[发明专利]一种基于深度学习的MIMO混合波束赋形方法有效
| 申请号： | 202110220116.6 | 申请日： | 2021-02-27 |
| 公开（公告）号： | CN112910521B | 公开（公告）日： | 2022-04-05 |
| 发明（设计）人： | 秦瑾;焦勇;张峻崎;席明;秦涛 | 申请（专利权）人： | 中电万维信息技术有限责任公司 |
| 主分类号： | H04B7/0413 | 分类号： | H04B7/0413;H04B7/0426;G06N3/04;G06N3/08;H04B7/06;H04B7/08 |
| 代理公司： | 兰州嘉诺知识产权代理事务所(普通合伙) 62202 | 代理人： | 郭海 |
| 地址： | 730000 甘肃省兰州市城关*** | 国省代码： | 甘肃;62 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 基于 深度 学习 mimo 混合 波束 赋形 方法 | ||
1.一种基于深度学习的MIMO混合波束赋形方法，其特征在于：包括有信道特征信息采集模块（1）、全数字波束赋形仿真模块（2）、发送端矩阵模块（3）、接收端矩阵模块（4）、信道特征实部和虚部模块（5）、ResNet神经网络模型（6）、特征融合模块（7）和训练结果判别模块（8），还包括有如下步骤：
S1.首先通过信道特征信息采集模块（1）对毫米波环境信道进行采集，环境信道分别包括信道特征矩阵、发送端矩阵模块（3）和接收端矩阵模块（4）的信息，信道特征信息组合为信道矩阵H，对信道矩阵H采用全数字波束赋形仿真模块（2）实现全数字波束赋形的最佳性能指标；
S2.对发送端矩阵模块（3）和接收端矩阵模块（4）分别进行优化和训练，在发送端对 FRF和FBB矩阵分别分解为实部和虚部模块（5）通过ResNet神经网络模块（6）进行训练，其中FBB为发送端数字波束赋形矩阵，FRF为发送端模拟波束赋形矩阵；在接收端对WHBB和WHRF矩阵分别分解为实部和虚部模块（5）通过ResNet神经网络模块（6）进行训练并得到联合训练矩阵，其中为接收端模拟波束赋形矩阵，为接收端数字波束赋形矩阵；
S3. 特征融合模块（7）对完成步骤S2的联合训练矩阵进行特征融合，并对训练结果与步骤S1中的最佳性能指标在训练结果判别模块（8）进行对比，直到训练结果无限逼近最佳性能指标，此时系统性能达到最佳。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中电万维信息技术有限责任公司，未经中电万维信息技术有限责任公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202110220116.6/1.html，转载请声明来源钻瓜专利网。
