[发明专利]信号传输方法、装置、电子设备及存储介质

说明书

本公开提供的信号传输方法、装置、电子设备及存储介质，属于通信技术领域。所述方法包括：获取发射端与接收端之间的信道矩阵；将信道矩阵输入至混合波束赋形模型进行处理，其中，混合波束赋形模型包括：奇异值分解模型和权重计算模型，奇异值分解模型是用于将信道矩阵分解为奇异特征值和奇异特征向量，权重计算模型是用于基于奇异特征值和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，向接收端发射传输数据相对应的输出信号。本公开基于深度神经网络进行信道矩阵的奇异值分解，大大地减少了预编码权值计算过程中涉及到的计算复杂度，简化了混合波束赋形系统的计算流程提升了系统工作效率。

技术领域

本公开属于计算机领域，特别涉及一种信号传输方法、装置、电子设备及存储介质。

背景技术

混合波束赋形(Hybrid Beamforming，HBF)是波束赋形技术中的一种，其是通过联合数字波束赋形(Digital Beamforming,DBF)和模拟波束赋形(Analog Beamforming,ABF)，调整天线阵列的权值系数使阵列产生指向性波束，可以有效地减少毫米波通信系统中射频链路的数量，降低硬件成本。

但是混合束波赋形技术需要获得每个发射和接收天线之间的信号状态信息，这将占用大量的频谱资源，而且随着毫米波段的天线数不断增加，信道信息估计的计算量和复杂度也大大提升。

发明内容

本公开提供的一种信号传输方法、装置、电子设备及存储介质。

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；

根据所述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。

可选地，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。

可选地，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。

可选地，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：