[发明专利]一种基于深度学习的MIMO系统波束成形矩阵设计方法

说明书

一种基于深度学习的MIMO系统波束成形矩阵设计方法，步骤如下，首先利用已知算法获得深度学习网络所需要的训练样本集；接着构建深度学习神经网络模型，初始化模型相关参数并利用训练样本集进行训练；然后利用导频获取信道送入神经网络预测出波束成形矩阵系数，最后将信道与波束成形矩阵系数组合，构成波束成形矩阵。该方法利用深度学习神经网络获得的波束成形矩阵能够同时兼顾性能与算法复杂度，可以在保证性能的前提下降低时延，使得MIMO系统能提供实时服务。

技术领域

本发明属于移动通信技术领域，具体涉及一种基于深度学习的MIMO系统波束成形矩阵设计方法。

背景技术

多输入多输出(MIMO)系统可以有效提升通信网络容量，而波束成形技术作为MIMO系统的关键技术，受到了广泛关注。传统的优化算法依赖迭代过程，虽然可以取得不错的性能，但是算法复杂度高，计算时延大，无法满足实时服务的需求。而一些启发式的方法例如迫零法、正则迫零法，虽然复杂度低，但是性能却大打折扣。深度学习作为人工智能的一种实现方式，通过将线上计算复杂度转移到线下，在保证性能的前提下，极大地降低了线上服务时延，使得波束成形技术能够实现实时服务。

发明内容

本发明所要解决的技术问题是克服现有技术的不足，提供一种基于深度学习的MIMO系统波束成形矩阵设计方法，兼顾性能与算法复杂度，可以在保证性能的前提下降低时延，使得MIMO系统能提供实时服务。

本发明提供一种基于深度学习的MIMO系统波束成形矩阵设计方法，包括如下步骤：

S1、利用已知算法获取深度学习网络所需的训练样本集，所述训练样本集包括作为输入数据集的信道矩阵集合，以及作为输出数据集的波束成形矩阵系数集合。

S2、构建深度学习神经网络模型，并初始化模型参数；

S3、利用S1中的样本集训练S2中构建的深度学习神经网络模型，训练完成后保存模型；

S4、用户发送导频，基站通过导频来估计信道矩阵；

S5、将S4中获取的信道矩阵输入S3中保存的模型进行预测，获取波束成形矩阵系数；

S6、根据S4获取的信道矩阵及S5中获取的波束成形矩阵系数，构建波束成形矩阵。

作为本发明的进一步技术方案，S1中已知算法为加权最小均方误差算法或迫零法或正则迫零法。

进一步的，S2中模型参数包括权重参数、偏置参数、网络层数、每层神经元数目、学习率、训练周期及每次训练送入网络的样本数。

进一步的，步骤S6中，构建的波束矩阵为W＝[w₁，w₂，…，w_K]，其中

其中，波束成形矩阵的系数包括向量p和q，p_k是向量p的第k个元素，q_k是向量q的第k个元素，h_i是信道矩阵H的第i列向量，I代表单位矩阵，σ²代表噪声功率，K代表用户数目，运算符||·||₂代表2范数运算。

本发明首先利用已知算法获得深度学习网络所需要的训练样本集；接着构建深度学习神经网络模型，初始化模型相关参数并利用训练样本集进行训练；然后利用导频获取信道送入神经网络预测出的波束成形矩阵系数，最后将信道与波束成形矩阵系数组合，构成波束成形矩阵。利用深度学习神经网络获得的波束成形矩阵能够同时兼顾性能与算法复杂度，可以在保证在性能的前提下降低时延，使得MIMO系统能提供实时服务。

附图说明

图1为本发明的MIMO系统模型图；

图2为本发明的方法流程示意图。