[發明專利]大規模MIMO預編碼方法、系統以及電子設備

有效

• 申請號: 202011544248.6
• 申請日: 2020-12-24
• 公開（公告）號: CN112803976B
• 公開（公告）日: 2022-07-08
• 發明（設計）人: 馮宇;王亮;祝濤;別志松
• 申請（專利權）人: 浙江香農通信科技有限公司
• 主分類號: H04B7/0456
• 分類號: H04B7/0456;H04B7/06;H04L25/02
• 代理公司: 北京華創智道知識產權代理事務所(普通合伙) 11888
• 代理人: 彭隨麗

1.一種大規模MIMO預編碼方法，該方法應用于大規模MIMO預編碼系統中，其特征在于，該方法包括：

步驟1、確定接收端和發送端天線的數量；

步驟2、量化發送端的天線參數；

步驟3、在接收端通過信道估計獲取信道模型集合{H₁,H₂,H₃,…}；

步驟4、使用線性ZF預編碼算法，得到預編碼矩陣集合，即碼本集{W₁,W₂,W₃,…}；

步驟5、使用上述得到的所述預編碼矩陣集合及信道模型集合，進行機器學習模型的訓練以得到機器學習模型；

步驟6、將訓練得到的所述機器學習模型應用到發送端，通過信道矩陣作為輸入，得到碼本集中選擇的碼字，進行數據預編碼處理；

所述信道估計通過在每個時隙的數據符號間插入參考信號符號,并利用所述參考信號符號在接收端對每個時隙的信道值進行估計；

在所述步驟3中包括：

步驟1)在發送的有用數據中插入已知的導頻符號；

步驟2)在接收端，計算得到導頻位置的信道估計信息；

步驟3)利用導頻位置的所述信道估計信息,依次進行內插、變換、濾波以得到有用數據的導頻位置的信道估計結果,完成信道估計，得到信道模型集合{H1,H2,H3,…}。

2.根據權利要求1所述的預編碼方法，其特征在于，所述天線參數包括方位角和俯仰角。

3.根據權利要求1所述的預編碼方法，其特征在于，步驟5中，所述進行機器學習模型的訓練以得到機器學習模型，具體包括：以所述信道模型集合{H₁,H₂,H₃,…}作為輸入，從碼本集{W₁,W₂,W₃,…}中選擇的碼字為輸出。

4.根據權利要求1所述的預編碼方法，其特征在于，所述線性ZF預編碼算法采用如下公式計算：

W＝βH^H(HH^H)^-1

其中H為信道模型集合，以得到信道模型集合對應的預編碼碼字集合{W1,W2,W3,…}。

5.一種大規模MIMO預編碼系統，該系統應用如所述權利要求1至4之一所述的預編碼方法，其特征在于，該系統包括：

確定模塊，用于確定接收端和發送端天線的數量；

量化模塊，用于量化發送端的天線參數；

信道估計模塊，用于在接收端通過信道估計獲取信道模型集合{H₁,H₂,H₃,…}；

預編碼模塊，用于使用線性ZF預編碼算法，得到預編碼矩陣集合，即碼本集{W₁,W₂,W₃,…}；

訓練模塊，用于使用上述得到的所述預編碼矩陣集合及信道模型集合，進行機器學習模型的訓練以得到機器學習模型；

加載模塊，用于將訓練得到的所述機器學習模型應用到發送端，通過信道矩陣作為輸入，得到碼本集中選擇的碼字，進行數據預編碼處理；

所述信道估計模塊通過在每個時隙的數據符號間插入參考信號符號,并利用所述參考信號符號在接收端對每個時隙的信道值進行估計；

在所述信道估計模塊中包括：

1)在發送的有用數據中插入已知的導頻符號；

2)在接收端，計算得到導頻位置的信道估計信息；

3)利用導頻位置的所述信道估計信息,依次進行內插、變換、濾波以得到有用數據的導頻位置的信道估計結果,完成信道估計，得到信道模型集合{H1,H2,H3,…}。

6.一種電子設備，包括存儲器單元和處理器單元，所述存儲器單元上存儲有計算機程序，其特征在于，所述處理器單元執行所述程序時實現如權利要求1至4之一所述的方法。