[发明专利]一种基于模型驱动深度学习的三维预编码方法

权利要求书

1.一种基于模型驱动深度学习的三维预编码方法，其特征在于，包括以下步骤：

步骤1、基站配置均匀平面天线阵，该天线阵包括M行垂直方向天线阵元，水平方向每行有N个天线阵元，相邻天线阵元间距在水平和垂直方向上均为载波波长的一半，用户配置单根接收天线；获取U个用户的统计信道信息，分别计算用户i,i＝1,…,U的统计参数，进而分别计算各用户N×1维的水平最佳方向向量n_i及M×1维的垂直最佳方向向量m_i，形成U个训练样本；

所述统计信道信息包括：用户i信道的莱斯因子水平视距分量垂直视距分量水平相关阵以及垂直相关阵其中，矩阵H_i为基站与用户i之间的信道矩阵，H_i的第m行第n列的元素[H_i]_m,n为基站第m行第n列的天线单元与用户i之间的信道系数，及分别表示矩阵和的第一列，上标(·)^H代表共轭转置，上标(·)^T代表转置，E{·}代表求均值；

所述计算用户i统计参数的过程包括以下子步骤：

a1)分别计算以及其中F_M和F_N分别为M×M和N×N的DFT矩阵，F_M和F_N第m行第n列的元素分别为和

a2)分别提取A_H,i、A_V,i、Λ_H,i、以及Λ_V,i的对角元，得到a_H,i、a_V,i、λ_H,i、以及λ_V,i；其中，a_H,i和λ_H,i为N×1维的列向量，其第n个元素分别为A_H,i和Λ_H,i的第n个对角元；a_V,i和λ_V,i为M×1维的列向量，其第m个元素分别为A_V,i和Λ_V,i的第m个对角元；

所述计算用户i水平及垂直最佳方向向量的过程包括以下子步骤：

b1)计算

b2)得到Ω_i中最大元素所处的行与列，假设Ω_i中最大元素为第行第列的元素，则用户i的水平最佳方向向量n_i中除第个元素为1外其余均为0，其垂直最佳方向向量m_i中除第个元素为1外其余均为0；

步骤2、分别构建判定用户水平及垂直方向向量的深度神经网络模型，将所述的用户i,i＝1,…,U的统计参数a_H,i、a_V,i、λ_H,i、λ_V,i以及K_i输入两个模型，分别输出该用户N×1维的水平方向向量及M×1维的垂直方向向量

步骤3、利用步骤1所形成的训练样本分别对上述两个模型进行训练，使得预测输出逐渐接近n_i，预测输出逐渐接近m_i，以获得两个模型的参数；

所述步骤3中采用交叉熵损失函数使得预测输出和逐渐接近n_i和m_i，所述判定用户水平方向向量的深度神经网络模型采用的交叉熵损失函数具体为：

其中，U为训练集的所有样本数，为水平最佳方向向量n_i的第k个元素，为输出的第k个元素；所述判定用户垂直方向向量的深度神经网络模型采用的交叉熵损失函数具体为：

其中，为垂直最佳方向向量m_i的第k个元素，为输出的第k个元素；

步骤4、利用待获得预编码向量的用户l的统计信道信息，按照步骤1中的相应步骤计算其统计参数a_H,l、a_V,l、λ_H,l、以及λ_V,l；

步骤5、将待获得预编码向量的用户l的统计参数a_H,l、a_V,l、λ_H,l、λ_V,l以及K_l输入已训练的两个模型，由两个模型分别输出水平方向向量和垂直方向向量

步骤6、确定待获得预编码向量的用户l的预编码向量为其中为矩阵的第列，为中最大值元素的位置，为矩阵的第列，为中最大值元素的位置。