[发明专利]一种无蜂窝大规模MIMO智能分布式波束选择方法

说明书

本发明公开了一种无蜂窝大规模MIMO智能分布式波束选择方法。各基站训练本地无监督网络，基于完整信道状态信息的低开销表征，如同步信号块波束的接收信号强度指示，进行波束空间的压缩，提高波束选择的效率；将各基站划分为多个包含少量共有基站的局部协作集，并利用博弈等分布式算法，实现低开销联合波束选择；结果进一步返回各基站，利用有监督学习实现基于本地低开销信道表征的自主波束选择。本发明利用无监督学习压缩波束空间，而非直接映射波束选择，可显著降低学习难度。同时，引入局部协作集并利用分布式算法执行有效的联合波束选择，可为无监督学习提供有效的训练损失函数，同时提供显式标签帮助系统实现分布式联合波束选择。

技术领域

本发明涉及一种面向无蜂窝大规模MIMO系统的协同有监督、无监督机器学习与局部协作基站集构造的分布式波束选择方法，属于无线通信网络优化和智能通信领域。

背景技术

同已经商用的大规模MIMO系统类似，无蜂窝大规模MIMO系统也需要合理的预编码设计，伴随而至的挑战在于：充分挖掘系统的协作传输增益需要多基站与中心单元之间进行大量CSI交互，带来难以承受的前传链路压力。

相较于无蜂窝大规模MIMO的全数字预编码设计，混合预编码技术可以通过降低对基站侧所需射频通道数的要求，显著减小系统能耗与实现成本。特别是在射频采用高频频段如毫米波的场景，这一优势更加明显。例如有学者以最大化毫米波无蜂窝大规模MIMO系统的加权和速率为目标，提出了一种低复杂度的混合预编码算法。在单基站发射功率约束和模拟预编码器的移相器恒模约束下，构建了优化问题并提出了一种迭代式的块坐标下降算法。

但是已有的无蜂窝大规模MIMO混合预编码方案主要基于基站侧可以获得完整下行天线域CSI的显式估计为前提，考虑到实际系统中基站侧只具有远少于天线数的射频通道数，特别是毫米波频段的信道估计在没有波束成形增益的帮助下，容易工作在低信噪比区间，都对上述混合预编码的先验CSI条件提出了挑战。除了上述CSI条件约束外，面向无蜂窝大规模 MIMO的混合预编码设计同样面临严峻的计算复杂度挑战。即使是在传统大规模MIMO系统中，由于混合预编码计算本身存在的非凸特性与移相器恒幅约束，基于矩阵分解或交替优化等技术的典型方案也存在实现复杂度过高且最优性无法保证等问题。因此，有学者提出了基于深度学习的大规模MIMO混合预编码的设计，基本设计思想是利用传统优化方案基于完整天线域CSI获得混合预编码设计作为学习标签，再训练深度神经网络获得完整天线域CSI与混合预编码设计的映射关系。针对有监督学习方案存在的学习标签获取代价过高的问题，也有学者提出利用无监督学习实现混合预编码设计的智能搜索式设计，但所采用的端到端混合预编码策略直接映射方式往往对网络设计与训练样本数具有较高要求。上述问题在波束空间巨大的无蜂窝大规模MIMO场景尤为严重。

因此，针对无蜂窝大规模MIMO系统的混合预编码设计问题，如何更好的结合有监督与无监督学习辅助进行方案设计，如何解决混合预编码设计解空间过大带来的标签设计以及网络设计问题，以及如何设计合适的分布式训练框架实现更高效的本地化决策，以减小协作基站之间的消息交互开销等，亟待深入研究。

发明内容

技术问题：本发明涉及一种无蜂窝大规模MIMO智能分布式波束选择方法，具体是一种面向无蜂窝大规模MIMO系统的协同有监督、无监督机器学习与局部协作基站集构造的分布式波束选择方法，本发明主要为了放松无蜂窝大规模MIMO系统的波束选择对CSI条件的要求，以及降低为取得良好协作传输增益需要的基站间交互开销。

技术方案：本发明的一种无蜂窝大规模MIMO智能分布式波束选择方法，包括如下步骤：

步骤1，在方案训练阶段，各协作基站分别搜集多用户的低开销等效信道状态信息(Channel State Information,CSI)，如针对同步信号块SSB波束的接收信号强度指示(Received Signal Strength Indication，RSSI)信息等，利用基站本地的学习网络输出压缩后的波束空间，具体的波束选择问题，典型如混合预编码中基于码本的模拟预编码设计。