[發明專利]一種基于深度學習的毫米波信道波束訓練方法

有效

• 申請號: 201910609278.1
• 申請日: 2019-07-08
• 公開（公告）號: CN110417444B
• 公開（公告）日: 2020-08-04
• 發明（設計）人: 戚晨皓;王宇杰;馬文焱
• 申請（專利權）人: 東南大學
• 主分類號: H04B7/0413
• 分類號: H04B7/0413;H04B7/06;H04B7/08;G06N3/04
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 熊玉瑋

1.一種基于深度學習的毫米波信道波束訓練方法，其特征在于，在低精度模式下僅包含初測階段，利用神經網絡從信道矩陣中選擇接收信號強度最大的收發波束組合為最佳收發波束組合；在初測階段開始之前，在發送波束集合和接收波束集合中分別選擇T個發送波束和接收波束，所選波束在和中的索引分別為{u_t,t＝1,2,…,T}和{v_t,t＝1,2,…,T}，所選波束組合在收發波束組合集合中的索引為Q_t＝{q_t,t＝1,2,…,T}，其中，q_t＝(u_t-1)×M+v_t，以所選的收發波束組合的接收信號為神經網絡的輸入，以收發波束組合概率向量為神經網絡的輸出，并選擇收發波束組合概率向量中最大元素對應的收發波束組合作為神經網絡預測的最佳收發波束組合，以神經網絡預測的最佳收發波束組合等于信道矩陣對應的最佳收發波束組合為目標訓練神經網絡參數，從信道矩陣中選擇接收信號強度最大的收發波束組合為最佳收發波束組合通過表達式：實現，為發送波束集合中的最佳波束，為接收波束集合中的最佳波束，H_i為第i個信道矩陣，x表示收發端已知的發送符號。

2.根據權利要求1所述一種基于深度學習的毫米波信道波束訓練方法，其特征在于，在高精度模式下包含低精度模式下的初測階段以及補測階段，所述補測階段對初測階段未選擇的有限個接收信號強度較大的收發波束組合進行實測，篩選出補測階段接收信號強度最大的收發波束組合，以初測階段和補測階段接收信號強度最大的收發波束組合為高精度模式下的最佳收發波束組組合。

3.根據權利要求1所述一種基于深度學習的毫米波信道波束訓練方法，其特征在于，所述信道矩陣采用Saleh-Valenzuela信道建模，表示如下：N_t表示發送天線數目，N_r表示接收天線數目，L表示信道的路徑數目，g_l表示第l條路徑的信道增益，Θ_l和Φ_l分別表示第l條路徑的到達角和出發角，d_r和d_t分別表示收發端的天線單元間距，λ表示毫米波信號波長，信道導向矢量α(N_r,θ_l)定義如下：

4.一種基于深度學習的毫米波信道波束訓練裝置，其特征在于，包括：

波束選擇模塊，用于獲取接收波束集合和發送波束集合，

信道樣本生成模塊，用于隨機生成若干信道矩陣，計算每個信道矩陣的最佳收發波束組合，

接收信號樣本計算模塊，用于計算各信道矩陣中各收發波束組合的接收信號，

神經網絡訓練模塊，用于將各信道矩陣中各收發波束組合的接收信號輸入到神經網絡，設定神經網絡對應的目標輸出為最佳收發波束組合，對神經網絡依次訓練，

初測階段神經網絡輸入模塊，用于依次使用所述獲的收發波束組合對信道進行實測，將對信道實測得到接收信號輸入事先訓練好的神經網絡，

初測階段神經網絡輸出模塊，用于得到神經網絡實際輸出的最佳收發波束組合概率向量，

波束訓練模式設定模塊，用于設定波束訓練的工作模式，若為低精度模式，執行低精度模式輸出模塊，否則，執行補測階段波束選擇模塊，

低精度模式輸出模塊，用于獲得輸出概率最大的波束組合，

補測階段波束選擇模塊，用于根據初測階段神經網絡輸出模塊得到的最佳收發波束組合概率向量進行補測，對初測階段未選擇的概率較大的有限個的收發波束組合進行信道實測，及，

高精度模式輸出模塊，用于獲得初測階段和補測階段中接收信號強度最大的收發波束組合。