一种利用位置信息的深度学习预编码方法技术

本发明专利技术公开了一种利用位置信息的深度学习预编码方法，包括：获取个用户的位置信息和统计信道信息，计算各用户的水平及垂直最佳方向索引；构建判定用户水平及垂直方向索引的深度神经网络模型，将各用户位置信息输入到该模型，输出相应的水平及垂直方向索引；对该模型进行训练，使得该模型输出的方向索引逐渐接近最佳方向索引，以获得模型参数，由模型输出的水平和垂直方向索引确定其预编码向量。本发明专利技术可减小预编码向量计算复杂度，同时仅需要获得用户的位置信息，即可预测最优预编码向量且具有较高准确度，特别是在用户数和天线数较大时，能高效地实现下行预编码设计。

【技术实现步骤摘要】
一种利用位置信息的深度学习预编码方法
本专利技术涉及一种利用位置信息的深度学习预编码技术，属于通信

技术介绍
大规模多输入多输出(multiple-inputmultiple-output，MIMO)传输技术是5G通信系统中的关键技术之一。该技术用大规模天线阵列替代多天线阵列来获得更高的频谱效率和传输可靠性。当基站端获得下行信道状态信息(channelstateinformation，CSI)时，可通过诸如预编码、波束成形等信道自适应技术，消除用户间干扰，同时利用空、时、频三个维度传输信息，从而大大提升系统容量。然而，在实际的无线通信系统中及时地获得完整的信道状态信息十分困难。对时分双工(timedivisionduplex，TDD)系统而言，由于上行信道和下行信道存在互易性，所以可以通过上行信道估计来得到相应的下行CSI，但所获得的CSI存在导频污染。然而，在频分复用(frequencydivisionduplex，FDD)系统中，信道不具有互易性，需要通过上行链路反馈下行CSI，特别是当用户数和天线数较大的时候，用户端获得的下行CSI通过反馈链路发送给基站端是不切实际的。克服这一困难的一个有效方法是利用信道的统计CSI，如收发相关阵、均值信息等。相对于瞬时CSI，信道的统计CSI在较长时间内是近似不变的，其精确度相对较高，需要的反馈开销较小。另外，随着用户数和天线数的增加，利用统计CSI设计用户预编码向量的计算复杂度呈指数级增长，通过传统的计算方法需要大量的计算资源和较长的计算时间。用户的统计CSI与其所处环境，即其所处位置信息紧密相关。近年来，深度学习方法由于其网络的强大表达能力和并行计算结构，在无线通信领域引起了广泛的关注。原理上只要深度神经网络的参数足够多，该网络就能表征任何函数，并且训练完的神经网络仅需要进行一些简单的基础运算即可对输入数据进行分类和推断。因此，可利用深度神经网络学习用户位置与其统计CSI的关系，进而得到用户位置与预编码向量的映射关系，从而获得一种复杂度较低的预编码方法。
技术实现思路
本专利技术的目的为了克服现有技术中存在的不足，为基站使用均匀平面天线阵的下行传输系统提供一种利用位置信息的深度学习预编码方法，解决预编码向量计算复杂度较高的问题，能够根据用户的位置信息设计该用户的预编码向量，以较少的计算资源获得较高的精度。为达到上述目的，本专利技术提出的一种利用位置信息的深度学习预编码设计方法，包括以下步骤：步骤1、基站配置均匀平面天线阵，该天线阵包括M行垂直方向天线阵元，水平方向每行有N个天线阵元，相邻天线阵元间距在水平和垂直方向上均为载波波长的一半，用户配置单根接收天线；获取U个用户的统计信道信息和位置信息，分别计算用户i,i＝1,…,U的统计参数，进而计算二进制向量表示的各用户log2N×1维的水平最佳方向索引及log2M×1维的垂直最佳方向索引并将这两个向量合并成一个(log2N+log2M)×1维的向量其中该向量前log2N个元素构成的向量对应用户水平最佳方向索引后log2M个元素构成的向量对应垂直最佳方向索引形成U个训练样本；所述位置信息包括：以基站为坐标原点，用户i的三维坐标(xi,yi,zi)T。所述统计信道信息包括：用户i信道的莱斯因子水平视距分量垂直视距分量水平相关阵以及垂直相关阵其中，矩阵Hi为基站与用户i之间的信道矩阵，Hi的第m行第n列的元素[Hi]m,n为基站第m行第n列的天线单元与用户i之间的信道系数，及分别表示矩阵和的第一列，上标(·)H代表共轭转置，上标(·)T代表转置，E{·}代表求均值；所述计算用户i统计参数的过程包括以下子步骤：a1)分别计算以及其中FM和FN分别为M×M和N×N的DFT矩阵，FM和FN第m行第n列的元素分别为和a2)分别提取AH,i、AV,i、ΛH,i、以及ΛV,i的对角元，得到aH,i、aV,i、λH,i、以及λV,i；其中，aH,i和λH,i为N×1维的列向量，其第n个元素分别为AH,i和ΛH,i的第n个对角元；aV,i和λV,i为M×1维的列向量，其第m个元素分别为AV,i和ΛV,i的第m个对角元；所述计算用户i以二进制向量表示的水平及垂直最佳方向索引的过程包括以下子步骤：b1)计算b2)得到Ωi中最大元素所处的行与列，假设Ωi中最大元素为第行第列的元素，则为十进制的水平最佳方向索引，为十进制的垂直最佳方向索引；b3)将十进制索引分别进行转化为log2N×1维的二进制向量及log2N×1维的二进制向量步骤2、构建判定以二进制向量表示的水平方向和垂直方向索引的深度神经网络模型，将所述的用户i,i＝1,…,U的三维坐标(xi,yi,zi)T输入到神经网络模型中，输出(log2N+log2M)×1维二进制向量该向量前log2N个元素构成的向量对应用户水平方向索引后log2M个元素构成的向量对应垂直方向索引步骤3、利用步骤1所形成的训练样本分别对上述模型进行训练，使得预测输出逐渐接近预测输出逐渐接近以获得该模型的参数；步骤4、将获得的待预编码向量的用户l的三维坐标(xl,yl,zl)T输入到已训练的模型中，由该模型输出以二进制向量表示的水平方向索引和垂直方向索引步骤5、将获得的以二进制向量表示的水平方向索引和垂直方向索引转化成十进制表示的和步骤6、确定待获得预编码向量的用户l的预编码向量为其中为矩阵FN的第列，为矩阵FM的第列。作为本专利技术的一种优选，所述步骤2中判定以二进制向量表示的水平方向和垂直方向索引的深度神经网络模型包含一个输入层、四个隐藏层、一个Dropout层、一个输出层。作为本专利技术的一种优选，所述步骤3中采用交叉熵损失函数使得预测输出和逐渐接近和所述判定以二进制向量表示的水平方向和垂直方向索引的深度神经网络模型采用的交叉熵损失函数具体为：其中，U为训练集的所有样本数，为二进制向量表示的水平最佳方向索引及垂直最佳方向索引合并成的(log2N+log2M)×1维的向量的第k个元素；为输出的(log2N+log2M)×1维二进制向量的第k个元素，该向量前log2N个元素构成的向量对应用户水平方向索引后log2M个元素构成的向量对应垂直方向索引有益效果：(1)本专利技术所需信息量小，仅需用户的位置信息，适用于各种典型的无线通信环境；(2)本专利技术设计的深度神经网络简单易训练，有较高预测准确度；(3)本专利技术计算效率高，特别是在用户数和天线数较大的时候，本方法的计算效率与传统的计算方法相比提高了几十倍。附图说明图1是本专利技术方法利用所训练得到的深度神经网络为待获得预编码向量用户l计算其统计预编码向量的流程图。具体实施方式下面结合说明书附图对本专利技术的实施方式进行描述。如图1所示，-本专利技术公开了一种利用位置信息的深度学习预编码方法，该方法具体包括以下步骤：步骤1、基站配置均匀平面天线阵本文档来自技高网...

【技术保护点】
1.一种利用位置信息的深度学习预编码方法，其特征在于，包括以下步骤：/n步骤1、基站配置均匀平面天线阵，该天线阵包括M行垂直方向天线阵元，水平方向每行有N个天线阵元，相邻天线阵元间距在水平和垂直方向上均为载波波长的一半，用户配置单根接收天线；获取U个用户的统计信道信息和位置信息，分别计算用户i,i＝1,…,U的统计参数，进而计算二进制向量表示的各用户log

【技术特征摘要】
1.一种利用位置信息的深度学习预编码方法，其特征在于，包括以下步骤：
步骤1、基站配置均匀平面天线阵，该天线阵包括M行垂直方向天线阵元，水平方向每行有N个天线阵元，相邻天线阵元间距在水平和垂直方向上均为载波波长的一半，用户配置单根接收天线；获取U个用户的统计信道信息和位置信息，分别计算用户i,i＝1,…,U的统计参数，进而计算二进制向量表示的各用户log2N×1维的水平最佳方向索引及log2M×1维的垂直最佳方向索引并将这两个向量合并成一个(log2N+log2M)×1维的向量其中该向量前log2N个元素构成的向量对应用户水平最佳方向索引后log2M个元素构成的向量对应垂直最佳方向索引形成U个训练样本；
所述位置信息包括：以基站为坐标原点，用户i的三维坐标(xi,yi,zi)T。
所述统计信道信息包括：用户i信道的莱斯因子水平视距分量垂直视距分量水平相关阵以及垂直相关阵其中，矩阵Hi为基站与用户i之间的信道矩阵，Hi的第m行第n列的元素[Hi]m,n为基站第m行第n列的天线单元与用户i之间的信道系数，及分别表示矩阵和的第一列，上标(·)H代表共轭转置，上标(·)T代表转置，E{·}代表求均值；
所述计算用户i统计参数的过程包括以下子步骤：
a1)分别计算以及其中FM和FN分别为M×M和N×N的DFT矩阵，FM和FN第m行第n列的元素分别为和
a2)分别提取AH,i、AV,i、ΛH,i、以及ΛV,i的对角元，得到aH,i、aV,i、λH,i、以及λV,i；其中，aH,i和λH,i为N×1维的列向量，其第n个元素分别为AH,i和ΛH,i的第n个对角元；aV,i和λV,i为M×1维的列向量，其第m个元素分别为AV,i和ΛV,i的第m个对角元；
所述计算用户i以二进制向量表示的水平及垂直最佳方向索引的过程包括以下子步骤：
b1)计算
b2)得到Ωi中最大元素所处的行与列，假设Ωi中最大元素为第行第列的元素，则为十进制的水平最佳方向...

【专利技术属性】
技术研发人员：李潇，孟声国，杨浩，熊龙辉，何潜翔，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32