【技术实现步骤摘要】
本专利技术涉及智能无线通信，特别涉及一种基于混合元学习的跨场景的鲁棒性波束赋形设计方法。
技术介绍
1、波束赋形技术近年来在无线通信
得到了广泛的应用，并对5g以及未来的6g通信有着重要的作用。由于传统的波束赋形技术具有复杂度极高、计算开支大的问题，而当下基于传统的神经网络的波束赋形技术也无法较好地应用于各种复杂的场景中，常常由于现实环境和数据集的改变而降低性能。因此，对于利用机器学习的波束赋形技术，需要有更好的优化方案来提高技术的性能和场景适应性。
2、在多用户通信环境中，波束赋形问题的复杂性显著增加。波束赋形算法需要在用户之间进行权衡以实现多目标优化，如调整用户权重、降低互扰、增加吞吐量等。这些多维度的优化目标往往会大幅增加优化函数的复杂度，使得问题成为非凸优化问题。这些因素共同导致传统的凸优化方法难以直接应用。因此，在多用户场景下，波束赋形优化是一个具有挑战性和高度研究价值的问题。
技术实现思路
1、本专利技术提供一种基于混合元学习的跨场景的鲁棒性波束赋形设计方法，可以提高波束赋形优化方法对更多场景的适应性，可以提升在较多用户的场景下无线通信的通信效率和使用体验。
2、本专利技术所公开的系统、方法具有若干创新方面，其中并不由任何单一方面、角度、部分完全负责本专利技术所公开的期望属性。
3、本专利技术的目的是通过以下技术方案来实现的：一种基于混合元学习的跨场景的鲁棒性波束赋形设计方法，该方法包括以下步骤：
4、步骤1，数据获
5、步骤2，构建波束赋形训练数据集：将所述信道数据源进行混合，进行k次采样，生成包含k个信道数据源的动作组及包含kq个信道数据源的停止组
6、步骤3，构建神经网络：该网络包括发送端训练器接收端训练器和权重训练器及相应的反向传播模块；
7、步骤4，训练神经网络：初始化训练器神经网络的参数，将动作组分批地输入各训练器中进行前向传播，将输出作为预置值的差分并对预置值进行更新，将更新得到的值作为各个训练器的输出q、j、v并组合为中间结果，将其输入损失函数，在此基础上反向传播，并重复p次；
8、步骤5，评估神经网络：在停止组上进行前向传播，将每个训练器的输出结果输入到和速率计算函数中，评估当前训练效果，并与当前数据集的历史训练数值进行对比，若训练效果不再上升，则结束训练，将结束时获取的模型及训练器保存为应用模型；
9、步骤6，在线微调，在实际使用的场景中收集若干个信道数据作为微调组，将应用模型在微调组上进行训练，并将获得的训练器神经网络的参数进行冻结，作为最终在该场景下使用的模型进行应用；
10、步骤7，实际应用，在实际使用的场景中获取用户信道，将获取的信道输入损失函数，并将损失函数的结果输入步骤6中获得的模型进行前向传播，将输出作为波束赋形向量进行使用。
11、进一步地，所述步骤1中数据集的数量不少于2个，且各个数据集均有不小于1个场景被选中并加入信道数据源，所采集的数据包括信道矩阵及路径损失，且信道矩阵需预先归一化。
12、进一步地，所述步骤2中采样的采样次数k满足以下公式：k＝s·ms·ns，采样的方式为有放回采样。
13、进一步地，所述步骤2中，信道数据源停止组由以下方式产生：
14、
15、其中，停止组的元素不重复，且元素的数量的期望接近如下公式所计算的值：
16、其中e≈2.718为自然对数；
17、对获取的停止组中元素进行计数，若得到的元素数量与偏离超过预设的偏离阈值，则再次生成动作组和停止组。
18、进一步地，所述步骤4中，各训练器的训练以和速率的相反数作为参照，和速率的具体公式为：
19、
20、l＝-se
21、其中，l代表损失函数，se代表和速率，n代表噪声的幅度，q、j、v分别代表权重训练器、接收端训练器、发送端训练器的输出，ht代表基站到某个用户的信道矩阵的转置，下标代表输出元素所对应的用户编号；使用的噪声基于以下公式得出：
22、n2＝σ2·lpath
23、其中lpath为路径损失，σ2为圆复高斯噪声的方差。
24、进一步地，所述训练器基于transformer架构设计；训练时，训练器和先对应地将权重、发送端矩阵、接收端矩阵初始化为初始权重q0、发送端初始矩阵v0和接收端初始矩阵j0，作为预置值d；将预置值输入梯度层，获取其对损失函数的梯度gr，再将gr输入训练器的映射层来抽取特征并转变为稠密的向量k，并添加唯一的位置信息；训练器随后将k输入包含多个关联器阵列的关联层；关联层的关联器拆解并分析k的不同方面的特征，并将分析结果输入解关联层；解关联层计算输出；解关联层的输出作为预置值的差分，用于与预置值相加，并将结果作为对应训练器的输出。
25、进一步地，所述步骤4中，具体训练过程为：初始化各训练器神经网络的参数，并随机生成初始权重q0、发送端初始矩阵v0和接收端初始矩阵j0作为预置值；将预置值输入损失函数，计算损失函数的值并求出该值对q0、v0、j0、的梯度；将梯度输入各训练器中进行前向传播，获得各个训练器的输出q、v、j；将q、v、j输入损失函数，计算损失函数的该值对q、v、j的梯度，并进行反向传播，更新训练器神经网络的参数。
26、进一步地，所述步骤4中，首次反向传播时，训练器关联层、解关联层(以下合称为隐藏层)的参数变化为和速率的梯度的r倍；在第i次反向传播时，训练器隐藏层的参数变化为和速率的梯度的倍；
27、其中r属于超参数，由训练人员指定，对于3个训练器，其具体的数值不完全相同。
28、进一步地，所述步骤5中，训练效果的评估标准为：将停止组所有数据的信道部分依次输入，信噪比固定时，计算和速率；取停止组样本得到的和速率平均值为评估的最终结果；将本次评估的最终结果与历史结果进行比较，如果和速率不再具有上升趋势，则训练停止。
29、进一步地，所述步骤6中，在线微调具体为：在实际使用的场景中收集若干个信道数据作为微调组，将使用前述方式训练的神经网络在微调组上进行较少次数的训练；所述步骤7中，实际应用具体为：固定各训练器神经网络的参数，并随机生成初始权重q0、发送端初始矩阵v0和接收端初始矩阵j0作为预置值；将预置值输入损失函数，计算损失函数的值并求出该值对q0、v0、j0的梯度；将梯度输入各训练器中进行前向传播，获得各个训练器的输出q、v、j，分别作为权重、发送端、接收端的设计结果作为输出进行应用。
30、本专利技术的有益效果：
31、本专利技术通过数据集生成、混合手段，生成包含更多场景特征的信道数据源，能够让模型更好地学习更丰富的波束赋形特征，有利于提升模型适应多样化的波束赋形需求的能力，有利于降低训练获本文档来自技高网...
【技术保护点】
1.一种基于混合元学习的跨场景的鲁棒性波束赋形设计方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种基于混合元学习的跨场景的鲁棒性波束赋形设计方法，其特征在于，所述步骤1中数据集的数量不少于2个，且各个数据集均有不小于1个场景被选中并加入信道数据源，所采集的数据包括信道矩阵及路径损失，且信道矩阵需预先归一化。
3.根据权利要求1所述的一种基于混合元学习的跨场景的鲁棒性波束赋形设计方法，其特征在于，所述步骤2中采样的采样次数k满足以下公式：k＝s·Ms·Ns，采样的方式为有放回采样。
4.根据权利要求1所述的一种基于混合元学习的跨场景的鲁棒性波束赋形设计方法，其特征在于，所述步骤2中，信道数据源停止组由以下方式产生：
5.根据权利要求1所述的一种基于混合元学习的跨场景的鲁棒性波束赋形设计方法，其特征在于，所述步骤4中，各训练器的训练以和速率的相反数作为参照，和速率的具体公式为：
6.根据权利要求1所述的一种基于混合元学习的跨场景的鲁棒性波束赋形设计方法，其特征在于，所述训练器基于Transformer架构
7.根据权利要求1所述的一种基于混合元学习的跨场景的鲁棒性波束赋形设计方法，其特征在于，所述步骤4中，具体训练过程为：初始化各训练器神经网络的参数，并随机生成初始权重Q0、发送端初始矩阵v0和接收端初始矩阵J0作为预置值；将预置值输入损失函数，计算损失函数的值并求出该值对Q0、v0、J0、的梯度；将梯度输入各训练器中进行前向传播，获得各个训练器的输出Q、v、J；将Q、v、J输入损失函数，计算损失函数的该值对Q、v、J的梯度，并进行反向传播，更新训练器神经网络的参数。
8.根据权利要求1所述的一种基于混合元学习的跨场景的鲁棒性波束赋形设计方法，其特征在于，所述步骤4中，首次反向传播时，训练器关联层、解关联层(以下合称为隐藏层)的参数变化为和速率的梯度的r倍；在第i次反向传播时，训练器隐藏层的参数变化为和速率的梯度的倍；
9.根据权利要求1所述的一种基于混合元学习的跨场景的鲁棒性波束赋形设计方法，其特征在于，所述步骤5中，训练效果的评估标准为：将停止组所有数据的信道部分依次输入，信噪比固定时，计算和速率；取停止组样本得到的和速率平均值为评估的最终结果；将本次评估的最终结果与历史结果进行比较，如果和速率不再具有上升趋势，则训练停止。
10.根据权利要求1所述的一种基于混合元学习的跨场景的鲁棒性波束赋形设计方法，其特征在于，所述步骤6中，在线微调具体为：在实际使用的场景中收集若干个信道数据作为微调组，将使用前述方式训练的神经网络在微调组上进行较少次数的训练；所述步骤7中，实际应用具体为：固定各训练器神经网络的参数，并随机生成初始权重Q0、发送端初始矩阵v0和接收端初始矩阵J0作为预置值；将预置值输入损失函数，计算损失函数的值并求出该值对Q0、v0、J0的梯度；将梯度输入各训练器中进行前向传播，获得各个训练器的输出Q、v、J，分别作为权重、发送端、接收端的设计结果作为输出进行应用。
...【技术特征摘要】
1.一种基于混合元学习的跨场景的鲁棒性波束赋形设计方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种基于混合元学习的跨场景的鲁棒性波束赋形设计方法，其特征在于，所述步骤1中数据集的数量不少于2个，且各个数据集均有不小于1个场景被选中并加入信道数据源，所采集的数据包括信道矩阵及路径损失，且信道矩阵需预先归一化。
3.根据权利要求1所述的一种基于混合元学习的跨场景的鲁棒性波束赋形设计方法，其特征在于，所述步骤2中采样的采样次数k满足以下公式：k＝s·ms·ns，采样的方式为有放回采样。
4.根据权利要求1所述的一种基于混合元学习的跨场景的鲁棒性波束赋形设计方法，其特征在于，所述步骤2中，信道数据源停止组由以下方式产生：
5.根据权利要求1所述的一种基于混合元学习的跨场景的鲁棒性波束赋形设计方法，其特征在于，所述步骤4中，各训练器的训练以和速率的相反数作为参照，和速率的具体公式为：
6.根据权利要求1所述的一种基于混合元学习的跨场景的鲁棒性波束赋形设计方法，其特征在于，所述训练器基于transformer架构设计；训练时，训练器和先对应地将权重、发送端矩阵、接收端矩阵初始化为初始权重q0、发送端初始矩阵v0和接收端初始矩阵j0，作为预置值d；将预置值输入梯度层，获取其对损失函数的梯度gr，再将gr输入训练器的映射层来抽取特征并转变为稠密的向量k，并添加唯一的位置信息；训练器随后将k输入包含多个关联器阵列的关联层；关联层的关联器拆解并分析k的不同方面的特征，并将分析结果输入解关联层；解关联层计算输出；解关联层的输出作为预置值的差分，用于与预置值相加，并将结果作为对应训练器的输出。
7.根据权利要求1所述的一种基于混合元学习的跨场景的鲁棒性波束赋形设计方法...
【专利技术属性】
技术研发人员：王薪荃，朱封浩，周骞云，俞祺皓，朱辰，黄崇文，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
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。