[发明专利]一种大规模MIMO中波束赋形的方法和系统

说明书

本发明涉及通信领域，特别是涉及一种大规模MIMO中波束赋形的方法和系统。主要包括：获取现网的真实数据生成至少一个样本，将所有样本的集合作为训练数据集对强化学习模型进行训练；获取当前网络的信道特征，将当前网络的信道特征输入强化学习模型，强化学习模型根据当前网络的信道特征输出最优的波束赋形权重调节因子；根据波束赋形权重调节因子计算波束赋形权重矩阵，对数据进行波束赋形，并计算下一时刻的信道特征，将下一时刻的信道特征对应的样本加入训练数据集中再次对强化学习模型进行训练。本发明可以动态计算波束赋形权重的调节因子，有效提高频谱利用率、提高网络的吞吐量。

技术领域

本发明涉及通信领域，特别是涉及一种大规模MIMO中波束赋形的方法和系统。

背景技术

波束赋形(Beamforming)又叫波束成型、空域滤波，是一种使用传感器阵列定向发送和接收信号的信号处理技术。波束赋形技术通过调整相位阵列的基本单元的参数，使得某些角度的信号获得相长干涉，而另一些角度的信号获得相消干涉。波束赋形既可以用于信号发射端，又可以用于信号接收端，以提高移动通信系统中相对位置不断变化的基站和通信终端间通信信号的质量。

在复杂的空间拓扑中存在多径效应，给信道估计带来很大的不确定性。因此，波束赋形的权重计算也不准确。致使用户设备(User Equipment，简写为UE)和小区的吞吐量没有最大化。所以，随着网络用户的日益递增，网络环境将变得越来越复杂，如何能根据真实的网络状态而动态的进行波束赋形成为未来技术的一个挑战。

鉴于此，如何克服现有技术所存在的缺陷，解决真实网络中动态波束赋形的现象，是本技术领域待解决的问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明解决了真实网络中动态波束赋形的问题。

本发明实施例采用如下技术方案：

第一方面，本发明提供了一种()的方法，具体为：

优选的，获取现网的真实数据生成至少一个样本，将所有样本的集合作为训练数据集对强化学习模型进行训练，其中，所述样本包括：信道特征、动作集合、平均吞吐量和下一时刻的信道特征，所述强化学习模型的动作为波束赋形权重调节因子，强化学习模型的Reward为网络的信干噪比；获取当前网络的信道特征，将当前网络的信道特征输入强化学习模型，强化学习模型根据当前网络的信道特征输出最优的波束赋形权重调节因子；根据波束赋形权重调节因子计算波束赋形权重矩阵，对数据进行波束赋形，并计算下一时刻的信道特征，将下一时刻的信道特征对应的样本加入训练数据集中再次对强化学习模型进行训练。

优选的：所述信道特征为信道矩阵或信道冲击响应。

优选的，获取现网的真实数据生成至少一个样本，具体包括：通过交互消息获得UE的信道特征，根据信道矩阵生成所有可用的波束赋形权重调节因子作为动作集合；计算新的波束赋形权重，并计算出网络的平均吞吐量；根据新的波束赋形计算下一时刻的信道特征。

优选的，通过交互消息获得UE的信道特征，具体包括：为上行波束赋形时，信道矩阵为当前UE的上行信道矩阵；为下行波束赋形时，信道矩阵为当前UE的下行信道矩阵。

优选的，根据信道矩阵生成动作集合，具体包括：将波束赋形权重调节因子以复数表示，复数的实部和虚部进行水平方向连接或进行垂直方向连接，以所有实部和虚部的合集作为动作集合。

优选的，将状态矩阵作为训练数据集对强化学习模型进行训练，还包括：使用训练数据集对GAN模型进行训练，使用训练好的GAN模型生成更多的样本加入训练数据集中。

优选的，强化学习模型根据当前网络的信道特征输出最优的波束赋形权重调节因子，具体包括：所述强化学习模型采用Actor-Critic算法，智能体actor及Q-function均是神经网络模型。