[发明专利]自适应预编码模型训练方法、自适应预编码方法和基站

说明书

本申请提供一种自适应预编码模型训练方法、自适应预编码方法和基站。该自适应预编码模型训练方法包括：基于用户的接收信号的第一协方差矩阵，确定所述接收信号的信干噪比和误比特率的关系图；将所述关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应的关联处理；其中，经过所述关联处理后的颜色图谱中包含用户信道的特征信息；对经过预训练的卷积神经网络中的全连接层进行重新创建，并基于经过所述关联处理的颜色图谱对重新创建的全连接层进行训练，得到自适应预编码模型。

技术领域

本申请实施例属于通信技术领域，尤其涉及一种自适应预编码模型训练方法、自适应预编码方法和基站。

背景技术

在未来的5G甚至是6G时代，通信系统将会工作在毫米波频段(30～300GHz)，毫米波波段有着丰富的频谱资源，而且因为毫米波工作频率很高，波长很短，可以在基站上面布置更多的天线，利用超大规模阵列天线系统提高系统的增益，补偿传播损耗。

在未来的毫米波超大规模阵列天线系统中，已知信道状态信息，对发送信号进行预编码处理可以进一步提高系统的频谱效率。而且随着人工智能技术的发展，未来的通信系统将会更加智能化，根据历史大数据的训练，可以得到不同业务在不同信道下的历史编码信息，那么对于新产生的业务就可以使用卷积神经网络训练出来的预编码，可以大大提高用户的网络利用率。

技术问题

现有技术中，采用卷积神经网络训练都需要非常多的标注信息，并且所需要的训练时间可能要几天甚至几周的时间。另外，如果训练集合过少的话，还会造成过拟合的问题。

技术解决方案

本申请实施例一方面提供一种自适应预编码模型训练方法，其包括：

基于用户的接收信号的第一协方差矩阵，确定所述接收信号的信干噪比和误比特率的关系图；

将所述关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应的关联处理；其中，经过所述关联处理后的颜色图谱中包含用户信道的特征信息；

对经过预训练的卷积神经网络中的全连接层进行重新创建，并基于经过所述关联处理的颜色图谱对重新创建的全连接层进行训练，得到自适应预编码模型。

在一个实施例中，所述基于用户的接收信号的第一协方差矩阵，确定所述接收信号的信干噪比和误比特率的关系图，包括：

对所述第一协方差矩阵的整体平方相关性进行最小化处理，得到所述接收信号的信干噪比和误比特率的关系图。

在一个实施例中，所述第一协方差矩阵包含所述接收信号的干扰加噪声的第二协方差矩阵和用户的编码序列；

所述对所述第一协方差矩阵的整体平方相关性进行最小化处理，得到所述接收信号的信干噪比和误比特率的关系图，包括：

设置每个用户的初始编码序列；

对各个用户的初始编码序列和第二协方差矩阵进行迭代更新，直至各个用户的第一协方差矩阵的整体平方相关性收敛，得到各个用户的最优编码序列；

根据各个用户的最优编码序列，得到所述接收信号的信干噪比和误比特率的关系图。

在一个实施例中，所述第一协方差矩阵的整体平方相关性为：

其中，s_l为用户l的预编码序列，R_l为第二协方差矩阵且每个用户的初始编码序列为s_l(0),l＝1,2,...,L；

所述对各个用户的初始编码序列和第二协方差矩阵进行迭代更新，包括：

通过

和