[发明专利]一种基于深度学习的联合反馈和混合预编码设计方法

说明书

本发明涉及一种基于深度学习的联合反馈和混合预编码设计方法，首先计算出样本信道矩阵的最优预编码矩阵。将样本信道矩阵及其最优预编码矩阵作为数据集，设计深度学习模型并训练。将训练完成的深度学习模型拆分为压缩网络和编码网络两部分，压缩网络及其权重部署在接收端，编码网络及其权重部署在发送端。对于实时信道，接收端将信道矩阵输入压缩网络，得到压缩后的信道矩阵并反馈给发送端，发送端将压缩后的信道矩阵输入编码网络，得到实时信道的预编码矩阵。本发明利用深度学习技术，对信道状态信息进行压缩，接收端无需恢复原始信道信息即可进行预编码，既能得到较好的频谱效率，也减少了信道反馈的开销、预编码和硬件的复杂度。

技术领域

本发明涉及无线通信技术领域，具体为一种基于深度学习的联合反馈和混合预编码设计方法。

背景技术

随着无线技术的快速发展，30GHz到300GHz之间的毫米波频段受到越来越多的关注，由于毫米波频段丰富的频谱资源以及可以提高无线通信系统的吞吐量，下一代无线通信正朝着毫米波方向发展。此外，毫米波大规模MIMO被认为是提高无线通信系统吞吐量的潜在技术。毫米波大规模MIMO系统能够通过提供大阵列增益来提高频谱效率。然而，大规模天线、高分辨率模数转换器(ADC)/数模转换器(DAC)和全数字预编码方案将导致巨大的功耗和高昂的硬件成本。

目前，针对毫米波大规模MIMO系统提出混合预编码方案，该系统将空间处理分为射频(RF)域和数字基带(BB)域。混合预编码结构可以减少毫米波大规模MIMO系统所需的射频链数量，降低硬件开销，同时保持良好的性能。然而，不仅由于恒模约束使得混合预编码具有非凸性，而且混合预编码需要对变量进行联合优化，需要很高的计算开销，不适用于实际的通信系统。

在当前频分双工(FDD)MIMO系统中，用户端获取下行链路信道状态信息(ChannelState Information，CSI)，并通过反馈链路反馈给基站端，基站端通过反馈的CSI来对发送信息进行预编码，以减少多用户干扰，提高小区吞吐量。传统方法通常采用矢量量化或基于码本的方法来减少反馈开销。然而，这些方法所需的反馈开销与天线的数量成线性比例，在大规模MIMO系统中天线阵列数量众多的情况下，反馈开销会变得巨大，在实际通信系统中应用是不现实的。

为了将信道反馈和混合预编码问题进行联合优化，在取得良好性能的同时降低反馈开销以及混合预编码的复杂度，本发明提出了一种基于深度学习的联合反馈和混合预编码设计方法。

发明内容

本发明的目的在于提供一种基于深度学习的联合反馈和混合预编码设计方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于深度学习的联合反馈和混合预编码设计方法，包括以下步骤：

S1：接收端获取样本信道状态信息，计算样本信道矩阵的模拟、数字的预编码矩阵和组合矩阵。

S2：将样本信道矩阵及其预编码矩阵和组合矩阵作为数据集输入联合反馈和混合预编码的深度学习模型中训练。

S3：将训练完成的联合反馈和混合预编码的深度学习模型拆分为压缩网络和编码网络，将压缩网络及其权重部署在接收端，编码网络及其权重部署在发送端。

S4：接收端获取实时的信道状态信息，将实时信道矩阵输入压缩网络，得到压缩后的信道矩阵，将压缩后的信道矩阵反馈至发送端。

S5：发送端将接收到的反馈信息送入编码网络，得到实时信道矩阵的模拟、数字的预编码矩阵和组合矩阵，对发送数据进行混合预编码。

优选的，所述步骤S1中，样本信道矩阵的模拟、数字的预编码矩阵和组合矩阵计算方法如下：