器传输到具有K个接收波束的接收器的多波束传输方法，其特征在于，所述方法包括：使用依赖于来自所述接收器的反馈的梯度下降反向传播来训练机器学习块和线性编码器，其中所述机器学习块实现非线性编码器；对于待发送的每个输入：使用所述机器学习块来处理输入以生成N/K组L个输出；和使用所述线性编码器对每组L个输出执行线性编码以生成各组K个输出，从而生成N/K组共K个编码输出和共N个编码输出；和从各组的K个波束发送所述N/K组K个输出中的各个组。2.根据权利要求1所述的方法，其特征在于，所述机器学习块是深度神经网络。3.根据权利要求1至2中任一项所述的方法，其特征在于，所述训练线性编码器是针对待发送的每个输入执行的。4.根据权利要求1至3中任一项所述的方法，其特征在于：其中，“a”是待发送的输入；f(a)是由所述非线性编码器执行的非线性编码操作；是所述非线性编码操作的输出；w
i
和是所述线性编码器的参数；是在所述N波束发射器的输出端生成的一组K个重新编辑的实体；是噪音；是由所述接收器中的机器学习块执行的非线性解码操作；和是所述非线性解码操作的输入。5.根据权利要求1至4中任一项所述的方法，其特征在于，所述方法还包括：对所述N/K组K个输出中的每一组应用各自的权重，以生成加权后的一组K个输出；其中，从每个波束发送所述N/K组K个输出中的各个组包括发送所述加权后的一组K个输出；和所述方法还包括使用消息传递算法来训练所述权重。6.根据权利要求5中所述的方法，其特征在于：
其中，“a”是待发送的输入；f(a)是由所述非线性编码器执行的非线性编码操作；是所述非线性编码操作的输出；w
i
和是所述线性编码器的参数；是在所述N波束发射器的输出端生成的一组K个重新编辑的实体；是噪音；是通过所述消息传递算法训练的所述权重；是由所述接收器中的机器学习块执行的非线性解码操作；和是所述非线性解码操作的输入。7.根据权利要求5至6中任一项所述的方法，其特征在于，所述对所述N/K组K个输出中的每一组应用各自的权重，以生成加权后的一组K个输出包括对所述N/K组K个输出中的第i组应用相应的权重α
i
；和使用消息传递算法来确定α
i
，以便对比包括在通过权重1
–
α
i
计算的另一虚拟信号中的所述线性编码器的输出中的有用信息量基于优化准则来优化包括在发送的信号中的所述线性编码器的输出中的有用信息量。8.根据权利要求7所述的方法，其特征在于，所述方法还包括：在初始训练期间：在训练所述机器学习块和所述线性编码器的同时固定所述权重α
i
；和在训练所述权重α
i
的同时将所述机器学习块和所述线性编码器的参数处理为常数；和在训练之后，使用消息传递算法来更新每次传输的所述权重。9.根据权利要求8所述的方法，其特征在于，所述在初始训练期间，在训练所述机器学习块和所述线性编码器的同时固定所述权重α
i
包括：基于信道衰减的估计＝静态信道衰减的估计+动态衰减的概率分布+失配信道衰减的概率分布，执行所述初始训练；在训练之后，使用消息传递算法来更新每次传输的所述权重包括基于信道衰减的更新值来进行更新。10.根据权利要求1至9中任一项所述的方法，其特征在于，所述方法还包括：从各自的公共时钟树驱动每组K个天线；和以各自均匀的功率为每组K个天线供电。11.根据权利要求9所述的方法，其特征在于，还包括：存储针对所述N波束发射器的覆盖区域的多个不同部分中的每一部分的所述机器学习
块和所述线性编码器的训练结果，所述训练结果包括所述发射器的所述非线性编码操作的参数和所述发射器的所述线性编码...

【专利技术属性】
技术研发人员：葛屹群，史无限，童文，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：