[发明专利]一种基于模型驱动深度学习的三维预编码方法

说明书

本发明公开了一种基于模型驱动深度学习的三维预编码方法，包括：获取U个用户的统计信道信息，计算各用户统计参数、水平及垂直最佳方向向量；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，将各用户统计参数分别输入上述两个模型，输出相应的水平及垂直方向向量；分别对两个模型进行训练，使得两个模型输出的方向向量逐渐接近最佳方向向量，以获得模型参数；利用待获得预编码向量用户的统计信道信息计算其统计参数，分别输入两个模型，由模型输出的水平和垂直方向向量确定其预编码向量。本发明可减小统计预编码向量计算复杂度，同时对最佳传输方向的预测有较高准确度，特别是在用户数和天线数较大时，能高效地实现下行预编码设计。

技术领域

本发明涉及通信技术领域，特别是涉及一种基于模型驱动深度学习的三维预编码方法。

背景技术

大规模多输入多输出(multiple-input multiple-output，MIMO)传输技术是5G通信系统中的关键技术之一。该技术用大规模天线阵列替代多天线阵列来获得更高的频谱效率和传输可靠性。当基站端获得下行信道状态信息(channel state information，CSI)时，可通过诸如预编码、波束成形等信道自适应技术，消除用户间干扰，同时利用空、时、频三个维度传输信息，从而大大提升系统容量。然而，在实际的无线通信系统中及时地获得完整的信道状态信息十分困难。对时分双工(time division duplex，TDD)系统而言，由于上行信道和下行信道存在互易性，所以可以通过上行信道估计来得到相应的下行CSI，但所获得的CSI存在导频污染。然而，在频分复用(frequency division duplex，FDD)系统中，信道不具有互易性，需要通过上行链路反馈下行CSI，特别是当用户数和天线数较大的时候，用户端获得的下行CSI通过反馈链路发送给基站端是不切实际的。克服这一困难的一个有效方法是利用信道的统计CSI，如收发相关阵、均值信息等。相对于瞬时CSI，信道的统计CSI在较长时间内是近似不变的，其精确度相对较高，需要的反馈开销较小。

另外，随着用户数和天线数的增加，利用统计信息设计用户预编码向量的计算复杂度呈指数级增长，通过传统的计算方法需要大量的计算资源和较长的计算时间。因此，需要寻找一种复杂度较低的算法解决该问题。近年来，深度学习方法由于其网络的强大表达能力和并行计算结构，在无线通信领域引起了广泛的关注。只要深度神经网络的参数足够多，该网络就能表征任何函数，并且训练完的神经网络仅需要进行一些简单的基础运算即可对输入的数据进行分类和推断。

发明内容

为了解决上述存在的问题，本发明为基站使用均匀平面天线阵的下行传输系统提供一种基于模型驱动深度学习的三维预编码方法，解决预编码向量计算复杂度较高的问题，能够根据用户的统计信道信息设计该用户的预编码向量，以较少的计算资源获得较高的精度，为达此目的，本发明提供一种基于模型驱动深度学习的三维预编码方法，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：