[发明专利]一种基于深度学习信道预测的预编码方法

说明书

本发明公开了一种基于深度学习信道预测的预编码方法，属于信道预编码技术领域。该方法包括：分别对上行信道和下行信道进行F范数标准化以实现数据预处理；构建神经网络的输入输出方案：采用上行信道作为模型输入，以下行信道作为模型输出；采用损失函数计算网络损失；利用反向传播对所设计的网络模型进行参数更新，并重复该步骤；将网络预测输出的下行信道通过WMMSE计算得到预编码矩阵。本发明能实现利用有限的上行信道信息对下行信道进行预编码，从而避免大量的通信开销和时间延迟。

技术领域

本发明涉及信道预编码技术领域，具体为一种基于深度学习信道预测的预编码方法。

背景技术

大多数对于波束赋形方法的科学研究都是基于一个基本前提条件，即拥有精确和完整的下行信道。然而在实际系统中，由于通常无法获得完美的下行信道状态信息(Channel State Information,CSI)，所以实际的波束赋形算法是基于估计的CSI进行计算的。特别是在频分双工(Frequency-Division Duplexing,FDD)系统中，需要将完整的下行信道CSI发送回基站(Base Station，BS)，从而面临着大量的通信开销和时间延迟，这是5GFDD系统实时通信的一个重大挑战。为此，越来越多的研究者开始研究如何利用有限的信息来预测下行信道并进行预编码。

通过将降噪卷积神经网络(Denoising Convolutional Neural Network)与信号恢复算法相结合，He等人于2018年提出了一种基于降噪的近似消息传递网络，该网络可以利用部分射频链信息取得良好的性能。Soltani等人于2019年提出了ChannelNet，其将衰落信道的时频响应视为一个二维图像，并应用超分辨率和图像恢复(IR)算法根据部分已知导频值获得完整的CSI信息。然而这些信道预测方法通常关注于预测信道响应值中的未知部分，这意味着仍然存在发送下行信道的主要部分而导致的时间延迟。与上述方法不同，Arnold等人于2019发表了论文“Enabling FDD Massive MIMO through Deep Learning-based Channel Prediction”(以下简称Arnold2019)，其通过深度神经网络以实现在SISO和MIMO场景中仅仅利用上行CSI来估计下行CSI，从而克服FDD大规模MIMO需要大量信道反馈的限制。而通过神经网络来对信道进行预测，可以不需要任何先验知识的储备。

然而，当前技术方法在信道预测问题上有两个方面的技术缺陷和不足：

1)信道系数的较大差异使得网络难以快速稳定得训练和收敛；

2)需要构建更直观的信道预测和预编码之间的问题关联。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于深度学习信道预测的预编码方法。该方法利用上下行信道数据集，构建深度学习模型，从而利用有限的上行信道信息对下行信道进行预测和预编码。

本发明的目的是通过以下技术方案来实现的：

一种基于深度学习信道预测的预编码方法，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；

步骤2，构建神经网络模型，设定N_R为接收端天线数量，N_T为发射端天线的数量，以大小为(N_R，N_T)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(N_R，N_T)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：