基于残差神经网络的混合波束赋形矩阵优化方法专利检索-信噪比信号处理专利检索查询-专利查询网

基于残差神经网络的混合波束赋形矩阵优化方法

阅读：1022发布：2020-06-10

专利汇可以提供基于残差神经网络的混合波束赋形矩阵优化方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于残差神经网络的混合波束赋形矩阵优化方法，该算法主要分为模型建立和神经网络训练两个阶段:模型建立阶段主要是在5G通信系统状态下，所创建的混合波束赋形系统模型。神经网络训练阶段是将所创建的信道矩阵和其相应的混合波束赋形矩阵联合构成残差神经网络的训练验证集，以此训练出相应的残差网络。在此基础上，当通过估计算法得到的信道矩阵输入到训练好的神经网络后，网络将快速计算出所对应的混合波束赋形矩阵参数，从而完成矩阵对应的MIMO天线的调整，最终获得优化过的波束赋形通信系统。该过程所需的时间和复杂度比起其他优化算法来说将有效减少，而结果却很相似。，下面是基于残差神经网络的混合波束赋形矩阵优化方法专利的具体信息内容。

权利要求

1.基于残差神经网络的混合波束赋形矩阵优化方法，其特征是，包括如下步骤：
1)建立混合波束赋形系统模型，确定其优化条件；
2)将信道输入混合波束赋形系统模型，根据优化条件得到混合波束赋形矩阵；
3)创建残差神经网络，以信道及其对应的混合波束赋形矩阵作为样本，构造样本集，训练残差神经网络，得到多任务卷积残差神经网络；
4)根据新的输入信号估计出信道矩阵，将信道输入多任务卷积残差神经网络，得到混合波束赋形矩阵。
2.根据权利要求1所述的基于残差神经网络的混合波束赋形矩阵优化方法，其特征是，所述步骤1)中所述混合波束赋形系统模型为：
K为接收端用户数量， Hk、 Xk、nk分别为第k个用户的接收端数
字波束赋形矩阵、接收端模拟波束赋形矩阵、信道矩阵、发送端模拟波束赋形矩阵、发送端数字波束赋形矩阵、输入信号和服从正态分布的噪声向量；
以使系统的信噪比最大来实现混合波束赋形系统模型最优化，具体描述为：
其中，ηk表示用户k的优先级，γk为用户k的信噪比，具体表示为：
3.根据权利要求1所述的基于残差神经网络的混合波束赋形矩阵优化方法，其特征是，步骤3)的具体步骤包括：
31)创建卷积残差神经网络，网络模型包括权重参数、偏差参数、Batch归一化的学习参数、网络层数、每层网络的神经元数、训练样本、训练周期，以及一些超参：学习率、正则化参数、Adam 算法里的相关系数；
32)在共享多层神经网络后，产生四个分支各自进行相应的网络层建立；
33)初始化相关参数，输入训练样本集，得到对应的网络输出
34)各分支进行损失函数的创建，最后将损失函数联合作为最终的代价函数，以此反向传播得到最优的网络参数。

说明书全文

基于残差神经网络的混合波束赋形矩阵优化方法

技术领域

[0001] 本发明涉及一种基于残差神经网络的混合波束赋形矩阵优化方法，属于无线通讯技术领域。

背景技术

[0002] 随着5G商用的不断发展，MIMO技术逐步成熟，基站发射端已经达到数百个天线阵列。在4G系统中，天线数目不是很多，往往采用数字波束赋形技术，因为可以精确地调节传输信号的幅度和相位，每根天线也都配置了独立的射频链路。但到了5G系统中，考虑成本、功耗等因素，每个天线配置一套射频链路已经不现实，所以基本采用的是数字波束赋形结合模拟波束赋形的混合波束赋形的方式来降低射频链路的数目需求。

[0003] 在5G波束赋形的基础上，建立相应的系统传输模型，然后通过各种传统的优化算法不断地进行迭代，以求得发送、接收端各天线的波束赋形矩阵。这些方法虽然可以取得很好的系统性能，但计算复杂度高，相应的时延也大，明显不太能满足5G时代提出的超低时延的要求。而深度学习帮助解决了该问题，通过搜集的训练集进行深度神经网络的线下训练，并采用一些极为有效的神经网络模型，就可以保证在线上实施时达到要求的系统性能的情况下，很好地缩减传输信号达到最优波束赋形所需的时延。

发明内容

[0004] 为解决现有技术的不足，本发明的目的在于提供一种基于残差神经网络的混合波束赋形矩阵算法，解决传统优化算法收敛慢，训练过程较长的问题，可以在保证系统性能的情况下，节约大量的时间成本。

[0005] 为了实现上述目标，本发明采用如下的技术方案：

[0006] 一种基于残差神经网络的混合波束赋形矩阵优化方法，包括如下步骤：

[0007] 1)建立模型获得相应训练测试集：

[0008] 在目前的5G无线通信网络中，MIMO技术得到大规模应用，由此衍生的波束赋形技术解决了天线波长短、衰减强的问题。根据系统天线模型，本发明综合输入信号、数字波束赋形、射频链、模拟波束赋形、信道等因素创建了符合实际情况的混合波束赋形通信系统。

[0009] 2)残差神经网络建立：

[0010] 深度学习中的卷积残差神经网络可以在解决神经网络稀疏性的情况下，克服了由于网络深度加深，导致的学习率降低，准确度无法提升的问题。本发明结合模型所得到的训练集，在残差神经网络的基础上，设计一个多任务学习的网络模型。该模型首先共用一部分共享层网络，接着分开形成四个各自的分支网络，得到相应的四个网络输出矩阵，即波束赋形矩阵，最后结合四个分支网络的损失函数做最小值的优化，训练出每一层的网络参数。

[0011] 作为发明的进一步解决方案，所述步骤1)的具体步骤为：

[0012] 11)结合大尺度衰落和小尺度衰落等综合影响，估计出信道系数H；

[0013] 12)根据信道系数H，结合输入信号X，发射天线中的数字波束赋形矩阵Fdt，模拟波束赋形矩阵Fat，接收天线中的模拟波束赋形矩阵Sar，数字波束赋形矩阵Sdr，以及在多天线输出，多目标多天线接收下，加上独立同分布的高斯噪声向量n，形成最终的接收信号Y；

[0014] 13)建立相应的信噪比γ，通过最大化信噪比来优化得到相应的四个波束赋形矩阵Fdt，Fat，Sar，Sdr；

[0015] 作为发明的进一步解决方案，所述步骤2)的具体内容为：

[0016] 21)创建经典的残差卷积神经网络，网络模型包括权重参数、偏差参数、Batch归一化的学习参数、网络层数、每层网络的神经元数、训练样本、训练周期，以及一些超参：学习率、正则化参数、Adam算法里的相关系数；

[0017] 22)在共享多层神经网络后，产生四个分支各自进行相应的网络层建立。

[0018] 23)初始化相关参数，输入训练样本集，得到对应的网络输出

[0019] 24)各分支进行损失函数的创建，最后将损失函数联合作为最终的代价函数，以此反向传播得到最优的网络参数。

[0020] 本发明所达到的有益效果：本算法首先结合最新的5G系统中的混合波束赋形技术，创建了相应的系统模型；接着使用残差卷积神经网络模型训练出相应的波束赋形矩阵网络。解决了传统优化算法收敛慢，训练过程较长的问题，可以在保证系统性能的情况下，达到5G网络超低时延的需求。附图说明

[0021] 图1是5G系统MIMO状态下的混合波束赋形模型；

[0022] 图2是神经网络训练的具体步骤流程图；

[0023] 图3是神经网络残差块的示意图；

[0024] 图4是神经网络多任务的示意图。

具体实施方式

[0025] 下面结合附图对本发明作进一步描述具体实施方案。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

[0026] 首先假设一个基站的发射端有Nt根发射天线，个天线阵列，也就有个射频链，每个天线阵列有N根天线，所以有接收端有K个用户，每个用户端有M根接收天线，所以接收端的总天线数为Nr＝K·M；根据设定，接收端总共需要KM个数据流，且满足

[0027] 然后设定输入信号为X， Nx表示输入信号的数据流数目，n是服从独立同分布的噪声向量，信道矩阵表示接收端第k个用户接收信号的复信道系数矩阵，dk表示输入信号在无线信道传输过程中的快衰落和慢衰落的综合。

[0028] 结合图1，在混合波束赋形系统中，输入信号X首先经过一个数字波束赋形矩阵接着通过个射频链变频到模拟移相器，通过模拟波束赋形矩阵构造成最终的发射信号，然后经过信道系数矩阵就可以得到
接收端接收总信号y，所以y可以表示为：

[0029] y＝H·Fat·Fdt·X+n

[0030] 其中单个用户接受信号表示为：

[0031]

[0032] 对于用户k，在接收端接收到信号yk后，会先经过一个大小为M×Nr的模拟波束赋形矩阵Sar进行调节，然后通过个射频链变频到基带，最后经过大小为的数字波束赋形矩阵Sdr就得到最终的数据流Yk，具体表示为：

[0033]

[0034] 在这样一个系统中，用户k接收信号的信噪比γ可以用来进行性能比较，具体可以表示为：

[0035]

[0036] 综合考虑其他约束条件，本发明以使系统的信噪比最大来实现混合波束赋形情况下的系统模型最优化，具体可以描述为：

[0037]

[0038] 其中，ηk表示用户k的优先级，最后通过不断迭代求得最优的四个波束赋形矩阵Fdt，Fat，Sar，Sdr。

[0039] 传统的优化算法求得的发送、接收端各天线波束赋形矩阵，虽然可以取得很好的系统性能，但计算复杂度高，相应的时延也大，明显不太能满足5G时代提出的超低时延的要求。而本发明采用的深度学习下的多任务卷积残差神经网络帮助解决了该问题，通过搜集的训练集进行深度神经网络的线下训练，得到训练好的网络模型。然后在线上实时工作中，就可以在保证系统性能的情况下，很好地缩减传输信号达到最优波束赋形所需的时延，提高了用户的体验质量。

[0040] 如图2所示，本发明的多任务卷积残差神经网络实现的具体步骤如下：

[0041] S1:随机初始化神经网络参数，主要包括权重参数、偏差参数、Batch归一化的学习参数以及一些超参：学习率、正则化参数、Adam算法里的相关系数；

[0042] S2:通过本发明所建立的系统优化模型，将得到的信道矩阵H和混合波束赋形矩阵Fdt，Fat，Sar，Sdr作为训练测试集输入已经建立好的神经网络。其中残差网络中的残差块如图3，设定为跳跃两个隐藏层。神经网络的多任务模型如图4，前期共享多个网络层后，产生四个分支各自进行相应的卷积；

[0043] S3:输入矩阵在神经网络隐藏层经过Batch归一化，带泄露的修正线性单元Leaky ReLU激活函数，然后卷积、池化，全连接产生输出，最后每次得到的输出都是一组波束赋形矩阵

[0044] S4:将神经网络的输出与训练集对应，因为都是矩阵向量，所以采用余弦相似算法来创建的代价函数J，具体表示为：

[0045]

[0046] 其中表示矩阵Fdt与的相似度，sim值越大，相似度越高；||Fdt||F表示矩阵Fdt的F范数，m表示样本数，L表示神经网络的层数，λ表示正则化参数，可以通过交叉验证获得。

[0047] S5:为达到性能最优，就需最小化代价函数J，即minimize J(w,b)。通过反向传播，再利用Adam算法，得到更新后的神经网络参数。然后输入大量的训练集样本，重复上述步骤，训练出不断优化的多任务卷积残差神经网络。

[0048] S6:利用验证集，对训练好的神经网络进行验证，不断调整神经网络产生的过拟合情况。最后利用测试集，测试训练好的多任务卷积残差神经网络的性能。

[0049] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

标题	发布/更新时间	阅读量
多个CQI报告过程	2020-05-08	785
视锥视杆复用式仿生视觉传感器	2020-05-08	724
一种保偏光纤分布式偏振耦合检测弱耦合点提取方法	2020-05-08	750
一种相位相关的共享深度卷积神经网络语音增强方法	2020-05-08	426
一种快速响应的高精度光散射浊度计测量装置	2020-05-08	250
一种新型防射频干扰的微机电系统麦克风	2020-05-08	551
基于瞬时频率的带静默间断信号的端点识别方法及应用	2020-05-08	651
一种基于多门限的Polar码SC-FLIP译码方法、设备及存储设备	2020-05-08	153
一种结合神经网络实现2ASK信号及AM信号调制识别的方法	2020-05-08	907
一种利用星座图的基于深度学习的信噪比估计方法	2020-05-11	148

基于残差神经网络的混合波束赋形矩阵优化方法

基于残差神经网络的混合波束赋形矩阵优化方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：