[发明专利]基于深度学习的大规模MIMO下行预编码方法

说明书

本发明公开了基于深度学习的大规模MIMO下行预编码方法，本发明中基站利用各用户终端的瞬时和统计信道信息，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进行下行预编码传输。该框架基于预编码向量最优解的结构：给定拉格朗日乘子，预编码向量的方向和功率可以分别表示为最大广义特征向量形式和闭式。通用框架通过深度神经网络计算最优拉格朗日乘子，进而通过最优解结构计算预编码向量；低复杂度框架将预编码问题分解为瞬时和统计两个子问题分别计算再组合。本发明能够使下行预编码达到近乎最佳的可达和速率性能，并具有较低的计算复杂度。

技术领域

本发明涉及无线通信下行预编码，尤其涉及利用机器学习的大规模MIMO下行预编码方法。

背景技术

近年来，人们对无线数据速率的需求有了明显的提升，通过在基站(basestation,BS)动态控制功率和相位以提高效率性能的预编码，以不同形式引起了广泛兴趣。

对于准静态和低速情况下，瞬时信道状态信息(channel state information,CSI)相对准确，此时正则化迫零(regularized zero-forcing,RZF)预编码、信漏噪比(signal-to-leakage-and-noise ratio,SLNR)预编码和加权最小均方误差(weightedminimum mean square error,WMMSE)预编码都能取得良好的性能。对于高速度场景，相对较短的相干时间会导致CSI获取面临更多的挑战，此时信道过时将不可避免，传统的预编码方法将严重恶化。现有的方法如联合空分复用(joint spatial division andmultiplexing,JSDM)和波束分多址接入(beam division multiplex access,BDMA)等采用了统计CSI，在移动环境下效果较好，但其忽略了瞬时CSI，因此在低速场景下的性能并不理想。

鲁棒预编码提出的后验信道模型同时利用了瞬时和统计CSI以最大化遍历和速率，但难以直接得到最优解。现有的迭代算法可以获得接近最优的性能，但其立方级的计算复杂度需要进一步降低，才能应用于实时系统。

发明内容

发明目的：本发明的目的是提供基于深度学习的大规模MIMO下行预编码方法，以克服现有技术的不足，达到近乎最佳的可达和速率性能，并降低实现复杂度。

技术方案：为实现上述发明目的，本发明采用如下技术方案：

基于深度学习的大规模MIMO下行预编码方法，该方法中：基站利用各用户终端的瞬时和统计信道状态信息，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(Lagrange multipliers neural network,LMNN)计算拉格朗日乘子；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信干噪比(signal to interference plus noise ratio,SINR)；通过闭式计算得到预编码功率；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；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。