[发明专利]一种基于神经网络的码本设计方法

说明书

本发明公开了一种基于神经网络的码本设计方法，包括如下步骤：步骤1，基于Saleh‑Valenzuela统计信道模型，生成数据集；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；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；步骤4，反向传播，采用梯度下降算法更新神经元参数；步骤5，验证神经网络模型的正确率；步骤6，基于训练完成的神经网络模型设计码本。本发明能够使用少量码字覆盖更多角度，为服务用户提供高波束增益，提升接收信号的信噪比。同时，本发明考虑了模拟预编码架构的硬件约束，设计的码字均为恒模值，易于和基于相移器的模拟波束成形技术结合。

技术领域

本发明涉及一种码本设计方案，属于大规模MIMO通信技术领域。

背景技术

近年来，移动通信技术不断发展，为工业升级、数字文娱产品的繁荣以及政务系统数字化、信息化提供了技术基础。5G移动通信系统的开发和应用，不断满足了人们在高质量移动带宽、海量设备互联、高可靠低时延等方面的通信需求。毫米波通信是5G移动通信技术的重要组成部分，但毫米波传播路径损耗大、衰减严重等特点也给通信系统的部署和应用带来了挑战。

为了保证足够的接收信号功率，毫米波系统部署了大规模天线阵列，并使用窄波束通信。然而，由于射频链路的高硬件成本和高功耗，大规模MIMO通信系统不能为每个天线单元分配射频链路，无法实现纯数字预编码结构，通常采用纯模拟或数模混合预编码结构。此外，大规模MIMO系统为了降低实现复杂度，通常使用预定义码本实现预编码。但是，传统码本设计方案通常未考虑通信系统所处环境和通信需求，而是为每个方向都预定义了相应的码字，这也限制了大规模MIMO通信系统的综合性能：一方面，系统扫描所有方向对应的码字加大了波束训练的开销；另一方面，预定义码本中的码字通常是单波瓣波束，无法达到最优通信性能，尤其在非视距通信中。此外，基于数学模型的波束成形码本设计往往假定理想的天线方向图，忽略了天线物理特性的影响，损失了部分性能。

发明内容

为解决上述难题，本发明提供了一种基于深度学习的模拟码本设计方法。本发明通过神经网络学习通信系统的环境和信道特征，进而设计相关码本，提高了波束增益。基于深度学习的码本设计方法不仅提高了码本中波束的增益，而且能够满足覆盖要求。此外，该方法考虑了相移器的硬件约束，每个预编码矢量均为恒模值，具有实用价值。

为达到上述的目的，本发明提供如下的技术方案：

一种基于神经网络的码本设计方法，包括如下步骤：

步骤1，基于Saleh-Valenzuela统计信道模型，生成数据集；

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；

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；

步骤4，反向传播，采用梯度下降算法更新神经元参数；

步骤5，验证神经网络模型的正确率；

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：