[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

说明书

本发明公开了基于深度学习的大规模多输入多输出(multiple input multiple output,MIMO)收发联合波束成形方法，其中发送端(基站)利用各接收端(用户端)的瞬时信道信息，依据所有接收端的发送功率和最小化准则，通过通用深度学习框架和通用深度神经网络结构，实现低复杂度的发送端和接收端波束成形方法；深度学习框架首先通过深度神经网络结构计算最优的下行接收端功率分配向量，进而通过深度神经网络结构或者基于信道矩阵特征值分解的启发式算法计算接收端的波束成形方向向量，最后通过最优解结构直接计算出发送端的波束成形向量；该低复杂度深度学习框架将收发波束成形联合设计问题分解为计算下行功率分配向量和计算收发端波束成形向量两个子问题。本发明能够使发送功率值近乎最佳的发送功率，并具有较低的计算复杂度。

技术领域

本发明涉及无线通信收发波束成形的联合设计，尤其涉及利用深度学习的大规模MIMO收发联合波束成形方法。

背景技术

近年来，人们对无线传输的质量需求有了明显的提升，通过在发送端，即基站(base station,BS)，和接收端，即用户，联合进行波束成形设计，以在一定服务质量(quality of service，QoS)的前提下降低发送功率问题(QoS-constrained powerminimization，QCPM)，以不同形式引起了广泛兴趣。

对于多输入单输出(multiple input single output,MISO)系统，上述QCPM问题能够在可接受的复杂度下全局求解。然而，在大规模MIMO系统中，由于天线数量众多，QCPM问题是没有全局最优解的，难以解决。为了近似地解决这个问题，目前主要分为两大类方法。一类基于干扰消除，可以消除多用户干扰，但是这些算法总是将发送和接收端的波束成形限制为迫零(zero forcing,ZF)波束成形，因此总是产生简单的次优解；另一类是基于上下行链路对偶定理，通过收发波束成形器的迭代更新来得到最优解很好的近似。

现有的迭代算法可以获得接近最优的性能，但是在大规模MIMO系统中，收发波束成形向量具有很高的维度，这导致其计算复杂度极高，需要进一步降低复杂度才能应用于实际系统。

发明内容

技术问题：本发明的目的是提供一种基于深度学习的大规模MIMO收发联合波束成形方法，以克服现有技术的不足，在一定服务质量约束条件下达到近乎最优的发送功率，并降低复杂度。

技术方案：为实现上述发明目的，本发明(一种基于深度学习的大规模MIMO收发联合波束成形方法)采用如下技术方案：

发送端利用各接收端的瞬时信道状态信息(channel state information,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如下步骤：

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。

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；