[发明专利]基于深度学习的大规模MIMO收发联合波束成形方法

权利要求书

1.一种基于深度学习的大规模MIMO收发联合波束成形方法，其特征在于，所述方法中：发送端通过各接收端的瞬时信道状态信息CSI，依据所有接收端的发送功率最小化准则，利用通用深度学习框架和通用深度神经网络结构，以较低的复杂度，执行以下步骤：

第一步：计算下行接收端的功率分配向量；

第二步：计算接收端的波束成形方向向量：使用深度神经网络结构直接预测接收端的波束成形方向向量，或者直接对CSI进行特征值分解，将最大特征值对应的特征向量作为接收端的波束成形方向向量；

第三步：利用所得到的接收端的波束成形方向向量和接收端的功率分配向量，通过最优解结构计算出发送端的波束成形向量；

其中，训练深度神经网络结构所用的数据集由数据生成算法生成。

2.根据权利要求1所述的基于深度学习的大规模MIMO收发联合波束成形方法，其特征在于：所述的深度学习框架包括：

利用信道矩阵、接收端移动参数、噪声功率、信干燥比，基于训练好的深度神经网络结构计算下行接收端功率分配向量；

利用信道矩阵、接收端移动参数、噪声功率、信干燥比，基于训练好的深度神经网络结构计算接收端波束成形方向向量；

利用信道矩阵的特征值分解，将最大特征值对应的特征向量作为接收端波束成形方向向量；

通过最优解结构直接计算发送端的波束成形向量。

3.根据权利要求1所述的基于深度学习的大规模MIMO收发联合波束成形方法，其特征在于：所述的所有接收端的发送功率最小化等效为服务质量约束下的功率最小化问题，其阈值为原问题迭代得到的最优解对应的最小发送功率，且满足每个接收端对应的信干燥比解耦至约束。

4.根据权利要求1所述的基于深度学习的大规模MIMO收发联合波束成形方法，其特征在于：所述通用深度神经网络结构由卷积神经网络CNN和全连接神经网络FNN连接而成，先由CNN提取信道矩阵的隐式特征，再将该隐式特征和信干燥比一起作为FNN的输入预测目标结果。

5.根据权利要求1所述的基于深度学习的大规模MIMO收发联合波束成形方法，其特征在于：所述通用深度神经网络结构训练所需的数据集由基于传统迭代算法的数据生成算法生成。

6.根据权利要求1所述的基于深度学习的大规模MIMO收发联合波束成形方法，其特征在于：所述的下行接收端的功率分配向量计算为基于深度神经网络结构的预测过程，该深度神经网络结构以信道状态信息CSI和信干燥比为输入，输出下行各接收端的功率分配向量。

7.根据权利要求1所述的基于深度学习的大规模MIMO收发联合波束成形方法，其特征在于：所述的接收端波束成形方向向量，其计算方法采用如下两种中的一种：

a.基于深度神经网络结构直接预测接收端波束成形方向向量，该深度神经网络结构以信道状态信息CSI和信干燥比为输入，输出各接收端的波束成形方向向量；

b.通过对信道矩阵进行特征值分解得到最大特征值对应的特征向量，直接以最大特征值对应的特征向量作为各接收端的波束成形方向向量。

8.根据权利要求1所述的基于深度学习的大规模MIMO收发联合波束成形方法，其特征在于：所述的计算发送端波束成形向量，其过程是：得到接收端功率分配向量和波束成形方向向量后，通过最优解结构直接计算出发送端的波束成形向量。

9.根据权利要求1所述的基于深度学习的大规模MIMO收发联合波束成形方法，其特征在于：所述生成深度神经网络结构训练所需数据集的数据生成算法包括：在不同噪声功率、约束条件、移动速度、接收端分布环境下，生成足够的信道矩阵样本。每一组信道矩阵样本的生成，包含如下步骤：

1)通过迭代算法求解最优的收发波束成形向量；

2)通过得到的收发波束成形向量计算最优解对应的接收端波束成形方向向量和下行功率分配向量；

3)将该信道矩阵、噪声功率、约束条件、移动参数、接收端波束成形方向向量和下行功率分配向量组合为一个样本。