[发明专利]一种基于深度学习的MIMO混合波束赋形方法

说明书

本发明涉及通信技术领域，具体为一种基于深度学习的MIMO混合波束赋形方法，包括有信道特征信息采集模块、全数字波束赋形仿真模块、发送端矩阵模块、接收端矩阵模块、信道特征实部和虚部模块、ResNet神经网络模型、特征融合模块和训练结果判别模块，本发明在对联合信道矩阵进行分步优化和训练的基础上，采用软件仿真实现的全数字波束赋形系统性能作为最佳性能判决依据，通过对联合矩阵的特征融合让其训练结果无限逼近于全数字波束赋形系统性能，训练过程中可采用监督学习的技术实现训练结果的快速收敛，本发明可以有效降低矩阵运算复杂度，系统硬件实现简单，系统性能效果最优化。

技术领域

本发明涉及通信技术领域，具体为一种基于深度学习的MIMO混合波束赋形方法。

背景技术

多输入多输出(Multiple input multiple output, MIMO)技术是通信领域的关键技术，因毫米波频段频谱资源丰富而得到广泛应用，但是毫米波频段存在严重路径损耗，所以在毫米波频段实现MIMO技术需要采用波束赋形方法来补偿路径损耗。由于全数字波束赋形方法对于大规模MIMO系统硬件实现困难且成本高昂，而模拟波束赋形方法对于MIMO系统只支持单流数据传输且系统性能低下，因此采用数字波束赋形和模拟波束赋形相结合的方式成为大规模MIMO通信系统的研究热点和应用方向。目前基于传统算法实现的MIMO通信系统已趋于成熟，并且在工程实践中取得了较好的效果，但大多数都是以复杂的矩阵运算为前提且系统硬件实现复杂度高。

发明内容

本发明的目的在于提供一种基于深度学习的MIMO混合波束赋形方法，采用基于深度学习的MIMO混合波束赋形方法，对信道特征矩阵首先采用软件仿真实现全数字波束赋形的最佳性能指标。其次对发送端和接收端的矩阵分别分解后进行训练和特征提取，同时通过特征融合器对提取的特征进行融合操作。最后将训练结果和软件实现的全数字波束赋形性能进行判决对比。该方法对于大规模MIMO混合波束赋形具有运算速度快、复杂度低、频谱效率高的优点。

为解决上述技术问题，本发明一种基于深度学习的MIMO混合波束赋形方法包括有信道特征信息采集模块、全数字波束赋形仿真模块、发送端矩阵模块、接收端矩阵模块、信道特征实部和虚部模块、ResNet神经网络模型；特征融合模块和训练结果判别模块，还包括有如下步骤：

S1.首先通过信道特征信息采集模块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、发送端矩阵模块和接收端矩阵模块的信息，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.对发送端矩阵模块和接收端矩阵模块分别进行优化和训练，在发送端对 F_RF和F_BB矩阵分别分解为实部和虚部模块通过ResNet神经网络模块进行训练，其中F_BB为发送端数字波束赋形矩阵，F_RF为发送端模拟波束赋形矩阵；在接收端对W^H_BB和W^H_RF矩阵分别分解为实部和虚部模块通过ResNet神经网络模块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。否则采用反馈方式进行多轮训练直到满足上述条件。

进一步的，所述的ResNet神经网络模块采用相同结构和深度层次的模型。