基于复数卷积网络的混合波束成形方法
阅读说明：本技术 基于复数卷积网络的混合波束成形方法 (Hybrid beam forming method based on complex convolution network ) 是由 罗杨 刘子健 骆春波 许燕 杨秉鸿 张富鑫 于 2021-07-20 设计创作，主要内容包括：本发明公开了一种基于复数卷积网络的毫米波波束成形方法,所述毫米波波束成形方法包括：S1：获取发射天线和接收天线间的信道状态信息；S2：根据所述信道状态信息,得到信道矩阵；S3：根据所述信道矩阵,利用复数卷积网络,得到基带预编码矩阵和射频预编码矩阵；S4：将所述基带预编码矩阵和所述射频预编码矩阵输入混合波束成型系统中,生成毫米波波束。本发明所提供的基于复数卷积网络的毫米波波束成形方法,能够解决一般深度学习方法无法有效利用通信信号处理中的复数相位信息的问题。(The invention discloses a millimeter wave beam forming method based on a complex convolution network, which comprises the following steps: s1: acquiring channel state information between a transmitting antenna and a receiving antenna; s2: obtaining a channel matrix according to the channel state information; s3: obtaining a baseband precoding matrix and a radio frequency precoding matrix by utilizing a complex convolution network according to the channel matrix; s4: and inputting the baseband pre-coding matrix and the radio frequency pre-coding matrix into a hybrid beam forming system to generate millimeter wave beams. The millimeter wave beam forming method based on the complex convolution network can solve the problem that the common deep learning method cannot effectively utilize the complex phase information in the communication signal processing.)
技术领域
本发明涉及毫米波波束成形技术领域，具体涉及一种基于复数卷积网络的混合波束成形方法。
背景技术
毫米波波束成形主要采用数字和模拟混合结构，以较低的硬件成本实现高效的接收和发射波束对准，是5G及未来通信系统中的核心技术。以发射波束成形为例，毫米波混合波束成形的本质任务是通过设计合理的算法，寻找最优全数字预编码矩阵的近似分解，即将全数字预编码矩阵在一定的限制条件下近似分解为数字预编码矩阵和模拟预编码矩阵。传统的方法是通过压缩感知或者流形优化等优化方法进行求解，但往往性能(频谱效率)好的算法运算速度较慢，而运算速度快的算法性能较差。基于深度学习的方法近年来成为了波束成形领域的研究热点，由于训练好的神经网络运算速度快，使其成为最有可能突破上述瓶颈的方法。
全数字预编码矩阵、数字和模拟混合预编码矩阵都是复数矩阵，使用深度学习的方法不可避免会遇到处理复数的情况。现有的方法，要么是将复数拆分为实部和虚部并分为两个网络进行处理，要么是将实部和虚部拆分后叠加为双通道进行处理，没有完全利用到复数的相位信息。
发明内容
本发明的目的在于提供一种基于复数卷积网络的混合波束成形方法，以解决一般深度学习方法无法有效利用通信信号处理中的复数相位信息的问题。
本发明提供一种基于复数卷积网络的毫米波波束成形方法，所述毫米波波束成形方法包括：
S1：获取发射天线和接收天线间的信道状态信息；
S2：根据所述信道状态信息，得到信道矩阵；
S3：根据所述信道矩阵，利用复数卷积网络，得到基带预编码矩阵和射频预编码矩阵；
S4：将所述基带预编码矩阵和所述射频预编码矩阵输入混合波束成型系统中，生成毫米波波束。
可选择地，所述步骤S4中，所述混合波束成型系统包括多根发射天线、多种发射链路、多路数据码流和接收天线且所述步骤S4包括以下分步骤：
S41：将所述多路数据码流变换到发射链路上，得到多种发射链路；
S42：将所述多种发射链路变换至多根发射天线上，生成发射信号；
S43：发射所述发射信号至所述接收天线，和/或接收所述发射信号以生成接收信号。
可选择地，所述步骤S43中，所述发射信号为：
X＝FRFFBBS
其中，X表示发射信号向量，S是Ns×1维数据码流向量，Ns为数据码流数量，FBB表示基带预编码矩阵，FRF表示射频预编码矩阵。
可选择地，所述步骤S44中，所述接收信号为：
其中，Y表示接收信号向量，H是Nr×Nt的信道矩阵且ρ表示平均接收功率，n是服从独立分布的噪音向量，FRFFBBS为发射信号，且S是Ns×1维数据码流向量，Ns为数据码流数量，FBB表示基带预编码矩阵，FRF表示射频预编码矩阵，Nt为发射天线数量；Nr为接收天线数量。
可选择地，所述步骤S3中，所述复数卷积网络包括依次连接的输入层、第一卷积层、第二卷积层、第三卷积层、第四卷积层、全连接层和输出层。
可选择地，所述输入层的长为2NtNr，其宽为1，其高为1；
所述第一卷积层的长为2Nt，宽为1，高为46；
所述第三卷积层的长为宽为1，高为128；
所述全连接层的长为宽为1，高为1；
所述输出层的长为宽为1，高为1；
其中，Nt为发射天线数量；Nr为接收天线数量；为发射链路数量；Ns为数据码流数量。
可选择地，所述第二卷积层的长宽高与所述第一卷积层的长宽高相等，和/或
所述第四卷积层的长宽高与所述第三卷积层的长宽高相等。
可选择地，所述输入层的长宽高通过以下方式得到：
A1：分别向量化所述信道矩阵的实部和虚部，得到实部向量和虚部向量；
A2：首尾相接所述实部向量和所述虚部向量，生成所述输入层的新的向量；
A3：将所述新的向量作为所述输入层的长宽高输出。
本发明具有以下有益效果：
与现有技术相比，本发明的有益效果是：一方面，可以使用单个神经网络处理复数数据，输入是复数，输出也是复数。相较于单独处理实部和虚部的两个网络，本发明采用参数共享策略保证网络的参数没有明显增加。另一方面，首次提出了复数卷积网络结构，在卷积网络的结构基础上，按照复数运算规则实现了参数的前向传递。相比复数全连接网络，系统的性能进一步提升。
附图说明
图1为本发明所提供的基于复数卷积网络的毫米波波束成形方法的流程图；
图2为图1中步骤S4的分步骤流程图；
图3为本发明实施例所提供的基于复数卷积网络的毫米波波束成形方法的复数卷积网络的结构图；
图4为本发明实施例所提供的基于复数卷积网络的毫米波波束成形方法的复数卷积网络的输入层的长宽高的获得方法流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例
本发明解决上述技术问题的技术方案如下：
本发明提供基于复数卷积网络的毫米波波束成形方法，所述毫米波波束成形方法包括：
S1：获取发射天线和接收天线间的信道状态信息；
S2：根据所述信道状态信息，得到信道矩阵；
S3：根据所述信道矩阵，利用复数卷积网络，得到基带预编码矩阵和射频预编码矩阵；
S4：将所述基带预编码矩阵和所述射频预编码矩阵输入混合波束成型系统中，生成毫米波波束。
本发明具有以下有益效果：
与现有技术相比，本发明的有益效果是：一方面，可以使用单个神经网络处理复数数据，输入是复数，输出也是复数。相较于单独处理实部和虚部的两个网络，本发明采用参数共享策略保证网络的参数没有明显增加。另一方面，首次提出了复数卷积网络结构，在卷积网络的结构基础上，按照复数运算规则实现了参数的前向传递。相比复数全连接网络，系统的性能进一步提升。
可选择地，所述步骤S4中，所述混合波束成型系统包括多根发射天线、多种发射链路、多路数据码流和接收天线且所述步骤S4包括以下分步骤：
S41：将所述多路数据码流变换到发射链路上，得到多种发射链路；
S42：将所述多种发射链路变换至多根发射天线上，生成发射信号；
S43：发射所述发射信号至所述接收天线，和/或接收所述发射信号以生成接收信号。
具体地，发射端有Nt根天线发射Ns个数据码流，接收端有Nr根接收天线。发射端有个发射链路，且对于数字和模拟预编码的硬件结构，发射端首先有一个维的基带(数字)预编码矩阵FBB，将Ns路数据码流变换到个射频链路上，然后由一个维的射频预编码矩阵FRF,将不同射频链路变换到相应的天线上，即数字预编码矩阵决定了传输码流的数量，射频预编码矩阵决定了射频链路与天线的连接方式。一个射频链路通过Nt个移相器和Nt个加法器连接到Nt根天线，则个射频链路需要个移相器，即预编码矩阵FRF的每一个元素均代表一个移相器的参数。
可选择地，所述步骤S43中，所述发射信号为：
X＝FRFFBBS
其中，X表示发射信号向量，S是Ns×1维数据码流向量，Ns为数据码流数量，FBB表示基带预编码矩阵，FRF表示射频预编码矩阵。
可选择地，所述步骤S44中，所述接收信号为：
其中，Y表示接收信号向量，H是Nr×Nt的信道矩阵且ρ表示平均接收功率，n是服从独立分布的噪音向量，FRFFBBS为发射信号，且S是Ns×1维数据码流向量，Ns为数据码流数量，FBB表示基带预编码矩阵，FRF表示射频预编码矩阵，Nt为发射天线数量；Nr为接收天线数量。
可选择地，所述步骤S3中，所述复数卷积网络包括依次连接的输入层、第一卷积层、第二卷积层、第三卷积层、第四卷积层、全连接层和输出层。
可选择地，所述输入层的长为2NtNr，其宽为1，其高为1；
具体地，H是一个Nt×Nr维的复数矩阵，每一个元素对应的是从某一根发射天线到某一根接收天线之间的信道状态因子，在毫米波massive MIMO场景下，H中的相邻元素可能会存在相关性，因此我们考虑使用卷积网络来代替传统的预编码方法。如3图所示的卷积网络，由1个输入层、1个输出层，4个卷积层，1个全连接层构成。为了便于对比，我们设计卷积层为4层。每一层的节点数表示为长×宽×高，即节点数为其中表示第l层的实部或虚部的节点的长度，因此总长度是是第l层的节点宽度；是第l层的节点高度，l＝0,1,2…,6。相应的卷积核也表示为长×宽×高，为了便于理解，我们将卷积核的不同通道在图中画出，一个完整的卷积核包括若干个单通道卷积核，卷积核的通道数决定了下一层卷积层的高。使用四个类型卷积核分别表示为其中表示第l层卷积层的第q个通道。与全连接层的参数共享类似，我们考虑将卷积核的参数进行共享，即对于l＝1,2,3,4，有
所述第一卷积层的长为2Nt，宽为1，高为46；
(1)输入层(Input layer)到第一层卷积层(Conv.1layer):
具体地，神经网络的输入层将H的实部和虚部分别向量化以后再首尾相接，形成一个有2NtNr个元素的一维向量，输入层的长宽高为2NtNr×1×1，即输入层与第一层卷积层的连接方式如图1右边框图所示，单通道卷积核大小为Nr×1×1，卷积通道数取决于下一层的高度即q＝1,…,64。设步长stride＝Nr,即对于第一层卷积层，每个类型卷积核需要平移使用次，设p＝1,2,…,Nt。
第p次卷积时，将与第一层的实数部分[(p-1)stride+1,(p-1)stride+Nr]个节点的值点乘并求和，再将与第一层虚数部分[(p-1)stride+1,(p-1)stride+Nr]个节点的值点乘并求和，两个结果相减得到第一层卷积层(p,1,1)位置的值。以此类推，对于q＝1,…,64，使用和得到第一层卷积层(p,1,q)节点的值如下式所示：
将与第一层的实数部分[(p-1)stride+1,(p-1)stride+Nr]个节点进行点乘并求和，再将与第一层的虚数部分[(p-1)stride+1,(p-1)stride+Nr]个节点进行点乘并求和，两个结果相加得到第一层卷积层的(Nt+p,1,1)位置的值。以此类推，对于q＝1,…,64，使用和得到第一层卷积层节点的值
最后得到的第一层卷积层的节点大小是2Nt×1×64，即
所述第二卷积层的长宽高与所述第一卷积层的长宽高相等。
(2)第一层卷积层(Conv.1layer)到第二层卷积层(Conv.2layer):
具体地，与(1)不同的是，由于第一层卷积层的高度不是1，因此使用的卷积核有所不同，即中第q个通道卷积核的高度由输入的第一层卷积层高度决定，设单通道卷积核大小为3×1×64。卷积通道数为则q＝1,…,64，设步长stride＝1,则p＝1,…,Nt。
第p次卷积时，将与第一层卷积层的实数部分[(p-1)stride+1,(p-1)stride+3]×1×64个节点的值点乘并求和，再将与第一层卷积层虚数部分[(p-1)stride+1,(p-1)stride+3]×1×64个节点的值点乘并求和，两个结果相减得到第二层卷积层(p,1,1)位置的值。以此类推，对于q＝1,…,64，使用和得到第二层卷积层(p,1,q)节点的值。不失一般性，有如下公式：
在此步骤中，l＝2。
公式(3)
将与第一层卷积层的实数部分[(p-1)stride+1,(p-1)stride+3]×1×64个节点进行点乘并求和，再将与第一层卷积层的虚数部分[(p-1)stride+1,(p-1)stride+Nr]×1×64个节点进行点乘并求和，两个结果相加得到第二层卷积层的位置的值。以此类推，对于q＝1,…,64，使用和得到第二层卷积层节点的值。不失一般性，有如下公式：
在此步骤中，l＝2。最后得到的第二层卷积层的节点大小是是2Nt×1×64，即
所述第三卷积层的长为宽为1，高为128；
(3)第二层卷积层(Conv.2layer)到第三层卷积层(Conv.3layer):
连接方式如图1左边框图所示，设单通道卷积核的大小为3×1×64，卷积通道数为则q＝1,…,128，步长stride＝Nr/4，每个类型卷积核需要平移使用Nt/(Nr/4)＝4Nt/Nr次，设p＝1,2,…,4Nt/Nr。
第p次卷积时，使用公式(3)将与第二层卷积层的实数部分[(p-1)stride+1,(p-1)stride+3]×1×64个节点的值点乘并求和，再将与第二层卷积层虚数部分[(p-1)stride+1,(p-1)stride+3]×1×64个节点的值点乘并求和，两个结果相减得到第三层卷积层(p,1,1)位置的值。以此类推，对于q＝1,…,128，使用和得到第三层卷积层(p,1,q)节点的值。
使用公式(4)将与第二层卷积层的实数部分[(p-1)stride+1,(p-1)stride+3]×1×64个节点进行点乘并求和，再将与第二层卷积层的虚数部分[(p-1)stride+1,(p-1)stride+Nr]×1×64个节点进行点乘并求和，两个结果相加得到第三层卷积层的位置的值。以此类推，对于q＝1,…,128，使用和得到第三层卷积层节点的值。
最后得到的第三层卷积层的节点大小是8Nt/Nr×1×128，即
所述第四卷积层的长宽高与所述第三卷积层的长宽高相等。
(4)第三层卷积层(Conv.3layer)到第四层卷积层(Conv.4layer)：
卷积的方式同上一步，其中单通道卷积核大小为3×1×128。设卷积通道数为q＝1,…,128，设步长stride＝1,则p＝1,…,4Nt/Nr。使用公式(3)(4)最后得到的第四层卷积层的节点大小是8Nt/Nr×1×128，即
所述全连接层的长为宽为1，高为1；
(5)第四层卷积层(Conv.4layer)到全连接层(Linear 1layer):
将第四层卷积层的所有节点按照高-宽-长的方式展开并整理为一个维度的矩阵，即
所述输出层的长为宽为1，高为1；
(6)全连接层(linear 1layer)到输出层(output layer)：
参考复数全连接网络的连接方式[1]。由于FRF和FBB分别有NtNr和个非零元素，因此输出层的大小固定为
其中，Nt为发射天线数量；Nr为接收天线数量；为发射链路数量；Ns为所述发射天线发射的数据码流。
表1复数卷积网络各层参数值汇总
可选择地，参考图4所示，所述输入层的长宽高通过以下方式得到：
A1：分别向量化所述信道矩阵的实部和虚部，得到实部向量和虚部向量；
A2：首尾相接所述实部向量和所述虚部向量，生成所述输入层的新的向量；这里，生成的所述输入层的新的向量是在输入层中进行操作得到的。
A3：将所述新的向量作为所述输入层的长宽高输出。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。