具体实施方式

在本公开的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在该词前面的元素或者物件涵盖出现在该词后面列举的元素或者物件及其等同，而不排除其他元素或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1

如图1所示，本实施例提供了一种基于机器学习的用户调度和模拟波束选择优化方法，该方法包括以下步骤：

用户信道特征向量获取步骤：依次从待处理的用户集中获取每个用户信道特征向量，用户信道特征向量包括路径损耗、L复路径增益的2L实值特征、基站的L个发射角，其中L为基站与用户之间的信道通道数；

模拟波束匹配步骤：依次输入每个用户信道特征向量至波束预测模型进行确定模拟波束，具体为利用多个波束分类器将基站和所选用户之间的下行信道划分为多个不同的波束类，利用超平面进行预测信道的类别并为每个用户选择最佳的模拟波束，其中波束预测模型为使用多组数据通过机器学习训练得出，多组数据中的每组数据包括用户信道特征向量和标识该用户信道特征向量对应的模拟波束索引的标签。实际应用时，每个类对应于模拟波束码本中的不同波束向量，每个样本被映射到n维空间，每个样本的坐标就是特征值，通过找到一个超平面分隔两个信道不同的类，当波束分类器对该用户信道特征向量输出大于0时，记录该波束分类器为该用户匹配的最佳模拟波束，具体如图2所示。

调度步骤：经过匹配模拟波束后，判断用户集中所有用户是否完成匹配，当所有用户匹配完成时，根据模拟波束调度集进行信道的调度，其中模拟波束调度集为通过输出用户集对应的模拟波束集合而成。

在本实施例中，波束预测模型为使用多组数据通过机器学习训练得出，具体步骤包括：

用户聚类步骤：根据用户的信道相关性将K个用户划分为用户集N_s。具体根据用户信道相关性并利用K-means算法将K个用户划分为用户集N_s。

实际应用时，令和分别表示为簇集和簇中心集，令第n个簇集中心c_n和第n个簇集S_n中的用户之间的信道相关性为：

在本实施例中，以信道的向量h_i和h_j为例说明信道相关性的原理，向量h_i和h_j的相关性与它们之间的正交性成反比例。对于用户间的信道相关性可以通过h_i和h_j的相关性来测量，h_i和h_j的相关性具体为余弦相关性，即：

其中corr(h_i,h_j)越小，两个信道向量的相关性就越小。

采用K-means算法使所有簇的信道相关性之和最大化，即：

具有较高信道相关性的用户将被划分为同一个子集，根据信道相关性阈值进行用户聚类后，在一个簇中信道能量‖h_k‖₂最大的用户将要发送其信号。在传输所选用户分配不同的模拟波束，以便同时进行下行链路传输。此外，本领域技术人员可根据实际情况设置信道相关性阈值进行划分，在此不做限定。

训练数据预处理步骤：基于毫米波信道模型生成信道训练样本，对信道训练样本进行归一化，并转换为特征向量，根据KPI指标评价模拟波束码字到用户的有效信道增益并为每个特征向量生成相应的模拟波束索引的标签，将特征向量和对应的标签划分为训练集和验证集。实际应用时，生成M个信道训练样本，每个信道训练样本采用3L+1个实特征进行描述，具体包括路径损耗、L复路径增益的2L实值特征、基站的L个发射角。

对每个信道训练样本的实特征进行归一化：

其中表示第m个样本的第l个特征，表示m个样本中的第l个特征的最大值，表示m个样本中的第l个特征的最小值，表示m个样本中的第l个特征的平均值，表示第m个样本的第l个特征的归一化结果。在本实施例中通过归一化实特征避免了训练样本值过大或过小造成对训练过程的不利影响。

经过归一化后，每个样本转换为一个特征向量t_m，m∈{1,…,M}。

利用KPI指标评价模拟波束码字到用户的有效信道增益，具体采用用户k的信噪比的KPI函数：

式中表示模拟波束码字b到用户k的有效信道增益，P表示基站处的传输功率，h_k表示基站与用户k之间的信道，表示基站对用户k选择的模拟波束码字b，模拟波束码字b为码本中第b个模拟波束，σ²表示方差。

在本实施例中，涉及的指标具体包括信噪比、信道容量等客观指标。实际应用时，在模拟波束码本中有个不同的模拟波束，表示的基数，模拟波束索引wⁿ是使对当前信道样本的KPI函数取得最大值的标签信息。

训练步骤：令M个训练样本的标签表示为每个训练样本t_m对应标签r[m]，利用支持向量机算法(SVM)训练一对多分类器。在本实施例中，对于类，分别训练个一对多分类器，该分类器以信道特征向量作为输入，相应的标签作为输出，训练后的一对多分类器将特征向量分类为预设类别或其他类别，即|W|个一对多分类器分别对应|W|个预设类别，对于第k个一对多分类器，k∈{1,2,…,|W|}，当y_i＝+1时，样本r[i]＝k，当y_i＝-1时，样本r[i]≠k。

实际应用时，利用支持向量机算法获得第k个波束分类器超平面的表示：

s.t.y_i(W^Tφ(t_i)+b)≥1-ξ_i,i＝1,2,…,M；

式中w表示超平面的参数向量，C表示惩罚系数，φ表示将样本输入特征t_i映射到高维空间的核函数，B表示w超平面的参数向量的阈值，ξ_i表示允许第i个样本被错误分类的边缘误差，y_i表示样本标签。

验证步骤：利用验证集验证训练后的波束分类器，当验证准确率达到预设阈值时，训练完毕得到波束预测模型，否则重复执行训练步骤。

如图3所示，用户聚类步骤，具体步骤包括：

聚类中心选取步骤：输入用户信道特征以及分类类别数，随机选择第一聚类中心；

聚类步骤：基于K-means聚类算法进行聚类处理，计算第二聚类中心，判断聚类中心是否改变，即判断第一聚类中心与第二聚类中心是否不同，若聚类中心改变，重新计算第三聚类中心并执行聚类步骤；

用户集生成步骤：从每个类中选择一个信道能量最大的用户组成一个用户集。

在本实施例中，训练步骤还包括：

对多数类和少数类分别采用不同的惩罚常数值进行优化处理。实际应用时，波束分类器超平面的优化表示为：

s.t.y_i(W^Tφ(t_i)+b)≥1-ξ_i,i＝1,2,…,M；

其中C₊、C_{_}分别表示正类、负类的惩罚常数，I₊、I_{_}分别表示多数、少数样本集。实际应用时，在多分类问题中，标签wⁿ的样本数远小于其它所有标签的样本数，本实施例采用不同的惩罚常数值进行优化处理，从而在数据集的不平衡性下，本实施例的支持向量机也能达到令人满意的性能。

对波束分类器超平面的优化表示进行对偶处理，利用序列最小化算法(SMO)迭代更新拉格朗日松弛变量；

实际应用时，参数C₊、C_{_}选择对正样本选择大惩罚常数，对负样本选择小惩罚常数，进而得到更高精度的超平面。其中具体采用惩罚常数公式进行选择C₊、C_{_}：

在本实施例中，对波束分类器超平面的优化表示进行对偶处理具体为：

0≤α_i≤C₊,i∈I₊

0≤α_j≤C_-,j∈I_-

其中α_i和α_j是一对拉格朗日松弛变量，即对偶变量，K(t_i,t_j)表示高斯核函数，具体为σ²表示高斯核函数的参数；

在本实施例中，σ为通过交叉验证法得到。实际应用时，σ对超平面的精度有重要影响，σ决定了波束分类器在拟合数据时的灵活性。

在本实施例中，利用序列最小化算法(SMO)迭代更新拉格朗日松弛变量，具体为：在每次迭代中更新一对拉格朗日松弛变量(α_i,α_j)，其他拉格朗日松弛变量{α_n,n∈{1,…,M},n≠{i,j}}不变。实际应用时，根据序列最小化算法，α_j的更新过程如下：

其中L和H的取值为：

具体分别为当y_i和y_j满足{y_i＝1,y_j＝1}，{y_i＝-1,y_j＝-1}，{y_i＝1,y_j＝-1}以及{y_i＝-1,y_j＝1}时的取值。

利用更新公式进行更新α_i的值，更新公式具体为：

由更新公式得到α_i的更新值为：

本实施例的波束分类器才有用高斯核函数，利用对偶变量α_i进行分类，令第n个分类器表示为：

其中t_k表示新输入的待分类特征向量，v_i表示支持向量，当J_n(t_k)＞0时，选择wⁿ作为服务第k个用户的最佳模拟波束。

此外，支持向量集V_n由多个支持向量v_i组成。

实施例2

本实施例还提供一种基于机器学习的用户调度和模拟波束选择优化系统，包括：信道特征向量获取模块、模拟波束匹配模块、信道调度模块；

在本实施例中，信道特征向量获取模块用于获取每个用户信道特征向量；

在本实施例中，模拟波束匹配模块用于模拟波束匹配，依次输入每个用户信道特征向量至波束预测模型确定模拟波束，利用多个波束分类器将基站和所选用户之间的下行信道划分为多个不同的波束类，利用超平面预测信道的类别并为每个用户选择最佳的模拟波束；

在本实施例中，波束预测模型通过机器学习训练，训练数据包括用户信道特征向量和标识该用户信道特征向量对应的模拟波束索引的标签；

在本实施例中，信道调度模块用于根据模拟波束调度集进行信道的调度，其中模拟波束调度集为通过输出用户集对应的模拟波束集合；

本实施例以一个下行链路多用户MIMO-mmWave系统为例进行说明其模拟波束调度的原理，该下行链路多用户MIMO-mmWave系统设有一个基站(BS)，该基站在其工作范围内服务K个用户。基站配备有N_BS个天线和N_RF个射频(RF)链，基站向用户发送N_S个数据流，其中N_S≤N_RF。

在本实施例中，基站采用全阵列混合结构，每个射频链通过模拟相移网络与基站天线相连。令每个用户配置一个天线，并且用户数大于系统容量，即K＞N_RF。本实施例采用Saleh-Valenzuela信道模型进行描述毫米波系统的信道响应。此外，基站的结构配置和描述毫米波系统的信道响应在此不做限定，本领域技术人员可根据实际情况作出改变。

令基站与用户k之间的信道为h_k，并且h_k由L个有限的散射路径组成，h_k具体表示为：

其中α_k,m是用户k对第m条路径的复增益系数，ρ_k是基站和用户k之间的路径损耗，φ_k,m表示用户k处第m条路径的发射角(AoD)，a_BS(φ_k,m)^H表示均匀线阵(ULA)的发射天线阵响应向量，H表示共轭转置。

在本实施例中，a_Bs(φ_k,m)具体为：

其中d表示天线的间距，λ表示信号波长。

在混合毫米波系统中，发射预编码器包括模拟预编码器和数字预编码器，具体为：

W＝W_aW_d；

其中模拟预编码器数字预编码器

模拟预编码器W_a通过相移网络在射频链上实现，数字预编码器W_d应用于基带数字数据。用户k的接收信号表示为：

其中发射信号且n_k为加性复高斯噪声，具体为n_k～N(0,σ²)。

模拟预编码器W_a采用预定义的码本

对于数字预编码器，本实施例考虑基带预编码器W_d是单位矩阵，基站选择模拟波束码字b到用户k的有效信道增益表示为：

其中P表示基站处的传输功率，是基站对用户k选择的模拟波束码字b，模拟波束码字b为码本中第b个模拟波束，σ²表示方差。

在本实施例中，毫米波用户下行链路MIMO系统的可达和速率表示为：

其中表示用户k信号干扰加噪声比(SINR),具体为：

其中是用户间干扰，具体为：

其中wⁱ表示在基站侧选择的模拟波束。

本实施例优化的目标是通过联合优化用户调度和模拟波束选择达到最大化和速率，具体为：

此外还需满足四个约束条件：

第一约束条件：

第二约束条件：

第三约束条件：

第四约束条件：

其中波束分配矩阵 用于标识波束分配矩阵中对用户k是否分配为波束b。

在本实施例中，第一约束条件表示是二进制的，具体的，如果波束b分配给用户k，否则第二约束条件用于确保每个用户最多只能分配一个波束。第三约束条件用于确保每个波束最多只能分配给一个用户。第四个约束条件表示从K个用户到个模拟波束最多有N_RF个非重叠分配。

结合本实施例优化的目标和四个约束条件，可见波束分配矩阵的二元性，以及基站对用户分配波束属于非凸的NP难问题，本实施例在上述方案的基础上采用实施例1的优化技术方案降低了基站调度时分配给用户波束的计算复杂度，减少用户匹配波束时等待的时延。

实施例3

本实施例以实施例1的优化方案进行对计算复杂度的对比实验，对照的方案具体包括基于穷举搜索的全局最优方案(ES)、基于差分凸(D.c.)规划的局部最优方案和基于贪婪方法的最新低复杂度方案。

对于实施例1中的基于机器学习的用户调度和模拟波束选择优化方法：

用户分类的复杂度为P(T_ucKN_RFN_BS)，其中T_uc是最大迭代次数，T_uc＜＜K。由于SVM算法的训练阶段是离线的，只需要考虑在线分类的复杂性。支持向量机算法波束选择的复杂度为其中表示的基数，表示svm分类器的支撑向量集。

因此对于该方案的复杂度估计为：

对于穷举搜索的全局最优方案：

计算所有用户和波束对的可行集合，计算复杂度为：

其中的一般形式为：

对于差分凸规划的局部最优方案：

根据基于差分凸规划的局部最优算法，每次迭代的凸优化问题有优化变量和凸线性约束，因此每次迭代的计算复杂度为令最大迭代次数为T_d，则该方案的计算复杂度为：

对于基于贪婪方法的最新最低复杂度方案：

令贪婪方案的搜索空间维数为该方案的计算复杂度为：

结合上述各方案的计算复杂度，经过比较，穷举搜索方法的复杂度CLT_e最高，基于机器学习的用户调度和模拟波束选择优化方法的复杂度CLT_m最低，即：

CLT_e＞CLT_d＞CLT_g＞CLT_m；

当N_BS、K以及较大时，即在面对容量更大的调度情况时，基于机器学习的用户调度和模拟波束选择优化方法具有更好的降低计算复杂度的效果，在减少调度时延上更具优势。

在本实施例中，第k个用户的路径损耗为其中β是路径损耗指数，D_k表示基站与用户k之间的距离。在本实施例中，设置β＝3.76，D_k采用均匀分布在10～15之间的随机变量值，另外还设置N_RF＝4，N_BS＝16，K＝10，对于毫米波信道，λ＝5mm，φ_k,m均匀分布在0和2π之间。此外设置基站端的模拟波束码本数波束预测模型中的波束分类器采用SVM分类器并由实验中5000个训练样本生成，模拟结果采用montecarlo模拟，进行了1000个信道实现。

在本实施例中，穷举搜索方案(记作“ES”)、基于D.c.方案(记作“D.c.”)、贪婪方法方案(记作“Greedy”)、基于机器学习的用户调度和模拟波束选择优化方法的方案(记作“ML”)，以及用户随机选择模拟波束的方案(记作“naive”)。

如图4所示，对于平均和速率在不同信噪比下的变化，结果表明随着信噪比的增大，六种方案的性能都有所提高。“ES”方案的性能最好，“Naive”方案的性能最差，“Greedy”方案的性能优于“ML”方案。同时随着信噪比的增大，用户间干扰的影响减弱，不同信道的特征也越来越明显，SVM分类器的性能也越来越好，从而“Greedy”方案与实施例1的“ML”方案之间的差距逐渐缩小。

如图5所示，对于不同方案与用户数K在复杂度的比较，其中设置SNR＝5dB。结果表明，“ML”方案的复杂度低于“Greedy”方案。此外，“ML”方案的复杂度随着K的增加而缓慢增长。

如图6所示，对于不同方案在SNR＝5dB下有效性的比较，结果表明，比较累积分布函数(CDF)，“ML”方案的CDF曲线与“Greedy”方案的CDF曲线非常接近，即在SNR＝5dB下，“ML”方案具有与“Greedy”方案接近的有效性。

如图7所示，对于不同方案与用户数K在平均和速率的比较，其中设置SNP＝15dB。结果表明，“ML”方案和“Greedy”方案的平均和速率随着K的增长而增加，因此“ML”方案在处理大规模系统时具有更大的潜力。

实施例4

本实施例提供了一种大规模MIMO系统，该系统采用实施例1中基于机器学习的用户调度和模拟波束选择优化方法对工作范围内的用户匹配波束。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。