[发明专利]基于深度学习的大规模MIMO下行预编码方法

权利要求书

1.基于深度学习的大规模MIMO下行预编码方法，其特征在于，所述方法中：基站利用各用户终端的瞬时和统计信道状态信息CSI，依据所有用户的遍历可达速率或其逼近的效用函数最大化准则，通过通用框架或低复杂度框架，计算与每一个用户终端相应的预编码向量，利用所得到的向量进行下行预编码传输；在用户终端的移动过程中，随着瞬时和统计信道信息的变化，动态更新各个用户的预编码向量以实施下行传输；

所述的通用框架包括：利用瞬时和统计信道矩阵、用户移动参数、信噪比，基于训练好的拉格朗日乘子神经网络计算拉格朗日乘子，所述的拉格朗日乘子神经网络LMNN将瞬时和统计信道矩阵、用户移动参数、信噪比作为输入，拉格朗日乘子作为输出进行训练；计算各个用户的信道协方差矩阵，信道协方差矩阵根据后验模型通过闭式计算；求解广义特征值问题得到预编码向量的方向和最优解对应的信干噪比SINR，所述的预编码向量为一矩阵对的最大广义特征值对应的广义特征向量，其最大特征值为最优解对应的SINR，该矩阵对由拉格朗日乘子、信道协方差矩阵和噪声方差确定；通过闭式计算得到预编码功率，该闭式由信道协方差矩阵、噪声方差、预编码向量的方向和最优解对应的SINR确定；将预编码向量的方向和预编码功率组合为完整的预编码向量；

所述的低复杂度框架包括：仅用瞬时信道状态信息计算瞬时拉格朗日乘子和瞬时预编码功率；仅用统计信道状态信息计算统计拉格朗日乘子和统计预编码功率；通过用户移动参数对统计和瞬时拉格朗日乘子加权，对统计和瞬时预编码功率加权，得到加权后的拉格朗日乘子和预编码功率，其中，所有用户的拉格朗日乘子的和为发射基站总功率；求解广义特征值问题得到预编码向量的方向；将预编码向量的方向和预编码功率组合为完整的预编码向量。

2.根据权利要求1所述的基于深度学习的大规模MIMO下行预编码方法，其特征在于：所述的瞬时信道信息通过各个用户周期性发送的导频信号获取，所述的统计信道信息为信道耦合矩阵；通过用户移动参数对瞬时和统计CSI加权，得到后验信道模型。

3.根据权利要求1所述的基于深度学习的大规模MIMO下行预编码方法，其特征在于：将所述的所有用户的遍历可达速率或其逼近的效用函数最大化问题等效为服务质量QoS问题，其阈值为原问题最优解对应的遍历速率上界，使每个用户的遍历速率解耦至约束；若有约束的阈值为零，则该约束恒成立且其对应用户的预编码向量为零向量，将该用户从优化问题中移除；再将QoS问题的约束等价地转换为二次型，导出预编码向量最优解的结构所需的KKT条件。

4.根据权利要求1所述的基于深度学习的大规模MIMO下行预编码方法，其特征在于：所述的拉格朗日乘子神经网络数据集生成方法包括：在不同的信噪比、移动速度、用户分布环境下，生成足够信道矩阵样本，对于每一组信道矩阵样本，重复如下步骤：通过迭代算法求解预编码向量；通过得到的预编码向量计算最优解对应的SINR，然后根据闭式求解该信道矩阵样本对应的拉格朗日乘子；将该信道矩阵样本、信噪比、移动参数和拉格朗日乘子组合为一个样本。

5.根据权利要求1所述的基于深度学习的大规模MIMO下行预编码方法，其特征在于：所述的低复杂度框架中，仅用瞬时CSI，计算瞬时拉格朗日乘子和瞬时预编码功率的计算方法采用如下三种中的一种：

a.通过加权最小均方误差WMMSE算法计算瞬时拉格朗日乘子，拉格朗日乘子为零的用户不参与后续计算并置其预编码向量为零向量；再将所有用户移动参数置一，计算各个用户的信道协方差矩阵，求解广义特征值问题得到预编码向量的方向和最优解对应的SINR，通过闭式计算得到预编码功率；

b.仅使用瞬时CSI和信噪比作为输入，构造神经网络以计算瞬时拉格朗日乘子，拉格朗日乘子为零的用户不参与后续计算并置其预编码向量为零向量；再将用户移动参数置一，计算各个用户的信道协方差矩阵，求解广义特征值问题得到预编码向量的方向和最优解对应的SINR，通过闭式计算得到预编码功率；

c.计算正则化迫零RZF预编码向量，通过得到的向量计算瞬时预编码功率和SINR，再将用户移动参数置一，根据闭式计算得到瞬时拉格朗日乘子；该闭式与预编码向量的方向和SINR有关。

6.根据权利要求1所述的基于深度学习的大规模MIMO下行预编码方法，其特征在于：所述的低复杂度框架中，仅用统计CSI计算统计拉格朗日乘子和统计预编码功率的计算方法为：仅使用统计CSI和信噪比作为输入，构造神经网络计算统计拉格朗日乘子，拉格朗日乘子为零的用户不参与后续计算并置其预编码向量为零向量；再将用户移动参数置零，计算各个用户的信道协方差矩阵，求解广义特征值问题得到预编码向量的方向和最优解对应的SINR，通过闭式计算得到预编码功率。