[发明专利]一种大规模MIMO下基于深度学习的码本选择方法

说明书

本发明涉及一种大规模MIMO(Multiple‑Input Multiple‑Output，多输入多输出)下基于深度学习的码本选择方法，属于无线通信技术领域。该方法包括：采集测试区的导频信息构建导频训练序列，进而得到导频训练样本；对导频训练样本进行神经网络迭代学习，得到最终的网络权重值；根据学习后的神经网络输出的信道，从完备码本中选出最优码字。之后将未知区与测试区进行信道信息匹配，得到其无线信道，进而得到与无线信道对应的码字。本发明能有效、准确、快速地建立无线信道模型与码本查询，避免了未知区的信道估计且大大降低了未知区信道选择码本的复杂度。

技术领域

本发明属于无线通信技术领域，涉及一种大规模MIMO(Multiple-InputMultiple-Output，多输入多输出)下基于深度学习的码本选择方法。

背景技术

任何一个通信系统，信道是必不可少的组成部分。无线信道为典型的“变参信道”,无线信道的特性与传播环境，如：地形、地物、气候特征、电磁干扰情况、通信体移动速度及使用的频段等密切相关。无线通信系统的通信能力、服务质量(Quality of Service，QoS)等都与无线信道性能的好坏密切相关。因此，要想在有限的频谱资源上尽可能高质量、大容量传输有用的信息，必须很好地掌握无线信道的特性，尤其在大数据时代，同时还要尽可能保证获取的无线信道的差错率较小。

无线信道模型是对无线传播环境及传播特性有了充分了解后，对无线信道的一个抽象描述，能很好地反映无线传播环境的一些重要性质。无线信道模型的建立主要依赖于信道探测。目前，现有的建立无线信道传播模型的方法有：统计性模型、确定性模型和半确定性模型。

但上述现有建立无线信道传播模型的方法存在一些缺点，如这些方法是依据电磁波传播理论，在一些简化条件下分析得出无线信道模型的建立方法。而实际移动传播环境是千变万化的，很大程度的限制了这些理论结果的应用范围，只能针对某个特定环境、单一链路进行，对高速移动场景下的信道特性、方向性信道特性描述的不够全面准确。另一方面，现有的信道模型的建立方法需要充分挖掘收发端的因果关系。其通过采集收发端的信号，分析接发信号建立收发两端的因果关系。因采集的样本有限，且基于假设条件，使得到的结果会受影响。在小数据时代，计算机能力不足，大部分分析仅限于寻求简单的线性关系。

大规模MIMO系统中，因天线数目庞大使得信道阵H维数迅速变大，基于非码本的预编码技术不再适用，而基于码本的线性预编码技术成了关注的焦点。目前常用的产生码本的方法有：基于Grassmannian subspace packing、DFT等。但前者在一般用穷尽搜索找寻最优码字，如随机搜索，交替预测，劳埃德迭代算法，这些算法的计算负担将随着发射天线数的增多急剧增大。而DFT在预编码矢量之间用系统的方式提供了高弦距离，但平均误码率却极易在发射天线遭受高空间相关性时收到影响。针对以上问题，提出一种低计算量、抗空间相关性的预编码方法已成为迫切需求。

发明内容

有鉴于此，本发明的目的在于提供一种大规模MIMO(Multiple-Input Multiple-Output，多输入多输出)下基于深度学习的码本选择方法，该方法能够有效地建立无线信道传播模型及码本查询。

为达到上述目的，本发明提供如下技术方案：

一种大规模MIMO下基于深度学习的码本选择方法，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；