[发明专利]一种基于模型驱动深度学习的三维预编码方法

摘要

本发明公开了一种基于模型驱动深度学习的三维预编码方法，包括：获取U个用户的统计信道信息，计算各用户统计参数、水平及垂直最佳方向向量；分别构建判定用户水平及垂直方向向量的深度神经网络模型，将各用户统计参数分别输入上述两个模型，输出相应的水平及垂直方向向量；分别对两个模型进行训练，使得两个模型输出的方向向量逐渐接近最佳方向向量，以获得模型参数；利用待获得预编码向量用户的统计信道信息计算其统计参数，分别输入两个模型，由模型输出的水平和垂直方向向量确定其预编码向量。本发明可减小统计预编码向量计算复杂度，同时对最佳传输方向的预测有较高准确度，特别是在用户数和天线数较大时，能高效地实现下行预编码设计。

主权项

1.一种基于模型驱动深度学习的三维预编码方法，其特征在于，包括以下步骤：步骤1、基站配置均匀平面天线阵，该天线阵包括M行垂直方向天线阵元，水平方向每行有N个天线阵元，相邻天线阵元间距在水平和垂直方向上均为载波波长的一半，用户配置单根接收天线；获取U个用户的统计信道信息，分别计算用户i,i＝1,…,U的统计参数，进而分别计算各用户N×1维的水平最佳方向向量ni及M×1维的垂直最佳方向向量mi，形成U个训练样本；所述统计信道信息包括：用户i信道的莱斯因子水平视距分量垂直视距分量水平相关阵以及垂直相关阵其中，矩阵H_i为基站与用户i之间的信道矩阵，H_i的第m行第n列的元素[H_i]_m,n为基站第m行第n列的天线单元与用户i之间的信道系数，及分别表示矩阵和的第一列，上标(·)^H代表共轭转置，上标(·)^T代表转置，E{·}代表求均值；所述计算用户i统计参数的过程包括以下子步骤：a1)分别计算以及其中F_M和F_N分别为M×M和N×N的DFT矩阵，F_M和F_N第m行第n列的元素分别为和a2)分别提取AH,i、AV,i、ΛH,i、以及ΛV,i的对角元，得到aH,i、aV,i、λH,i、以及λV,i；其中，aH,i和λH,i为N×1维的列向量，其第n个元素分别为AH,i和ΛH,i的第n个对角元；aV,i和λV,i为M×1维的列向量，其第m个元素分别为AV,i和ΛV,i的第m个对角元；所述计算用户i水平及垂直最佳方向向量的过程包括以下子步骤：b1)计算b2)得到Ω_i中最大元素所处的行与列，假设Ω_i中最大元素为第行第列的元素，则用户i的水平最佳方向向量n_i中除第个元素为1外其余均为0，其垂直最佳方向向量m_i中除第个元素为1外其余均为0；步骤2、分别构建判定用户水平及垂直方向向量的深度神经网络模型，将所述的用户i,i＝1,…,U的统计参数a_H,i、a_V,i、λ_H,i、λ_V,i以及K_i输入两个模型，分别输出该用户N×1维的水平方向向量及M×1维的垂直方向向量步骤3、利用步骤1所形成的训练样本分别对上述两个模型进行训练，使得预测输出逐渐接近n_i，预测输出逐渐接近m_i，以获得两个模型的参数；步骤4、利用待获得预编码向量的用户l的统计信道信息，按照步骤1中的相应步骤计算其统计参数aH,l、aV,l、λH,l、以及λV,l；步骤5、将待获得预编码向量的用户l的统计参数a_H,l、a_V,l、λ_H,l、λ_V,l以及K_l输入已训练的两个模型，由两个模型分别输出水平方向向量和垂直方向向量步骤6、确定待获得预编码向量的用户l的预编码向量为其中为矩阵的第列，为中最大值元素的位置，为矩阵的第列，为中最大值元素的位置。