[发明专利]信号传输方法、装置、电子设备及存储介质

权利要求书

1.一种信号传输方法，其特征在于，所述方法包括：

获取发射端与接收端之间的信道矩阵；

将所述信道矩阵输入至混合波束赋形模型进行处理，其中，所述混合波束赋形模型包括：奇异值分解模型和权重计算模型，所述奇异值分解模型是用于将所述信道矩阵分解为奇异特征值和奇异特征向量，所述权重计算模型是用于基于所述奇异特征值和所述奇异特征向量进行预测得到预编码权重值；

根据信道权重值将传输数据在天线阵列上进行混合波束赋形，向所述接收端发射所述传输数据相对应的输出信号；

其中，所述奇异值分解模型是通过以下步骤训练得到：

对接收端采集的输入信号进行分析，获得样本信道矩阵；

将所述样本信道矩阵输入至待训练的多层卷积神经网络模型，得到多个不同网络层输出的预测奇异特征值和预测奇异特征向量；

根据所述多个不同网络层输出的预测奇异特征值和预测奇异特征向量，计算所述奇异值分解模型的损失函数值；

根据所述奇异值分解模型的损失函数值对训练后的多层卷积神经网络模型的网络参数采用梯度下降方式进行优化，得到奇异值分解模型；

所述权重计算模型通过以下步骤训练得到：

获取所述奇异值分解模型输出的预测奇异特征向量和预测奇异特征值组成的预测信道矩阵；

将所述预测信道矩阵输入至待训练的深度神经网络模型，采用梯度下降的方式，并通过非线性量化器对模型输出进行归一化处理进行训练，得到预测模拟权重值和预测数字权重值；

根据所述预测模拟权重值和预测数字权重值计算训练后的深度神经网络模型的损失值；

在所述训练后的深度神经网络模型的损失值符合优化要求时，得到所述权重计算模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述多个不同网络层输出的预测奇异特征值和预测奇异特征向量，计算所述奇异值分解模型的损失函数值，包括：

将所述多个不同网络层输出的预测奇异特征值和预测奇异特征向量输入至以下公式所示的损失函数计算所述奇异值分解模型的损失函数值：

其中，所述奇异值分解模型的损失函数，所述H_k表示第k个样本信道矩阵，所述表示第k个网络层输出的预测奇异特征值，所述表示第i个预测左奇异特征向量，所述表示第j个预测左奇异特征向量，所述表示第i个预测右奇异特征向量，所述第j个预测右奇异特征向量，所述λ₁与λ₂表示非负的常数，所述(θ₁,θ₂,…,θ_k)表示网络参数。

3.根据权利要求2所述的方法，其特征在于，所述根据所述奇异值分解模型的损失函数值对训练后的多层卷积神经网络模型的网络参数采用梯度下降方式进行优化，得到奇异值分解模型，包括：

将所述奇异值分解模型的损失函数值输入至以下公式调整网络参数，并进行迭代训练得到奇异值分解模型：

其中，所述Θ＝(θ₁,θ₂,…,θ_k)表示网络参数，t表示迭代次数，γ表示网络的学习率，表示所述奇异值分解模型的损失函数值。

4.根据权利要求1所述的方法，其特征在于，所述根据所述预测模拟权重值和预测数字权重值计算训练后的深度神经网络模型的损失值，包括：

将所述预测模拟权重值和预测数字权重值输入以下公式所述的损失函数，得到所述训练后的深度神经网络模型的损失值：

其中，所述表示训练后的深度神经网络模型的损失值，所述H_L表示预测信道矩阵，所述表示所述预测模拟权重值和预测数字权重值对信道矩阵赋权后的信道矩阵，所述表示第i个预测数字预编码权重值，所述表示第j个预测数字预编码权重值，所述表示第i个模拟预编码权重值，所述表示第j个模拟预编码权重值，所述λ₁与λ₂表示非负的常数，所述(θ)表示网络参数。