[發明專利]信號傳輸方法、裝置、電子設備及存儲介質

有效

• 申請號: 202210181731.5
• 申請日: 2022-02-25
• 公開（公告）號: CN114448478B
• 公開（公告）日: 2023-06-09
• 發明（設計）人: 張志鋒;劉鶴
• 申請（專利權）人: 北京京東方傳感技術有限公司;京東方科技集團股份有限公司
• 主分類號: H04B7/0426
• 分類號: H04B7/0426;H04B7/0456;G06N3/0464;G06N3/084
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 李娜

1.一種信號傳輸方法，其特征在于，所述方法包括：

獲取發射端與接收端之間的信道矩陣；

將所述信道矩陣輸入至混合波束賦形模型進行處理，其中，所述混合波束賦形模型包括：奇異值分解模型和權重計算模型，所述奇異值分解模型是用于將所述信道矩陣分解為奇異特征值和奇異特征向量，所述權重計算模型是用于基于所述奇異特征值和所述奇異特征向量進行預測得到預編碼權重值；

根據信道權重值將傳輸數據在天線陣列上進行混合波束賦形，向所述接收端發射所述傳輸數據相對應的輸出信號；

其中，所述奇異值分解模型是通過以下步驟訓練得到：

對接收端采集的輸入信號進行分析，獲得樣本信道矩陣；

將所述樣本信道矩陣輸入至待訓練的多層卷積神經網絡模型，得到多個不同網絡層輸出的預測奇異特征值和預測奇異特征向量；

根據所述多個不同網絡層輸出的預測奇異特征值和預測奇異特征向量，計算所述奇異值分解模型的損失函數值；

根據所述奇異值分解模型的損失函數值對訓練后的多層卷積神經網絡模型的網絡參數采用梯度下降方式進行優化，得到奇異值分解模型；

所述權重計算模型通過以下步驟訓練得到：

獲取所述奇異值分解模型輸出的預測奇異特征向量和預測奇異特征值組成的預測信道矩陣；

將所述預測信道矩陣輸入至待訓練的深度神經網絡模型，采用梯度下降的方式，并通過非線性量化器對模型輸出進行歸一化處理進行訓練，得到預測模擬權重值和預測數字權重值；

根據所述預測模擬權重值和預測數字權重值計算訓練后的深度神經網絡模型的損失值；

在所述訓練后的深度神經網絡模型的損失值符合優化要求時，得到所述權重計算模型。

2.根據權利要求1所述的方法，其特征在于，所述根據所述多個不同網絡層輸出的預測奇異特征值和預測奇異特征向量，計算所述奇異值分解模型的損失函數值，包括：

將所述多個不同網絡層輸出的預測奇異特征值和預測奇異特征向量輸入至以下公式所示的損失函數計算所述奇異值分解模型的損失函數值：

其中，所述奇異值分解模型的損失函數，所述H_k表示第k個樣本信道矩陣，所述表示第k個網絡層輸出的預測奇異特征值，所述表示第i個預測左奇異特征向量，所述表示第j個預測左奇異特征向量，所述表示第i個預測右奇異特征向量，所述第j個預測右奇異特征向量，所述λ₁與λ₂表示非負的常數，所述(θ₁,θ₂,…,θ_k)表示網絡參數。

3.根據權利要求2所述的方法，其特征在于，所述根據所述奇異值分解模型的損失函數值對訓練后的多層卷積神經網絡模型的網絡參數采用梯度下降方式進行優化，得到奇異值分解模型，包括：

將所述奇異值分解模型的損失函數值輸入至以下公式調整網絡參數，并進行迭代訓練得到奇異值分解模型：

其中，所述Θ＝(θ₁,θ₂,…,θ_k)表示網絡參數，t表示迭代次數，γ表示網絡的學習率，表示所述奇異值分解模型的損失函數值。

4.根據權利要求1所述的方法，其特征在于，所述根據所述預測模擬權重值和預測數字權重值計算訓練后的深度神經網絡模型的損失值，包括：

將所述預測模擬權重值和預測數字權重值輸入以下公式所述的損失函數，得到所述訓練后的深度神經網絡模型的損失值：

其中，所述表示訓練后的深度神經網絡模型的損失值，所述H_L表示預測信道矩陣，所述表示所述預測模擬權重值和預測數字權重值對信道矩陣賦權后的信道矩陣，所述表示第i個預測數字預編碼權重值，所述表示第j個預測數字預編碼權重值，所述表示第i個模擬預編碼權重值，所述表示第j個模擬預編碼權重值，所述λ₁與λ₂表示非負的常數，所述(θ)表示網絡參數。