[发明专利]基于双时间尺度和深度学习的天线系统预编码方法和装置

说明书

本申请提出了一种基于双时间尺度和深度学习的天线系统预编码方法和装置，该方法包括：构建长时间尺度DNN和短时间尺度DNN，构建的深度神经网络分别包括与大规模毫米波多输入多输出系统的收发机对应的多个子网络；通过训练数据对构建的深度神经网络进行训练；获取待传输的信号，通过训练完成的长时间尺度DNN进行高维导频估计和高维信道反馈，通过短时间尺度DNN进行低维导频估计和低维信道反馈；通过长时间尺度DNN根据高维原始信道矩阵进行模拟预编码和数字预编码，并通过短时间尺度DNN根据低维等效信道矩阵进行数字预编码。该方法可以降低信令开销，提高系统的鲁棒性，且对系统中的各个模块进行联合设计，降低了计算复杂度。

技术领域

本申请涉及无线通信技术领域，尤其涉及一种基于双时间尺度和深度学习的天线系统预编码方法和装置。

背景技术

随着无线网络的发展，无线数据业务爆发性地增长。为了应对随之而来的挑战，新一代的5G通信网络需要提供更大的带宽，更高的频谱效率，以及容纳更多的用户。而5G网络的兴起，伴随着用户数量及其所传输的数据量显著增大。其中，毫米波通信由于其巨大的带宽而被认为是5G无线网络中满足高数据速率传输要求的关键技术之一。毫米波的波长较短，使得系统可以部署数量足够多的阵列天线，其中大规模MIMO系统可以提供足够大的阵列增益，用于空间复用，从而提高系统容量，缓解无线电频谱短缺。但大规模MIMO系统在应用中需要进行预编码。然而，传统的全数字预编码需要为每个天线配置射频链路，成本高、能耗高。

相关技术中，为了解决这一问题，通常是采用混合模数预编码，即通过移相器将大量天线连接到较少的射频链路上。此外，信道估计和信道反馈是混合预编码设计中的两个重要问题。信道估计的方法主要有两类：(1)直接估计信道本身，比如最小二乘法；(2)用压缩感知的方法估计出信道参数，再根据这些参数对信道进行恢复。信道反馈方案主要分为两类：(1)利用信道状态信息的时空相关性来降低反馈开销；(2)基于码本的反馈方案。针对上述混合预编码系统，模拟预编码和数字预编码需要被精心设计，来逼近全数字预编码系统的性能。

然而，申请人发现，上述技术中，混合预编码系统大多将每个模块分开进行设计，每个模块具有较高的复杂度，存在诸如计算复杂度高、无法实时应用、需要对问题进行精确的数学建模和对抗环境变化的鲁棒性较差等问题。并且，已有的混合预编码算法大多数是基于高维瞬时信道的基础上提出的，在大规模天线场景下，获取高维信道矩阵会导致巨大的信令开销，造成严重的传输延迟和信道失配。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种基于双时间尺度和深度学习的天线系统预编码方法，该方法基于双时间尺度进行混合预编码，其中长时间尺度的模拟预编码基于信道统计特性得到，短时间尺度的数字预编码根据低维实时等效信道矩阵优化得到，可以降低信令开销，提高对由于传输延迟引起的信道失配的鲁棒性。并且，该方法通过深度学习框架对通信系统中的各个模块进行联合设计，实现端到端性能优化，提高了大规模MIMO系统的通信性能，并降低了混合预编码的计算复杂程度。

本申请的第二个目的在于提出一种基于双时间尺度和深度学习的天线系统预编码装置。

本申请的第三个目的在于提出一种非临时性计算机可读存储介质。

为达上述目的，本申请的第一方面实施例提出了一种基于双时间尺度和深度学习的天线系统预编码方法，包括以下步骤：

构建长时间尺度深度神经网络DNN和短时间尺度深度神经网络DNN，其中，长时间尺度DNN和短时间尺度DNN分别包括与大规模毫米波多输入多输出MIMO系统的收发机对应的多个子网络，所述多个子网络包括：接收端的信道估计子网络和信道反馈子网络，以及发送端的导频设计子网络和混合预编码子网络；

获取具有不同信噪比的训练数据，并通过所述训练数据对所述长时间尺度DNN和短时间尺度DNN进行训练，以优化网络参数；