[发明专利]一种基于深度学习信道预测的预编码方法

权利要求书

1.一种基于深度学习信道预测的预编码方法，其特征在于，包括以下步骤：

步骤1，采样并生成信道的原始数据集，对原始数据集中上行信道的原始矩阵和下行信道的原始矩阵均进行F范数数据预处理以及相位旋转处理，得到上行信道矩阵和下行信道矩阵；其中，F范数数据预处理的具体方式为：

式中，为原始矩阵，为经过F范数数据预处理后的矩阵；

相位旋转处理的具体方式为：

式中，为经过F范数数据预处理后的矩阵，表示中第一行第一列元素所对应的相位角，运算符表示将运算符之前矩阵中的每一个元素都除以运算符之后的值，表示处理后的矩阵；

步骤2，构建神经网络模型，设定为接收端天线数量，为发射端天线的数量，以大小为的上行信道的相关矩阵作为神经网络模型的输入，并以大小为的下行信道的相关矩阵作为神经网络模型的输出；

步骤3，以真实下行信道的相关矩阵作为标签，定义损失函数L：

其中，上标H表示矩阵的共轭转置，为真实的下行信道矩阵，为神经网络模型预测输出的下行信道矩阵，为的相关矩阵，为的相关矩阵，为F范数；

步骤4，利用反向传播对神经网络模型进行参数更新，参数的更新方式如下：

其中，为神经网络模型的参数，为学习率，为损失函数L对w的导数；

重复该步骤直到损失函数收敛，得到训练完成的神经网络模型；

步骤5，通过训练完成的神经网络模型预测下行信道矩阵，然后利用下式将其系数还原：

式中，为系数还原后的下行信道矩阵，为上行信道矩阵；

步骤6，将系数还原后的下行信道矩阵代入到WMMSE最小化加权均方误差预编码算法中，对预编码矩阵进行迭代计算，直至其收敛，得到最终的预编码矩阵，完成下行信道的预编码；具体方式为：

步骤601，采用随机初始化或迫零算法得到用户的预编码矩阵V的初始值；

步骤602，根据预编码矩阵V计算该用户的MMSE最小化均方误差接收机矩阵U以及该用户的加权矩阵W：

其中，m为求和变量，下标m和k均表示用户序号，1≤k≤K，K为用户总数，I为单位矩阵，H表示系数还原后的下行信道矩阵，E为用户的均方误差矩阵，上标H表示矩阵的共轭转置，Tr为矩阵的迹，上标-1表示对矩阵求逆；

步骤603，根据步骤602求得的U和W，依据下式更新V的值：

其中，m为求和变量，下标m和k均表示用户序号，为用户的权重；

步骤604，以迭代方式重复步骤602和603，直至V收敛，得到相应用户的预编码矩阵，完成下行信道的预编码。