[發明專利]一種大規模MIMO下基于深度學習的碼本選擇方法

有效

• 申請號: 201610327115.0
• 申請日: 2016-05-17
• 公開（公告）號: CN105790813B
• 公開（公告）日: 2018-11-06
• 發明（設計）人: 龍懇;劉月貞;余翔;王維維;閆冰冰;杜飛
• 申請（專利權）人: 重慶郵電大學
• 主分類號: H04B7/0456
• 分類號: H04B7/0456
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 廖曦

本發明涉及一種大規模MIMO(Multiple?Input Multiple?Output，多輸入多輸出)下基于深度學習的碼本選擇方法，屬于無線通信技術領域。該方法包括：采集測試區的導頻信息構建導頻訓練序列，進而得到導頻訓練樣本；對導頻訓練樣本進行神經網絡迭代學習，得到最終的網絡權重值；根據學習后的神經網絡輸出的信道，從完備碼本中選出最優碼字。之后將未知區與測試區進行信道信息匹配，得到其無線信道，進而得到與無線信道對應的碼字。本發明能有效、準確、快速地建立無線信道模型與碼本查詢，避免了未知區的信道估計且大大降低了未知區信道選擇碼本的復雜度。

技術領域

本發明屬于無線通信技術領域，涉及一種大規模MIMO(Multiple-InputMultiple-Output，多輸入多輸出)下基于深度學習的碼本選擇方法。

背景技術

任何一個通信系統，信道是必不可少的組成部分。無線信道為典型的“變參信道”,無線信道的特性與傳播環境，如：地形、地物、氣候特征、電磁干擾情況、通信體移動速度及使用的頻段等密切相關。無線通信系統的通信能力、服務質量(Quality of Service，QoS)等都與無線信道性能的好壞密切相關。因此，要想在有限的頻譜資源上盡可能高質量、大容量傳輸有用的信息，必須很好地掌握無線信道的特性，尤其在大數據時代，同時還要盡可能保證獲取的無線信道的差錯率較小。

無線信道模型是對無線傳播環境及傳播特性有了充分了解后，對無線信道的一個抽象描述，能很好地反映無線傳播環境的一些重要性質。無線信道模型的建立主要依賴于信道探測。目前，現有的建立無線信道傳播模型的方法有：統計性模型、確定性模型和半確定性模型。

但上述現有建立無線信道傳播模型的方法存在一些缺點，如這些方法是依據電磁波傳播理論，在一些簡化條件下分析得出無線信道模型的建立方法。而實際移動傳播環境是千變萬化的，很大程度的限制了這些理論結果的應用范圍，只能針對某個特定環境、單一鏈路進行，對高速移動場景下的信道特性、方向性信道特性描述的不夠全面準確。另一方面，現有的信道模型的建立方法需要充分挖掘收發端的因果關系。其通過采集收發端的信號，分析接發信號建立收發兩端的因果關系。因采集的樣本有限，且基于假設條件，使得到的結果會受影響。在小數據時代，計算機能力不足，大部分分析僅限于尋求簡單的線性關系。

大規模MIMO系統中，因天線數目龐大使得信道陣H維數迅速變大，基于非碼本的預編碼技術不再適用，而基于碼本的線性預編碼技術成了關注的焦點。目前常用的產生碼本的方法有：基于Grassmannian subspace packing、DFT等。但前者在一般用窮盡搜索找尋最優碼字，如隨機搜索，交替預測，勞埃德迭代算法，這些算法的計算負擔將隨著發射天線數的增多急劇增大。而DFT在預編碼矢量之間用系統的方式提供了高弦距離，但平均誤碼率卻極易在發射天線遭受高空間相關性時收到影響。針對以上問題，提出一種低計算量、抗空間相關性的預編碼方法已成為迫切需求。

發明內容

有鑒于此，本發明的目的在于提供一種大規模MIMO(Multiple-Input Multiple-Output，多輸入多輸出)下基于深度學習的碼本選擇方法，該方法能夠有效地建立無線信道傳播模型及碼本查詢。

為達到上述目的，本發明提供如下技術方案：

一種大規模MIMO下基于深度學習的碼本選擇方法，該方法包括以下步驟：

S1：信息采集步驟：由信息采集系統采集測試區內用戶端的導頻信息；

S2：獲取訓練樣本：根據導頻信息構建導頻訓練序列，進而得到導頻訓練樣本；

S3：初始化神經網絡：初始化神經網絡模型參數；

S4：神經網絡學習：由導頻訓練樣本進行神經網絡深度學習，得到最終的網絡權重值；