[发明专利]一种基于神经网络的码本设计方法

权利要求书

1.一种基于神经网络的码本设计方法，其特征在于：包括如下步骤：

步骤1，基于Saleh-Valenzuela统计信道模型，生成数据集；

所述步骤1包括：

步骤1.1，根据Saleh-Valenzuela统计信道模型，仿真生成信道空间，其中，信道模型为：

式中，N_cl和N_ray分别表示簇数和射线数，φ_i，j＝sinθ_i，j，其中，θ_i，j为第i簇和对应簇中第j条射线的到达角，a(·)为天线阵列响应；

步骤1.2，计算h对应的标签值p^(opt)，计算公式如下：

式中，|·|表示复数的取模运算，||·||₁表示矩阵的L₁范数，w_*表示最优码字空间中的最优码字，p^(opt)为对应信道可达到的最大接收功率；

步骤1.3，对于基站服务的U个用户，根据步骤1.1和步骤1.2的结果生成数据集其中，h_u为第u个用户的信道矢量，为第u个用户的标签值；

步骤2，设计神经网络结构，神经网络包括输入层、全连接层、功率计算层、最大池化层；

所述步骤2包括：

步骤2.1，当基站天线为N，码本大小为M时，神经网络的全连接层由M个神经元组成，神经元能够对输入矢量中的元素进行乘积运算和求和运算，全连接层神经元的输出矢量为：

z＝W^Hh

式中，为码本矩阵，z为全连接层神经元的输出矢量；

步骤2.2，神经网络的功率计算层也包含M个神经元，每个神经元的输入是对应全连接层的输出，每个神经元对输入值进行取模和平方运算，其计算过程为：

p＝[p₁，p₂，...，p_M]^T

＝[|z₁|²，|z₂|²，...，|z_M|²]^T

式中，p_i表示使用第i个码字接收信号时的接收功率，z_i为第i个码字对于的神经元的输出；

步骤2.3，神经网络的最大池化层包含1个神经元，其输入为功率计算出输出的功率矢量，神经元对输入矢量进行取最大值计算，最大功率p^*为：

p^*＝max{p₁，p₂，...，p_M}

式中，p^*即为神经网络预测的最大功率；

步骤3，随机初始化神经网络的全连接层神经元参数，进行前向传播计算；

所述步骤3包括：

步骤3.1，随机初始化全连接层神经元参数，并将数据作为神经网络输入层的输入；

步骤3.2，将输入层的输出作为全连接层的输入，计算全连接层的输出，即接收信号组合增益的实部和虚部；

步骤3.3，将全连接层的输出作为功率计算层的输入，计算得到各模拟预编码矢量对应的功率值；

步骤3.4，将功率计算层的输出作为最大池化层的输入，计算得到当前码本中能够达到的最大功率；

步骤4，反向传播，采用梯度下降算法更新神经元参数；

所述步骤4包括：

步骤4.1，依据数据的标签值和神经网络的输出值计算当前损失函数的值：

式中，θ为神经元参数，N_b表示每批数据样本的数量，p^*和p^(opt)分别表示神经网络预测的最大功率和理论最大功率；

步骤4.2，计算损失函数当前的梯度：

式中，z、p和p^*分别为神经网路模型的全连接层、功率计算层和最大池化层的输出，θ_n为全连接层的神经元参数；

步骤4.3，反向传播全连接层的误差，并更新神经网络参数：

式中，θ_n和θ′_n分别为更新前后的神经网络参数，b_n和b′_n分别为更新前后的神经元权值的偏置，η为梯度下降的学习率；

步骤5，验证神经网络模型的正确率；

所述步骤5包括：

步骤5.1，将测试集数据输入神经网络模型，并记录神经网络的输出值；

步骤5.2，将神经网络输出值与标签值对比，统计预测正确的数量，计算神经网路预测准确率；

步骤6，基于训练完成的神经网络模型设计码本；

所述步骤6包括：

步骤6.1，神经网络的权值矩阵对应于天线阵列的相移矩阵，由神经网络参数生成码本矩阵：

式中，N为基站天线数量，Θ＝[θ₁，θ₂，...，θ_M]^T，而θ_m＝[θ_1m，θ_2m，...，θ_nm]^T对应每个码字的相移矢量；

步骤6.2，计算得出神经网络设计的码本的波束图，统计码本中波束增益的累计概率；

步骤6.3，将设计的码本应用于基于相移网络的模拟波束成形的大规模MIMO通信系统。