一种基于宽窄波束映射的智能波束对准方法技术

本发明专利技术属于深度学习和无线通信技术领域，具体涉及一种基于宽窄波束映射的智能波束对准方法。本发明专利技术利用宽波束和窄波束之间的相关性以及卷积神经网络(CNN)强大的非线性表示能力，建立了基于CNN的从宽波束探测结果到最优窄波束的映射模型。通过这种方式，只需探测宽波束并将结果输入映射模型，就可以推断出最优窄波束。此外，通过利用宽波束之间的相关性，本发明专利技术进一步减少了探测宽波束的数量以推断最优窄波束。仿真结果表明，本发明专利技术所提出的波束探测算法在波束对准精度、波束成形增益和吞吐量方面均优于基准算法。量方面均优于基准算法。量方面均优于基准算法。

【技术实现步骤摘要】
一种基于宽窄波束映射的智能波束对准方法


[0001]本专利技术专利属于无线通信和深度学习
，具体涉及一种基于宽窄波束映射的智能波束对准方法。

技术介绍

[0002]与传统的sub
‑
6G微波通信相比，毫米波通信由于能提供更丰富的带宽资源和能够带来更快的数据传输速率成为5G以及下一代无线通信的关键技术之一。为了找到与毫米波最强信道路径相匹配的发射和接收波束对用于数据传输，现有波束管理技术通常使用波束训练方法来达到严格的波束对准。
[0003]传统波束管理技术一般使用穷尽波束搜索(Exhaustive Beam Search,EBS)或分层波束搜索(Hierarchical Beam Search,HBS)来获取最优发射和接收波束对。然而，当波束数量较大时，两种传统方法常常具有巨大的波束训练开销。因此，需要为毫米波通信寻求具有低波束训练开销的高效波束管理技术。
[0004]将波束训练过程智能化是一种降低训练开销的潜在技术，基于机器学习(Machine Learning,ML)的智能波束训练可以自动提取和应用环境相关信息或是历史训练相关信息来限制波束训练的搜索区域，此外，由于基于机器学习的智能波束训练在预测精度，波束跟踪和波束故障恢复方面优于传统波束训练，因此，可以识别和学习复杂移动模式并跟踪环境动态的基于机器学习的智能波束训练已经开始被广泛研究。现有的先进技术主要有：
[0005](1)基于深度神经网络(Deep Neural Network,DNN)的初始波束训练算法(Original DNN
‑
based Beam Training,ODBT)。该算法为针对窄波束空间提出的均匀空间的部分数目窄波束训练的深度学习算法，其使用全连接的深度神经网络(DNN)来进行最优窄波束预测，但是由于窄波束数目较多，波束训练时使用少量的窄波束覆盖的角度空间较小，会导致预测的精度较差，往往需要额外的窄波束训练来提高精度。同时，全连接网络因为每一个神经元都是全连接的，如果叠加多层，会导致其计算成本过高且容易发生过拟合现象。
[0006](2)基于卷积神经网络(Convolutional Neural Network,CNN)的校准波束训练算法(Calibrated Beam Training,CBT)。该算法为了减小开销，将数目相对全部窄波束成倍减少的全部宽波束用于波束训练来预测最优窄波束。此外，为了提高预测准确率，考虑到用户运动在时间序列上的连续性，作者进一步提出了基于LSTM和CBT的波束训练算法LCBT。CBT利用了全部的宽波束，待训练的宽波束数目还有进一步减少的空间。LCBT会有额外的窄波束训练，并且由于需要使用UE连续的历史信息，所以无法适用于用户初始波束连接，用户随机移动，多用户调度等场景，因为在这些场景中基站往往无法获取用户连续的历史信息。同时，由于在智能信号识别领域更加关注信号的I/Q分量特征用于区分不同的信号，因此双通道CNN在智能信号识别领域有不错的效果，但是在波束训练领域往往则更加关注信号的强度用于区分最优波束，CBT和LCBT使用的双通道的CNN反而降低了训练效率和训练精度。

技术实现思路

[0007]基于上述背景，本专利技术提出了一个基于波束互信息和宽窄波束映射(Beam Mutual Information and Wide
‑
to
‑
Narrow Beam Mapping,BMI
‑
WNBM)的智能波束对准算法。将宽波束探测结果映射到最优窄波束。此外，通过利用宽波束之间的相关性进一步减少了探测的宽波束数量，以推断最优窄波束。具体而言，该算法首先将整个宽波束空间均匀划分为多个区域，每个区域包含相同数量的宽波束。然后，对训练数据进行预处理，计算每个宽波束与最优宽波束之间的互信息，称为波束互信息(Beam Mutual Information,BMI)。最后，算法在每个区域中选择互信息值最大的宽波束，形成宽波束训练集，并将其输入CNN进行最优窄波束的预测。
[0008]A系统模型
[0009]本专利技术考虑一个下行毫米波通信系统，由一个具有N
n
个天线的均匀线性阵列(uniform linear array,ULA)的基站(Base Station,BS)和一个具有全向天线的用户设备(User Equipment,UE)组成。
[0010]本专利技术通过采用著名的Saleh
‑
Valenzuela(SV)几何信道模型，系统的信道矩阵h可以表示为
[0011][0012]其中，α表示大尺度路径损耗，N
n
为天线元件数目，L表示路径数，表示视距路径LoS的复增益，是第l条非视距路径NLoS路径的复增益，表示LoS径的离开角(angel of departure,AoD)，表示NLoS径的离开角，(
·
)
H
表示共轭转置，可以表示为
[0013][0014]其中，表示第l路径的离开角，λ表示信号波长，d表示天线的间距，一般有d＝λ/2。
[0015]模拟波束成形是一种成本低且实用的解决方案，其中所有天线共享单个射频链，所以本专利技术考虑模拟波束成形，首先定义模拟波束成形的码本。
[0016]本专利技术考虑离散傅立叶变换码本它由M
n
个预定义的码字组成，即，每一个码字对应一个波束方向φ
m
可以表示为
[0017]f
m
＝a(N
n
,φ
m
)
[0018]其中，波束方向φ
m
在范围内采集，即，
[0019][0020]其中，Φ表示整个波束空间。
[0021]如果f
m
被选为模拟预编码器，则相应的接收信号y
m
可以表示为
[0022][0023]其中，P是发射功率，s是发射信号，且有其中，P是发射功率，s是发射信号，且有是噪声向量，σ2表示噪声功率。
[0024]在实际的毫米波通信场景中，每个数据帧(Data Frame,DF)由两个阶段组成：波束训练阶段(Beam Training Phase BTP)和数据传输阶段(Data Transmission Phase,DTP),通常通过减少波束训练阶段时间T
BTP
来增加T
DTP
，而T
BTP
与选择的探测波束数量M
T
密切相关，T
BTP
可以表示为
[0025]T
BTP
＝M
T
·
T
BSW
[0026]其中，T
BSW
是一个波束扫描(Beam Sweep,BSW)过程的持续时间。
[0027]在波束训练后，可以获得预测的码字那么相应的有效香农容量(Effective Shan本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于宽窄波束映射的智能波束对准方法，用于毫米波通信系统，定义系统包括基站和用户设备，基站使用包括N
n
个天线的均匀线性阵列ULA，用户设备具有一个全向天线，当发射窄波束时，需要打开的天线数目为N
n
，N
w
是发射宽波束时需要打开的天线数目，表达式为针对每个用户位置探测所有的宽波束，得到所有的接收宽波束信号并构建宽波束信号模集为：其中，由下式所示，其中，P是发射功率，是宽波束信道矩阵，是第m个宽波束码字，s是发射信号，n
s
是噪声向量，M
w
是构造的宽波束码本中宽码字的数目，其表达式为其中M
n
为构造的窄波束码本中窄波束码字的数目；其特征在于，所述方法包括以下步骤：S1、构建宽波束训练集：利用k近邻方法为每一个宽波束计算其与最优宽波束的波束互信息，定义第t个数据帧中的最优宽波束同时也是第j个宽波束，即m
opt
(t)＝j，第j个宽波束在总共S个数据帧中第t个数据帧的波束互信息值为：I
j
(t)＝ψ(S)
‑
ψ(N
j
(t))+ψ(k)
‑
ψ(n
j
(t))其中，ψ(x)表示digamma函数，当x>0时，ψ(x)严格递增，N
j
(t)表示在S个数据帧中，宽波束索引等于当前最优宽波束索引j的次数，即：其中，m
opt
(t)表示第t个数据帧中最优宽波束的索引，f
count
(
·
)表示计数函数，如果其输入为真，输出为1，否则输出为0；n
j
(t)表示当前最优宽波束j在小于范围内的所有邻居节点数量，计算方法为：定义在不同数据帧中以第j个宽波束为最优宽波束时，宽波束信号模值之间的距离为：其中为当前数据帧t中的宽波束信号模值，为其他数据帧τ中的宽波束信号模值；将得到的非负距离值构建为一个按升序排列的距离集合：其中，d
j
(t,τ
i
)<d
j
(t,τ
i+1
)，在中选择第k个距离作为阈值来获取，从而得到：考虑样本中的所有数据帧，得到平均波束互信息为
从而得到与宽波束信号模集Y
w
相对应的波束互信息集合，即：采用基于波束互信息的方法设计宽波束训练模集，具体为，将宽波束空间均匀划分为M
T
个区域，由M
T
个子集组成的波束互信息集合I表示为：其中，Z
i
表示第i个区域，由个波束互信息值组成，即从而得到每个波束...

【专利技术属性】
技术研发人员：张蔺，尹鹏，王梓存，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：