【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6G ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。