一种基于电力巡检通信系统的混合预编码方法技术方案

本发明专利技术涉及一种基于电力巡检通信系统的混合预编码方法，电力巡检通信系统采用窄带毫米波大规模多输入多输出系统，电力巡检通信系统包括位于无人机的发射端和无线网络的接收端，发射端设有混合预编码器，接收端设有波束合并器，模拟预编码器均设有射频链和均匀平面天线阵列，射频链与均匀平面天线阵列的天线部分连接，且连接处的移相器采用一位移相器，对应的移相器的量化精度为1比特。与现有技术相比，本发明专利技术具有降低功耗、提高无人机通信的能效、降低优化迭代算法的复杂度等优点。降低优化迭代算法的复杂度等优点。降低优化迭代算法的复杂度等优点。

【技术实现步骤摘要】
一种基于电力巡检通信系统的混合预编码方法


[0001]本专利技术涉及电力巡检
，尤其是涉及一种基于电力巡检通信系统的混合预编码方法。

技术介绍

[0002]目前无人机通信场景下已经提出了一些针对能效优化的混合预编码方法，以降低功率消耗。有的研究UAV协助的大规模MIMO混合预编码方案，在满足用户速率需求的同时提出轨迹优化和功率分配方法，虽然实现较高能量效率但计算过于复杂；现有技术中提出针对UAV下行通信链路的基于透镜天线阵列的混合预编码架构，利用交叉熵优化求解最优预编码矩阵，获得了较高的能量效率，但需要在模拟域部署自适应选择网络，实现复杂度较高；也有现有技术将无人机发送端和接收端联合预编码设计的多元联合优化问题分解为对子问题的优化求解，可实现较高的能量效率和频谱效率，但由于计算复杂度太高，难以实现；同时有研究提出基于最大化SLNR准则的预编码技术虽然能够在性能和复杂度之间取得较好地折衷，但对信道要求较高，需要准确掌握信道状态信息才能完成。
[0003]现有无人机通信场景下混合预编码方案大多采用贪婪算法作为优化解决方案，缺点是计算复杂度高，同时基于高精度移相器的全连接架构，如此的硬件体系架构必然存在高耗能问题，难以直接应用到电力线巡检无人机通信场景中。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在能量消耗高、复杂度高的缺陷而提供一种基于电力巡检通信系统的混合预编码方法。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于电力巡检通信系统的混合预编码方法，所述电力巡检通信系统采用窄带毫米波大规模多输入多输出系统，所述电力巡检通信系统包括位于无人机的发射端和无线网络的接收端，所述发射端设有混合预编码器，所述接收端设有波束合并器，所述模拟预编码器均设有射频链和均匀平面天线阵列，所述射频链与均匀平面天线阵列的天线部分连接，且连接处的移相器采用一位移相器，对应的移相器的量化精度为1比特，功耗为5mW。
[0007]所述无人机具体为5G巡检无人机。
[0008]所述发射端的移相器和均匀平面天线阵列组成模拟预编码器，所述接收端的移相器和均匀平面天线阵列组成模拟合并器。
[0009]进一步地，所述发射端的射频链一端与模拟预编码器部分连接，另一端连接到基带预编码器。
[0010]进一步地，所述接收端的射频链一端与模拟合并器部分连接，另一端连接到基带合并器。
[0011]所述模拟预编码器和模拟合并器通过信道矩阵进行数据传输，所述混合预编码方法采用卷积神经网络框架对模拟预编码器和模拟合并器进行优化，提供从信道矩阵到波束
合并器之间的非线性映射。
[0012]进一步地，所述卷积神经网络框架的输入为所述信道矩阵，输出为模拟预编码器和模拟合并器的权重。
[0013]进一步地，所述卷积神经网络框架的输入包括三个通道，所述三个通道分别对应信道矩阵逐元素模值、信道矩阵元素的实部和虚部。
[0014]所述卷积神经网络框架包括两个卷积神经网络，每个所述卷积神经网络的层数均为10层。
[0015]进一步地，所述卷积神经网络的第一层为输入层，第二层和第四层为卷积层，第三层和第五层为归一化层，归一化层在卷积层之后，对卷积层输出的数据进行归一化并提供更好的收敛性，第六层和第八层是完全连接层，第七层和第九层是丢失层，第十层为输出层。
[0016]所述卷积神经网络通过随机梯度下降算法进行训练，损失函数为交叉熵函数，训练中生成的数据分为训练数据集和测试数据集，验证数据在蒙特卡洛试验的仿真中测试网络的性能，且所述测试数据集中设置有合成噪声，防止训练数据集和测试数据集存在相似性。
[0017]与现有技术相比，本专利技术具有以下有益效果：
[0018]1.本专利技术采用的一位移相器消耗的能量非常低(5mW)，因此基于一位移相器的混合预编码能耗明显低于基于高精度移相器(40mW)的混合预编码的能耗；同时采用部分连接的混合预编码架构，每个天线仅连接到部分天线阵列，大大减少了射频链的数量，进一步节省了能量消耗；此外，与基于开关和逆变器的混合预编码相比，基于一位移相器的混合预编码可以利用所有天线来实现所需的阵列增益。
[0019]2.本专利技术结合深度学习技术采用卷积神经网络来对混合波束赋形器进行实时选择，在神经网络训练完成之后，只需要提供信道数据便可以很快地给出对应的混合预编码器，无需再通过复杂的迭代计算，相对于传统基于优化或者贪婪算法对混合预编码器的计算与选择，大大减少了计算复杂度和计算时间。
[0020]3.本专利技术提供了在5G巡检无人机通信场景下的毫米波大规模多输入多输出系统的混合预编码设计，可进一步推广到其他应用场景，适用范围广，实用性强。
附图说明
[0021]图1为本专利技术的结构示意图；
[0022]图2为本专利技术卷积神经网络的结构示意图。
[0023]附图标记：
[0024]1‑
基带预编码器；2
‑
基带合并器；3
‑
射频链；4
‑
模拟预编码器；5
‑
模拟合并器；6
‑
移相器；7
‑
天线。
具体实施方式
[0025]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0026]实施例
[0027]随着智能电网的发展，传统人工巡检方式已经无法实现高压、特高压输电线路的巡检工作。将体积小且可搭配各种检测设备的无人机应用在电力巡检中，可以提高线路巡检工作的效率和质量。同时无人机巡检对带宽的需求很高，通信技术是实现无人机输电线路巡检的关键。虽然4G网络能够满足现有的部分低速率、对时延不敏感的无人机应用，但是对于高速率、超低时延无人机应用存在挑战。5G技术提供的大带宽、高可靠、低时延通信能够很好地满足无人机巡检的应用需求。
[0028]然而受无人机电池容量和现有无线通信能力的限制，其巡检作业时间和通信时间受到明显限制。为有效解决以上问题，提高无人机巡检的应用效果，在巡检无人机利用5G进行实时传输的同时，需要提高其通信子系统的能效，即通过降低通信功耗来提高无人机巡检的作业时间。
[0029]如图1所示，一种基于电力巡检通信系统的混合预编码方法，电力巡检通信系统采用窄带毫米波大规模多输入多输出系统，电力巡检通信系统包括位于无人机的发射端和无线网络的接收端，发射端设有混合预编码器，接收端设有波束合并器，模拟预编码器均设有射频链3和均匀平面天线阵列，射频链3与均匀平面天线阵列的天线7部分连接，且连接处的移相器6采用一位移相器，对应的移相器6的量化精度为1比特，功耗为5mW，降低功耗，提高无人机通信的能效。
[0030]无人机具体为5G巡检无人机，配备N根天线的均匀平面天线阵列，无线网络的接入节点配备M根天线的均本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于电力巡检通信系统的混合预编码方法，其特征在于，所述电力巡检通信系统包括位于无人机的发射端和无线网络的接收端，所述发射端设有混合预编码器，所述接收端设有波束合并器，所述模拟预编码器均设有射频链(3)和均匀平面天线阵列，所述射频链(3)与均匀平面天线阵列的天线(7)部分连接，且连接处的移相器(6)采用一位移相器，对应的移相器(6)的量化精度为1比特。2.根据权利要求1所述的一种基于电力巡检通信系统的混合预编码方法，其特征在于，所述发射端的移相器(6)和均匀平面天线阵列组成模拟预编码器(4)，所述接收端的移相器(6)和均匀平面天线阵列组成模拟合并器(5)。3.根据权利要求2所述的一种基于电力巡检通信系统的混合预编码方法，其特征在于，所述发射端的射频链(3)一端与模拟预编码器(4)部分连接，另一端连接到基带预编码器(1)。4.根据权利要求2所述的一种基于电力巡检通信系统的混合预编码方法，其特征在于，所述接收端的射频链(3)一端与模拟合并器(5)部分连接，另一端连接到基带合并器(2)。5.根据权利要求2所述的一种基于电力巡检通信系统的混合预编码方法，其特征在于，所述模拟预编码器(4)和模拟合并器(5)通过信道矩阵进行数据传输，所述混合预编...

【专利技术属性】
技术研发人员：翟佳庆，黄泽坤，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：