一种挖掘时空序列特征的宽度学习基站协作波束对齐方法技术

本发明专利技术提供一种挖掘时空序列特征信息的宽度学习基站协作波束对齐方法。各基站利用本地宽度学习网络，基于分布式学习训练架构，协同学习多基站的感知波束响应到对应窄波束的映射关系，以完成最佳下行传输窄波束的预测。为了挖掘过去若干采样时刻的感知波束信息，有效预测当前时刻的窄波束，本发明专利技术使用感知波束响应的时间序列来获得宽度学习网络的特征节点，设计了循环宽度学习方法。进一步，提出门控宽度学习方法，设计一个遗忘门来控制学习到的序列信息。本发明专利技术解决了模型对快时变场景的适配问题，实现基站侧模型轻量化，可在减轻中央处理单元计算压力的同时，取得协作开销与波束选择预测性能的合理折衷，实现在小样本条件下较高性能的波束对齐。较高性能的波束对齐。较高性能的波束对齐。

【技术实现步骤摘要】
一种挖掘时空序列特征的宽度学习基站协作波束对齐方法


[0001]本专利技术涉及基于宽度学习和自适应感知波束的毫米波MIMO基站协作波束对齐方法，属于无线通信网络优化和智能通信领域。

技术介绍

[0002]数智化转型大势所趋，未来通信需要满足超高吞吐量、超高带宽、超低时延以及高可靠性等要求。由于毫米波频段的大带宽优势，同时大规模多输入多输出(Multiple Input Multiple Output,MIMO)波束成形可以利用阵列增益有效补偿毫米波传播衰落，毫米波大规模MIMO技术被认为是未来通信的关键技术之一。考虑到毫米波大规模MIMO需要使用窄波束进行数据传输，对于信道中存在的遮蔽效应非常敏感，协作多点传输成为毫米波大规模MIMO系统实现其性能增益的主要模式。但是潜在的大阵列增益需要进行波束和传输路径的高度对准，否则会造成通信质量损失；而且，毫米波信道的频繁变化要求收发端频繁地进行波束训练。
[0003]已有研究证明通过用户发送上行导频信号可以帮助基站感知其与用户间的环境特征信息，利用多个基站收到的宽波束响应，可获得一种隐式的用户位置表示。由于波束选择决定于波束域等效信道状态信息(Channel State Information,CSI)，而CSI信息与用户位置直接相关，因此可以判断多基站收到的用户感知波束响应与波束选择之间存在映射关系。当前基于感知波束的窄波束预测主要利用当前时刻的感知波束响应，而在实际通信环境中，移动用户的位置在一段时间内一般具有空间连续性，且感知波束训练的间隔可能长于传输波束更新的间隔，如何设计合适的方案挖掘过去若干采样时刻的感知波束信息，以有效预测当前时刻的窄波束，成为本专利技术关注的重点。

技术实现思路

[0004]专利技术目的：针对用户持续移动的快时变场景，探索实际动态场景中用户位置的变化规律以优化波束对齐方法。本专利技术提出一种低开销的协作波束对齐方案，为了使波束对齐总是适用于当前的快时变场景，改进了宽度学习的网络结构，使用感知波束响应的时间序列来获得宽度学习网络的特征节点，设计了循环宽度学习(Recurrent Broad Learning,RBL)方法。为了更有效地挖掘时空序列特征信息，借鉴长短期记忆(Long Short
‑
Term Memory,LSTM)预测方法，设计门控宽度学习(Gated Broad Learning,GBL)方法。在小样本条件下，解决传统波束对齐方法中无法预知网络性能状态，算法收敛速度慢、无法快速提供波束配置决策的问题。所提算法得到时空序列特征信息对波束选择效果的增益，旨在解决模型对快时变场景的适配问题，实现基站侧AI模型轻量化，可在减轻中央处理单元计算压力的同时，取得协作开销与波束选择预测性能的合理折衷，实现在小样本条件下较高性能的波束对齐。
[0005]技术方案：一种挖掘时空序列特征的宽度学习基站协作波束对齐方法，包括如下步骤：
[0006]S1，构建用户持续移动的通信场景，构建多基站协作传输的毫米波MIMO系统模型，以最大化系统有效和速率为目标构建波束对齐问题模型；
[0007]S2，提出一种低开销的宽度学习协作波束对齐方案，各基站利用本地宽度学习网络，基于分布式学习训练架构，协同学习多基站的感知波束响应到对应窄波束的映射关系，以完成最佳下行传输窄波束的预测；
[0008]S3，为了使波束对齐总是适用于当前的快时变场景，改进了宽度学习的网络结构，使用感知波束响应的时间序列来获得宽度学习网络的特征节点，设计了RBL方法；
[0009]S4，为了更有效地挖掘时空序列特征信息，借鉴LSTM预测方法，在RBL基础上增加门控机制，设计GBL方法，设计了一个遗忘门来控制学习到的序列信息；
[0010]S5，各基站将收集的用户宽波束响应输入本地映射网络，并将中间参数与中央处理单元进行交互，预测各自的波束选择。
[0011]进一步的，所述S1步骤具体包括：
[0012]在毫米波无小区MIMO下行系统中，系统带宽为B
w
，子载波数量为K，其中存在B个基站，每个基站的天线数为M。这些基站通过正交频分多址接入(Orthogonal Frequency Division Multiple Access,OFDMA)协作服务U个单天线用户。将基站、用户和子载波的集合分别表示为和用户的子载波集合为其中表示用户u的子载波集合大小，即子载波的数量。出于实际考虑，每个基站使用U个射频链和混合波束成形进行下行链路传输，单基站使用单个波束服务一个用户的典型情况，且多用户在一定区域内随机移动。从基站到用户的天线
‑
子载波下行信道为其中L表示可区分的传播路径的数量，α
b,u,l
,τ
b,u,l
,θ
b,u,l
和φ
b,u,l
是路径l的复数增益、传播延迟、方位角和俯仰角，f
k
表示子载波的中心频率，是阵列导引矢量。
[0013]考虑下行传输基于典型的混合预编码，各基站的模拟波束均选自标准离散傅立叶变换(Discrete Fourier Transformation,DFT)码本基站b从F中选择第列作为模拟波束服务用户u。定义多个基站的模拟波束以块对角的形式组成矩阵协作中心控制节点可收集各基站的波束域等效CSI，并根据最大比发送(Maximum Ratio Transmission,MRT)准则，设计在子载波上服务用户u的数字预编码矢量为其中
[0014]用户u在子载波上的接收信号可以表示为上的接收信号可以表示为其中为数据符号，为用户u在子载波k上的接收机噪声，σ2为噪声功率。满足且系统采用用户间与子载波间等功率分配，有其中P为基站总发射功率。用户u在子载波k上的接收
SINR可以表示为定义信道时变的跟踪周期为T，即系统每隔T重新进行波束训练以更新预编码设计。各周期的前T
r
时间，基站进行波束训练，以搜索到一个最优波束例如寻找一个可以满足最大接收信号强度的波束，余下时间则使用训练得到的波束进行数据传输。因此，用户u的实际有效速率可表示为：
[0015][0016]波束选择问题可表述为通过波束选择最大化系统有效和速率的优化问题：
[0017][0018]可进行转换如下，
[0019][0020]获得原始问题的低复杂度次优解。对于转换后的问题，如果有完整的波束域CSI振幅，即则可以最大化窄波束等效速率由于需要的波束训练时间开销较大，即较小，可能导致整体性能不佳。如何能够在保证c
b,u
不明显损失的前提下，尽可能降低T
r
，成为解决问题的关键。
[0021]在通信场景中，用户持续移动，必然形成合理的运动轨迹。本专利技术应用二维背景场元胞自动机模型，将通信场景划分为均匀网格，建立用户移动模型。基本的细胞自动机由四个部分组成：单元、单元状态空间、单元邻居和单元规则。邻居类型被选择为Moore类型，即位于中央单元格本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种挖掘时空序列特征的宽度学习基站协作波束对齐方法，其特征在于，包括如下步骤：构建用户持续移动的通信场景，构建多基站协作传输的毫米波MIMO系统模型，以最大化系统有效和速率为目标构建波束对齐问题模型；在协作传输的毫米波MIMO系统模型中，各基站利用本地宽度学习网络，基于分布式学习训练架构，协同学习多基站的感知波束响应到对应窄波束的映射关系，以完成最佳下行传输窄波束的预测；各基站本地宽度学习网络的特征层采用循环结构，使用感知波束响应的时间序列来获得宽度学习网络的特征节点；各基站将收集的用户宽波束响应输入本地映射网络，并将中间参数与中央处理单元进行交互，预测各自的波束选择。2.根据权利要求1所述的一种挖掘时空序列特征的宽度学习基站协作波束对齐方法，其特征在于，各基站本地宽度学习网络的特征层采用循环结构，使用感知波束响应的时间序列来获得宽度学习网络的特征节点，具体包括：使用感知波束响应的时间序列来获得宽度学习网络的特征节点Z
b,u,i
：其中Z
b,u,0
为零矩阵，和分别表示特征生成网络的连接权重和偏置，是随机生成的，并且是不可训练的；e
i
表示特征层的第i层；对角矩阵权重γ
b,u,i
亦为随机生成且不可训练的；表示元素全为1的列向量；φ(
·
)表示线性激活函数；和分别为用户u的子载波组的编号集和属于组的子载波的编号集；Q表示宽波束采样点的输入；F表示每组的特征节点；I表示I组特征节点这些特征节点被进一步映射为J组增强节点H
b,u,j
，即其中与分别表示随机生成的特征增强网络的连接权重和偏置；h
j
表示增强层的第j层；ο(
·
)表示非线性激活函数；J表示J组增强节点；E表示每组的增强节点数；则基站本地宽度学习网络的联合特征增强节点为3.根据权利要求2所述的一种挖掘时空序列特征的宽度学习基站协作波束对齐方法，其特征在于，各基站本地宽度学习网络的特征层增加门控机制，使用一个遗忘门来控制学习...

【专利技术属性】
技术研发人员：张铖，陈乐明，黄永明，孟帆，
申请(专利权)人：东南大学，
类型：发明
国别省市：