[发明专利]一种大规模MIMO下基于深度学习的码本选择方法

权利要求书

1.一种大规模MIMO下基于深度学习的码本选择方法，其特征在于：该方法包括以下步骤：

S1：信息采集步骤：由信息采集系统采集测试区内用户端的导频信息；

S2：获取训练样本：根据导频信息构建导频训练序列，进而得到导频训练样本；

S3：初始化神经网络：初始化神经网络模型参数；

S4：神经网络学习：由导频训练样本进行神经网络深度学习，得到最终的网络权重值；

S5：构造完备码本：用改进的DFT(Discrete Fourier Transform，离散傅里叶变换)方法构造适合所有信道状态的码本；

S6：码字选择：根据学习后的神经网络输出的信道，从完备码本中进行码字选择；

S7：相关关系的建立：构建所述测试区的导频信息与无线信道特性信息间的相关关系；

S8：信道匹配步骤：将未知区的信道与已有的无线信道匹配，进而选出未知区的信道对应的码字。

2.根据权利要求1所述的一种大规模MIMO下基于深度学习的码本选择方法，其特征在于：在步骤S1中，在进行信息采集时将测试区分为四类：郊区宏小区(suburban macro)、市区宏小区(urban macro,UM-a)、市区微小区(urban micro,UM-i)和高速场景(high risescenario)。

3.根据权利要求2所述的一种大规模MIMO下基于深度学习的码本选择方法，其特征在于：在步骤S3中，所述初始化神经网络模型参数具体包括：学习率η，偏置值δ，输入层i节点与隐含层j节点的权值系数ω_ij∈(0,1)，隐含层j与输出层节点k的权值系数ω_jl∈(0,1)，其中i,j,k∈N⁺，N⁺为正整数，且∑|ω|＝M(M是常数)，最大迭代次数l_max，误差初值e＝0，神经元激活函数f(.)采用阈值函数、线性函数或Sigmoid函数。

4.根据权利要求3所述的一种大规模MIMO下基于深度学习的码本选择方法，其特征在于：在步骤S4中，所述神经网络深度学习具体包括：

S41：导频训练样本P作为神经网络的输入,信道阵H＝[H₀,H₁,...,H_N]为神经网络的估计目标值，为神经网络的估计输出值；

S42：由模型输出与目标值间的最大误差τ_max、最大迭代次数及权重值约束条件进行参数的深度训练，直到得到满足精度要求；

S43：每进行一次，迭代次数加1即l＝l+1；当迭代次数l≤l_max或e(l)≤τ_max(τ_max最大误差)时结束训练，否则返回步骤S42；

S44：经步骤S41、S42、S43后获得目标更新的权值系数；学习阶段完成后，神经网络利用测试区的导频P来估计并将储存到基于Spark集群的Shark数据库中，Shark数据库为用户提供信道信息的查询服务。

5.根据权利要求4所述的一种大规模MIMO下基于深度学习的码本选择方法，其特征在于：在步骤S5中，所述用改进的DFT方法构造适合所有信道状态的码本如下：

F＝WF_DFT

其中，F_DFT为傅立叶变换码本，F为修改后的傅立叶变换码本，M_t为发射天数，W(∈M_t×M_t)是酉矩阵，满足U＝W∑V^H(U∈(M_t×M_t)可进行奇异值分解，其元素u_k服从0均值、1方差的独立同分布的复高斯分布，即u_k～CN(0,1))。