[发明专利]一种基于深度学习信道估计的多播频控阵方法

权利要求书

1.一种基于深度学习信道估计的多播频控阵方法，其特征在于包括下述步骤：

步骤1：首先由接收端发送大量导频序列给发送站，采集接收数据作为训练数据集；

步骤2：随机选取步骤1中的训练数据集的数据进行离线预训练和离线训练，得到训练好的网络，将网络加载到阵列处理单元上，之后的使用就可以省去步骤(1)和步骤(2)；

所述步骤2中预训练过程为：先随机选取训练数据集中的少量数据，一般选取总训练集的10％作为训练数据，由于神经网络无法直接处理复数信息，因此将训练数据x(n)分别取实部和虚部，拉直为一个二维向量；定义函数其中表示取复数z的实部，表示取复数z的虚部，那么输入神经网络的数据表示为x_p(n)＝f_R(x(n))；将网络输出的表示为则需要估计的信道矩阵表示为其中，vec^-1(·)表示向量的矩阵化；k表示第k个目标合法用户群；表示f_R(·)的反函数，即将网络输出得到的实数结果重组为复数；预训练和训练过程均采用Adam优化算法，损失函数采用常用的均方误差(Mean Squard Error,MSE)；预训练采用随机权值进行初始化，而训练过程采用预训练得到的权值进行初始化，以加速网络收敛过程，训练过程采用全量数据集进行训练；

步骤3：初始化阵列参数；

设置初始化参数包括：初始化信源天线数N；每根天线的最大频率偏移量为△F，信号参考载频为f_c；阵列天线之间的间距d＝c/2f_c，防止会出现栅瓣，导致空间模糊，初始化阵列天线之间的间距，其中，c表示电磁波传播速率；

步骤4：先由接收端发送一段导频至发送端，通过训练好的神经网络即可得到该信道条件下的合法用户的导向矢量；

步骤5：根据最小化发射功率以及合法用户信干噪比约束，建立优化目标函数；

步骤6：将目标函数进行松弛化和向量化，将其转化成半正定优化问题；

步骤7：通过SeDuMi利用内点法解决半正定问题解得X_k；

步骤8：采用随机化技术得到获得最优波束形成矢量；

步骤9：根据合法用户群导向矩阵，计算在合法群的零空间，即为人工噪声投影矩阵，最终，得到发送第k个合法用户群的基带信号；重复步骤4，重新估计导向矢量，开始下一次通信。

2.根据权利要求1所述的一种基于深度学习信道估计的多播频控阵方法，其特征在于：

所述步骤4包括如下步骤：

接收导频信号，将导频信号输入步骤2中训练好的网络，得到信道矩阵其中就表示第k个群中第m个合法用户的导向矢量，而M_k为第k个群合法用户总数。

3.根据权利要求1所述的一种基于深度学习信道估计的多播频控阵方法，其特征在于：

所述步骤5包括如下步骤：

建立最小化发射功率，满足合法用户信干噪比和发射天线数约束优化目标函数

其中，w_k表示第k个群波束形成器，为第k个合法用户群中第m个用户的信道噪声方差，表示第k个合法用户群中第m个用户的期望信噪比。

4.根据权利要求1所述的一种基于深度学习信道估计的多播频控阵方法，其特征在于：

所述步骤6包括如下步骤：

通过松弛化后，将目标函数转化为半正定优化：

其中，定义两个中间变量和表示第k个合法用户群中第m个用户的导向矢量，w_k表示第k个群波束形成器，为第k个合法用户群中第m个用户的信道噪声方差，表示第k个合法用户群中第m个用户的期望信噪比，tr(·)为求矩阵的迹。

5.根据权利要求1所述的一种基于深度学习信道估计的多播频控阵方法，其特征在于：

所述步骤8包括如下步骤：

将步骤7中得到的X_k进行矩阵分解，即计算出最优波束矢量其中e是一个随机分布矩阵，得到最优波束形成矢量。

6.根据权利要求1所述的一种基于深度学习信道估计的多播频控阵方法，其特征在于：

所述步骤9包括如下步骤：

计算合法用户群导向矩阵：

H_l＝[H_l,1,H_l,2,...,H_l,K]，

计算人工噪声投影矩阵：

其中，I_N表示N×N单位矩阵；

得到发送第k个合法用户群的基带信号为

其中，P_AN是人工噪声功率，n_AN为归一化的人工噪声，满足z是噪声向量，满足高斯随机分布，即