[发明专利]大规模MIMO鲁棒WMMSE预编码器及其深度学习设计方法

说明书

本发明公开了大规模MIMO鲁棒WMMSE预编码器及其深度学习设计方法，基站利用各用户终端的信道估计值和信道估计误差的统计参数，依据所有用户的遍历和速率或遍历和速率下界最大化准则，通过鲁棒WMMSE预编码器的迭代设计或深度学习设计方法，计算与每个用户终端相应的预编码矢量进行下行鲁棒WMMSE预编码传输。迭代设计采用块坐标下降方法，依次迭代更新统计鲁棒接收机、权值参数和预编码矢量，从而最大化遍历和速率下界；深度学习设计方法基于由低维特征参数确定的预编码矢量结构，先通过神经网络计算低维特征参数，再通过该结构计算预编码矢量，下行预编码在各种天线配置下，以较低的计算复杂度达到接近最优的可达和速率性能。

技术领域

本发明涉及无线通信下行预编码，尤其涉及大规模MIMO鲁棒WMMSE预编码器及其深度学习设计方法。

背景技术

大规模多输入多输出(MIMO,massive multiple-input-multiple-output)可以通过在基站(BS,base station)配置大规模天线为大量用户提供高效的通信服务。BS可以通过预编码预处理发送信号以减轻用户间干扰。

传统的预编码器，如正则化迫零(RZF,regularized zero-forcing)和信漏噪比(SLNR,signal-to-leakage-and-noise ratio)可以获得次优的和速率性能；加权最小均方误差(WMMSE,weightedminimummean-square-error)预编码器可以最大化和速率，但由于每次迭代都涉及矩阵求逆，计算量较大，因此需要进一步降低计算复杂度。

当信道状态信息(CSI，channel state information)较为准确时，上述预编码器可以取得良好的性能。然而，获取准确的CSI需要大量的导频开销，这在大规模MIMO中具有挑战性。此外，在高速公路等高移动性场景中，信道相干时间较短，可能会导致信道过时，更难以获得准确的CSI。在这种情况下，基于准确的CSI的预编码器可能出现严重的性能退化。随机WMMSE通过对信道样本多次迭代以对抗CSI的不准确性，但每次迭代都涉及矩阵求逆运算，其计算负担需要进一步减轻。

近年来，由于深度学习在多个领域的成功应用，它在无线通信领域的应用也得到了积极探索。深度学习可以通过离线训练以降低在线的计算复杂度，以改进现有预编码器的性能。

发明内容

发明目的：本发明的目的是提供一种大规模MIMO鲁棒WMMSE预编码器及其深度学习设计方法，以克服现有技术的不足，达到接近最优的遍历和速率性能，并降低计算复杂度。

技术方案：为实现上述发明目的，本发明的大规模MIMO鲁棒WMMSE预编码器及其深度学习设计方法采用如下技术方案：

基站利用各用户终端的信道估计值和信道估计误差的统计参数，依据所有用户的遍历和速率或遍历和速率下界最大化准则，通过鲁棒WMMSE预编码器的迭代设计或深度学习设计方法，在用户终端的移动过程中，动态更新与每个用户终端相应的预编码矢量，以进行下行预编码传输；

其中：所述的信道估计值通过各个用户周期性发送的导频信号获取，所述的信道估计误差的统计参数通过对信道估计值进行统计获取。

所述的迭代设计包括：当用户终端采用统计鲁棒接收机时，其最小均方误差的对数和所述的遍历和速率下界互为相反数；利用这个性质，遍历和速率下界最大化问题等价转化为加权均方误差最小化问题，该问题的目标函数和约束集合都是凸的；通过推导一阶最优性条件，采用块坐标下降方法求解该问题，即依次迭代更新统计鲁棒接收机、权值参数和预编码矢量，直至收敛；