[發明專利]大規模MIMO魯棒WMMSE預編碼器及其深度學習設計方法

有效

• 申請號: 202210201409.4
• 申請日: 2022-03-03
• 公開（公告）號: CN114567358B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 高西奇;是鈞超;仲文;盧安安
• 申請（專利權）人: 東南大學
• 主分類號: H04B7/0456
• 分類號: H04B7/0456;H04B7/0426;H04L25/02;G06N3/0464;G06N3/08
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 沈廉

本發明公開了大規模MIMO魯棒WMMSE預編碼器及其深度學習設計方法，基站利用各用戶終端的信道估計值和信道估計誤差的統計參數，依據所有用戶的遍歷和速率或遍歷和速率下界最大化準則，通過魯棒WMMSE預編碼器的迭代設計或深度學習設計方法，計算與每個用戶終端相應的預編碼矢量進行下行魯棒WMMSE預編碼傳輸。迭代設計采用塊坐標下降方法，依次迭代更新統計魯棒接收機、權值參數和預編碼矢量，從而最大化遍歷和速率下界；深度學習設計方法基于由低維特征參數確定的預編碼矢量結構，先通過神經網絡計算低維特征參數，再通過該結構計算預編碼矢量，下行預編碼在各種天線配置下，以較低的計算復雜度達到接近最優的可達和速率性能。

技術領域

本發明涉及無線通信下行預編碼，尤其涉及大規模MIMO魯棒WMMSE預編碼器及其深度學習設計方法。

背景技術

大規模多輸入多輸出(MIMO,massive?multiple-input-multiple-output)可以通過在基站(BS,base?station)配置大規模天線為大量用戶提供高效的通信服務。BS可以通過預編碼預處理發送信號以減輕用戶間干擾。

傳統的預編碼器，如正則化迫零(RZF,regularized?zero-forcing)和信漏噪比(SLNR,signal-to-leakage-and-noise?ratio)可以獲得次優的和速率性能；加權最小均方誤差(WMMSE,weightedminimummean-square-error)預編碼器可以最大化和速率，但由于每次迭代都涉及矩陣求逆，計算量較大，因此需要進一步降低計算復雜度。

當信道狀態信息(CSI，channel?state?information)較為準確時，上述預編碼器可以取得良好的性能。然而，獲取準確的CSI需要大量的導頻開銷，這在大規模MIMO中具有挑戰性。此外，在高速公路等高移動性場景中，信道相干時間較短，可能會導致信道過時，更難以獲得準確的CSI。在這種情況下，基于準確的CSI的預編碼器可能出現嚴重的性能退化。隨機WMMSE通過對信道樣本多次迭代以對抗CSI的不準確性，但每次迭代都涉及矩陣求逆運算，其計算負擔需要進一步減輕。

近年來，由于深度學習在多個領域的成功應用，它在無線通信領域的應用也得到了積極探索。深度學習可以通過離線訓練以降低在線的計算復雜度，以改進現有預編碼器的性能。

發明內容

發明目的：本發明的目的是提供一種大規模MIMO魯棒WMMSE預編碼器及其深度學習設計方法，以克服現有技術的不足，達到接近最優的遍歷和速率性能，并降低計算復雜度。

技術方案：為實現上述發明目的，本發明的大規模MIMO魯棒WMMSE預編碼器及其深度學習設計方法采用如下技術方案：

基站利用各用戶終端的信道估計值和信道估計誤差的統計參數，依據所有用戶的遍歷和速率或遍歷和速率下界最大化準則，通過魯棒WMMSE預編碼器的迭代設計或深度學習設計方法，在用戶終端的移動過程中，動態更新與每個用戶終端相應的預編碼矢量，以進行下行預編碼傳輸；

其中：所述的信道估計值通過各個用戶周期性發送的導頻信號獲取，所述的信道估計誤差的統計參數通過對信道估計值進行統計獲取。

所述的迭代設計包括：當用戶終端采用統計魯棒接收機時，其最小均方誤差的對數和所述的遍歷和速率下界互為相反數；利用這個性質，遍歷和速率下界最大化問題等價轉化為加權均方誤差最小化問題，該問題的目標函數和約束集合都是凸的；通過推導一階最優性條件，采用塊坐標下降方法求解該問題，即依次迭代更新統計魯棒接收機、權值參數和預編碼矢量，直至收斂；