MIMO-OFDM的PAPR降低的制作方法

本公开的实施例一般涉及电信领域，特别是涉及用于多输入多输出正交频分复用(mimo-ofdm)的峰均功率比(papr)降低的方法、设备和计算机可读存储介质。

背景技术：

多输入多输出正交频分复用(mimo-ofdm)是用于4g和5g宽带无线通信的主要空中接口。它结合了多输入多输出(mimo)技术和正交频分复用(ofdm)技术，多输入多输出(mimo)技术通过在多个天线上发射不同的信号来倍增容量，正交频分复用(ofdm)技术将无线电信道划分为大量紧密间隔的子信道来以更高速度提供可靠通信。

大规模mimo-ofdm下行链路系统可以被描绘为具有一组使用ofdm技术同时服务于若干流的发射天线的系统。子载波上的符号可以在发射之前基于信道特征而进行处理，以获得要被发射的信号。通常，作为ofdm的主要缺点之一，发射天线上的时域信号具有较大的包络波动。当信号通过高功率放大器(hpa)时，较大的包络波动会引起严重的非线性失真。

技术实现要素：

一般来说，本公开的示例实施例提供了用于mimo-ofdm的papr降低的方法、设备和计算机可读存储介质。

在第一方面，提供了一种在网络设备处实现的方法。该方法包括：生成从所述网络设备到终端设备的下行链路信道上的子载波上的ofdm符号的序列；至少部分地基于下行链路信道的特性来确定下行链路信道的处理矩阵；获得信号生成模型的参数参考值；并且迭代地执行以下操作多次：基于ofdm符号的所述序列和处理矩阵，调整信号生成模型的参数的参考值，该参数是用于经由网络设备的发送端口在下行链路信道上向所述终端设备发射的信号；并且通过对信号生成模型的参数的调整值进行限幅来更新信号生成模型的参数的参考值。

在第二方面，提供了一种网络设备。该设备包括至少一个处理器；至少一个存储器，包括计算机程序代码。至少一个存储器和计算机程序代码被配置为与至少一个处理器一起使设备至少执行根据第一方面的方法。

在第三方面，提供了一种装置，该装置包括用于执行根据第一方面的方法的步骤的部件。

在第四方面，提供了一种在其上存储有的计算机程序的计算机可读介质，该计算机程序在由设备的至少一个处理器执行时使该设备执行根据第一方面的方法。

应当理解，发明内容部分并非旨在标识本公开的实施例的关键或必要特征，也不旨在用于限制本公开的范围。通过以下描述，本公开的其他特征将变得容易理解。

附图说明

通过在附图中对本公开的一些示例实施例的更详细描述，本公开的上述和其他目的、特征和优点将变得更加明显，其中：

图1示出了在其中可以实现本公开的示例实施例的示例通信系统100；

图2示出了根据本公开的一些示例实施例的用于mimo-ofdm的papr降低的示例方法200的流程图；

图3示出了根据本公开的一些示例实施例的用于mimo-ofdm的papr降低的示例；

图4示出了根据本公开的一些示例实施例的用于mimo-ofdm的papr降低的示例；

图5示出了根据本公开的一些示例实施例的用于mimo-ofdm的papr降低的示例；

图6示出了根据本公开的一些示例实施例的用于mimo-ofdm的papr降低的示例；

图7示出了根据本公开的一些示例实施例的用于mimo-ofdm的papr降低的示例；

图8示出了根据本公开的一些示例实施例的用于mimo-ofdm的papr降低的示例；

图9示出了根据本公开的一些示例实施例的用于mimo-ofdm的papr降低的示例；

图10示出了根据本公开的一些示例实施例的用于mimo-ofdm的papr降低的示例；

图11示出了根据本公开的一些示例实施例的用于mimo-ofdm的papr降低的示例；

图12是适合用于实现本公开的示例实施例的设备的简化框图。

在所有附图中，相同或相似的附图标号表示相同或相似的元件。

具体实施方式

现在将参考一些示例实施例来描述本公开的原理。应当理解，这些实施例仅出于说明的目的而被描述，并且帮助本领域的技术人员理解和实现本公开，而没有对本公开的范围提出任何限制。除了下面描述的方式以外，可以以各种方式来实现本文描述的本公开。

在以下描述和权利要求中，除非另有定义，否则本文中使用的所有技术和科学术语具有与本公开所属领域的普通技术人员通常所理解的相同含义。

如本文中所使用的，术语“通信网络”是指遵循任何合适的通信标准或协议并且采用任何合适的通信技术的网络，合适的通信标准或协议诸如长期演进(lte)、高级lte(lte-a)和5gnr，合适的通信技术包括例如多输入多输出(mimo)、ofdm、时分多路复用(tdm)、频分多路复用(fdm)、码分多路复用(cdm)、蓝牙、zigbee、机器类型通信(mtc)、embb、mmtc和urllc技术。为了讨论的目的，在一些实施例中，以lte网络、lte-a网络、5gnr网络或其任意组合作为通信网络的示例。

如本文中所使用的，术语“网络设备”是指在通信网络的网络侧的任何合适的设备。网络设备可以包括通信网络的接入网络中的任何合适的设备，例如包括基站(bs)、中继、接入点(ap)、节点b(nodeb或nb)、演进型nodeb(enodeb或enb)、千兆位nodeb(gnb)、远程无线电模块(rru)、无线电头(rh)、远程无线电头(rrh)、低功率节点(诸如毫微微、微微网)等等。为了讨论的目的，在一些实施例中，将enb作为网络设备的示例。

网络设备还可以包括核心网络中的任何合适的设备，例如包括诸如msrbs之类的多标准无线电(msr)无线电设备、诸如无线电网络控制器(rnc)或基站控制器(bsc)之类的网络控制器、多小区/多播协调实体(mce)、移动交换中心(msc)和mme、操作和管理(o&m)节点、操作支持系统(oss)节点、自组织网络(son)节点、诸如增强型服务移动定位中心(e-smlc)之类的定位节点和/或移动数据终端(mdt)。

如本文中所使用的，术语“终端设备”是指能够用于、被配置用于、被布置用于和/或可操作用于与通信网络中的网络设备或另一终端设备进行通信的设备。通信可以涉及使用电磁信号、无线电波、红外信号和/或适合于在空中传达信息的其他类型的信号来发射和/或接收无线信号。在一些实施例中，终端设备可以被配置为在没有直接人类交互的情况下发射和/或接收信息。例如，当由内部或外部事件触发时，或者响应于来自网络侧的请求，终端设备可以按预定的调度向网络设备发射信息。

终端设备的示例包括但不限于用户设备(ue)诸如智能电话、启用无线的平板电脑、笔记本电脑嵌入式设备(lee)、笔记本电脑安装设备(lme)和/或无线客户驻地设备(cpe)。为了讨论的目的，在下文中，将参考ue作为终端设备的示例来描述一些实施例，并且术语“终端设备”和“用户设备”(ue)可以在本公开的上下文中互换使用。

如本文中所使用的，术语“小区”是指由网络设备发射的无线电信号覆盖的区域。小区内的终端设备可以由网络设备服务并且经由网络设备接入通信网络。

如本文中所使用的，术语“电路系统”可以指以下的一个或多个或全部：

(a)纯硬件电路实现(诸如仅在模拟和/或数字电路系统中的实现)和

(b)具有软件的(一个或多个)硬件电路的组合，诸如(如果适用的话)：(i)(一个或多个)模拟和/或数字硬件电路与软件/固件的组合，以及(ii)具有软件的(一个或多个)硬件处理器的的任何部分(包括(一个或多个)数字信号处理器)、软件和(一个或多个)存储器，它们一起工作以使诸如移动电话或服务器之类的装置执行各种功能)，和

(c)需要软件(例如固件)来运行的(一个或多个)硬件电路和/或(一个或多个)处理器，诸如(一个或多个)微处理器或(一个或多个)微处理器的一部分，但在操作不需要它时该软件可能不存在。

电路系统的这种定义适用于该术语在本申请中的所有使用，包括在任何权利要求中的所有使用。作为进一步的示例，如本申请中所使用的，术语电路系统也涵盖仅硬件电路或处理器(或多个处理器)或硬件电路或处理器的一部分及它(或它们)随附软件和/或固件的实现。举例而言并且在适用于特定权利要求元素的情况下，术语电路系统还涵盖用于移动设备的基带集成电路或处理器集成电路，或者服务器、蜂窝网络设备或其他计算或网络设备中的类似集成电路。

如本文中所使用的，除非上下文另外明确指出，否则单数形式的“一”、“一个”和“该”也意图包括复数形式。术语“包括”及其变体应被解读为开放术语，其意指“包括但不限于”。术语“基于”应被解读为“至少部分地基于”。术语“一个实施例”和“实施例”应被解读为“至少一个实施例”。术语“另一个实施例”应被解读为“至少一个其他实施例”。其他定义，无论是显式的还是隐式的，都可以被包括在下面。

图1例示出了可以在其中实现本公开的实施例的通信网络100。通信网络100包括网络设备(例如，gnb)110和与之通信的终端设备(例如，ue)120-1，...，120-m(以下统称为终端设备120或ue120)。gnb110可以包括天线113-1，...，113-n，并且gnb110的天线的数目n可以大于终端设备的数目m。gnb100和ue120-1，...，120-m可以经由gnb100与ue120-1，...，120-m之间的信道彼此通信。

为了讨论的目的，在下文中，将参考ue作为终端设备的示例来描述一些实施例。终端设备也可以被视为wifi或其他中继设备。

应当理解，仅出于说明的目的示出了网络设备和终端设备的数目，而没有提出任何限制。通信网络100可以包括任何合适数目的网络设备和终端设备。网络设备110与终端设备120之间的通信可以利用已经存在或未来将开发的任何合适的技术。

如图1中所示，gnb110可以包括：符号生成模块111，用于生成正交频分复用(ofdm)符号序列；以及处理模块112，用于对所生成的符号序列进行预处理，以获得要被发射的信号。gnb110还可以包括用于发射信号的天线113-1，...，113-n。gnb110的天线的数目n可以大于终端设备的数目m。gnb110可以经由天线113-1，...，113-n向ue120-1，...，ue120-m发射信号。

如图1中所示，处理模块112可以包括一些子模块，诸如预编码模块121、重新排序模块122和离散傅立叶逆变换(idft)。不同的模块可以针对符号序列执行不同的预处理过程。

作为示例，通信系统100可以指的是大规模mimo-ofdm下行链路系统，其可以被描绘述为gnb，其中n个发射天线使用带有w个子载波的ofdm技术同时服务于m个活动流。作为示例，m个流可以对应于m个单天线ue。作为另一示例，m个流可以对应于多个ue，其中每个ue可以具有一个或多个流，但是流的总数是m。

将在第k个子载波上发射的符号标示为列向量sk，其具有大小m×1，将在第k个子载波上的预编码矩阵标示为pk(具有大小n×m)，并将在第k个子载波上的预编码符号标示为向量xk，其具有大小n×1。然后xk可以通过等式(1)来表示如下：

xk＝pksk，1≤k≤w(1)

将x标示为矩阵，其列为xk，并且将x^t((·)^t意指转置)的第i列标示为wi(具有大小w×1)，其意指在第i个天线上的不同子载波上的频域信号，其中i(1≤i≤n)是天线的索引。

由于dft可以被视为矩阵乘法，因此将w×wdft矩阵标示为fw，然后对应的idft矩阵可以被标示为((·)^h意指共轭和转置)，并且(iw标示w×w单位矩阵)。将第i个天线上的时域信号标示为ai，并且ai可以通过等式(2)来计算如下：

通常，作为ofdm的主要缺点之一，ai将具有较大的包络波动。当ai通过高功率放大器(hpa)时，这种较大的包络波动将导致严重的非线性失真。

峰均功率比(papr，也被称为par)是众所周知的包络波动的量度。对于基本的ofdm系统，高papr是一个固有缺陷，大规模mimo-ofdm系统也面临着这一问题。由于大规模mimo具有冗余的自由度，因此其可以被利用来显著降低papr。

如果将mimo-ofdm下行链路系统进一步建模为矩阵乘法，则如图1中所示。将所有子载波上的符号级联为一个向量，并标示为s(具有大小mw×1)。块对角矩阵p(具有大小nw×mw)可以被构造为所有子载波的预编码矩阵都位于对角线上。所有子载波上的预编码符号可以被级联为一个向量x(具有大小nw×1)，然后x可以通过等式(3)来表示如下：

x＝ps(3)

类似地，块对角线矩阵h(具有大小mw×nw)可以被构建为所有子载波的信道矩阵都位于对角线上，并且s可以通过等式(4)来恢复如下：

s＝hx(4)

为了计算时域中的信号，x应被重新排序为w(具有大小nw×1)。类似地，重新排序操作可以被标示为重新排序矩阵t(在此，t为真实nw×nw稀疏矩阵并且tt^t＝i)。然后w可以通过等式(5)来表示：

w＝tx(4)

并且x可以通过等式(6)来恢复：

x＝t^tw(5)

将f标示为其中标示克罗内克(kronecker)积。然后，可以如下通过等式(7)获得被标示为a(具有大小nw×1)的所有信号的级联：

a＝f^hw(7)

并且可以如下从等式(8)中的a中恢复w：

w＝fa(8)

合并等式(3)、(5)和(7)，a可以如下通过等式(9)被重写为s的线性变换：

a＝f^htps(9)

在等式(9)中，当大规模mimo-ofdm的基本参数(n和w)已知时，f^h和t是固定的。因此，预编码矩阵决定信号向量a具有大还是低papr。因此，大papr的问题可以被转换成找到合适的预编码矩阵，该预编码矩阵使得信号向量a具有低papr。

结合等式(4)、(6)和(8)，可以推导等式(10)如下：

s＝ht^tfa(10)

由于当n和w已知时，h、f^h和t都是固定的，因此该问题可以进一步被转换成找到具有低papr的这样一个信号向量a。将e标示为那么等式(10)可以由等式(11)重写如下：

s＝ea(6)

当gnb110向用户(诸如ue120-1...，120-m)发射特定符号时，s和e两者都是已知的，仅a保持未知。因此，为了在天线上找到合适的预编码信号，可以考虑等式(11)来解决papr约束。

因此，在大规模的mimo-ofdm系统中，如果gnb110使用ofdm技术通过天线向ue120-1...，120-m发射符号并且信道矩阵是已知的，那么重要的是确定天线上具有最低papr的信号并且不会损失符号所包含的信息。

提出了一些方法来试图确定天线上的信号，即等式(11)中的a。例如，限幅方法可以被用来限制信号的幅度。作为一种选项，可以分别针对每个天线执行限幅过程。作为另一种选项，可以针对所有天线上的信号的级联执行限幅过程。

在对所有天线上的信号的级联进行限幅的情况下，通常采用过采样。对于过采样的信号，限幅将生成带外泄漏，这需要在频域中进行后续滤波操作。然而，常规的mimo-ofdm系统不允许这种过采样操作。

此外，限幅之后跟随的迫零预编码是用于papr降低的有效方法。迫零加限幅算法的复杂度主要来自于迫零预编码，并且总复杂度为o(wm³+wnm²)。随着流的数目增加，复杂度将三次方地增加，这在实践中很难实现。

同时，由于限幅操作将导致原始信息的一些损失，因此需要在实际系统中在papr降低与信息损失之间取得平衡。

另一方法提出了一种用于通过对等式(11)进行转换来优化信号向量的方案。为了解决这个问题，引入了一种被称为快速迭代截断算法(fitra)的算法。然而，该算法还要求大量的迭代时间，由于其超级缓慢的收敛性，在实际系统中可能很难使用。

另一方法提出了一种有效的贝叶斯papr降低方法，被称为em-tgm-gamp方法，该方法需要较少的迭代来收敛。该方法旨在将广义近似消息传递(gamp)嵌入到变化期望最大化(em)框架中，以找到最佳解。与fitra相比，它的papr降低效果更好。

为了进一步降低天线上的信号的papr，并同时保证实际系统中在papr降低与信息损失之间的平衡。本公开的实施例提出了基于人工神经网络(ann)技术的迭代papr降低方案。

下面将参考图2详细描述本公开的原理和实现，图2示出了根据本公开的一些示例实施例的用于papr降低的示例方法200的流程图。方法200可以在如图1中所示的gnb110处被实现。为了讨论的目的，方法400将参考图1来描述。

如图2中所示，在210处，gnb110生成在从gnb110到ue120的下行链路信道上的子载波上的ofdm符号的序列。ofdm符号的序列可以被认为是由要被发射的数据流生成。

在一些实施例中，gnb110可以获得下行链路信道上的子载波的数目、每个序列中的ofdm符号的数目以及gnb110的天线的数目，并基于子载波的数目、每个序列中的ofdm符号的数目以及天线的数目来生成ofdm符号序列。

在一些实施例中，每个序列中的ofdm符号的数目可以被认为是gnb110上的数据流的数目。

如图2中所示，在220处，gnb110至少部分地基于下行链路信道的特性来确定下行链路信道的处理矩阵。

在一些实施例中，gnb110可以基于下行链路信道上的子载波的数目、每个序列中的ofdm符号的数目以及gnb110的天线的数目来确定表征下行链路信道的信道矩阵，并通过对信道矩阵执行转置和idft来确定处理矩阵。

如上所述，借助于等式(11)，大规模mimo-ofdmpapr降低的问题可以被转换成在papr约束下找到线性等式的信号向量a。当gnb110向用户(诸如ue120-1...，120-m)发射特定符号时，s和e两者都是已知的。

为了控制带外泄漏，可以将等式(4)拆分为等式(12)：

其中in是n×n单位矩阵。所有知可以被级联为(具有大小)，并且对角矩阵可以被构造为使其对角线块等于：hk，对于以及in，对于

的维数是结合等式(4)、(6)和(8)，可以推导与等式(10)类似的等式(13)如下：

将标示为等式(13)可以由等式(14)重写如下：

也就是说，ofdm符号的重构序列和重构的信道矩阵被获得。为了符号上的方便，令然后是一个k×1向

量，是一个k×nw矩阵，并且a是一个nw×1向量。

如果确定了ofdm符号的序列和信道矩阵则gnb110可以进一步确定信号向量a。

可以引入两层线性ann来确定信号向量a。基于ofdm符号序列和信道矩阵可以构造信号生成模型。图3示出了本公开的信号生成模型300的示例。

如图3中所示，信号生成模型300可以包括输入层310和输出层320。将(具有大小nw×1)标示为a的估计值，可以将的行用作输入，并且将的元素用作输出。对于每对将标示为的第k个元素，并且将标示为的第k行，权重向量将被更新。可以将其理解为信号生成模型300的参数，其是用于经由gnb110的发送端口在下行链路信道上向ue120发送的信号。

如图2中所示，在230处，gnb110获得信号生成模型300的参数的参考值。例如，在初始阶段，信号生成模型300的参数的参考值可以被设置为预设值。

在240处，gnb110基于和参考值来调整信号生成模型300的参数。

在一些实施例中，使用优化过程来调整参考值。gnb110可以确定ofdm符号序列与信号生成模型300的参数和下行链路信道的处理矩阵的乘积之间的差异。gnb110可以基于该差异来调整信号生成模型的参数的参考值。

在一些实施例中，优化过程可以选自由以下组成的组中：随机梯度下降(sgd)、批量梯度下降(bgd)和小批量梯度下降(mini-batchgd)。

在一些实施例中，基于sgd的预编码算法可以表示如下。

可以通过等式(15)来计算差值，即误差值：

通过等式(16)可以计算出梯度向量：

信号生成模型300的参数的参考值可以通过等式(17)来调整：

其中η根据经验可以指的是sgd的学习率，例如，η＝1.0。

在250处，gnb110通过对信号生成模型的参数的调整值进行限幅来更新信号生成模型300的参数的参考值

在一些实施例中，可以设置最大迭代时间以迭代地执行在240和250处的动作。也就是说，在240处，信号生成模型300的参数的调整值可以被用作参考值

对于限幅过程，在一些实施例中，限幅比可以在初始阶段中被设置为预设值。限幅比可以被认为是限制信号的幅度的重要参数。

如果使用自适应限幅比，则可以通过等式(18)和(19)来为每次迭代计算限幅比的增量：

μ＝μ+δμ(19)

其中μ0可以是指初始限幅比。例如，μ＝μ0＝0.8，μn＝1.2。

例如，如果使用固定的限幅比，则限幅比可以被设置为μ＝1.03。

基于参数的调整值、天线的数目和子载波的数目，可以通过等式(20)计算的平均功率：

可以为限幅过程设置最大限幅时间n^clip。例如，最大限幅时间可以根据经验被设置为n^clip＜n。例如，n^clip＝n-1。

给定和等式(20)，可以通过等式(21)来计算被限幅的

其中ζ可以是指限幅阈值，即信号的幅度的上限。可以是指被限幅的的临时向量。

限幅残差可以通过等式(22)来计算：

可以通过等式(23)来更新指示通过先前的限幅操作所累积的限幅趋势的限幅“动量”(具有大小nw×1)，等式(23)可以在初始阶段被设置为当前值：

其中，累积率α和β可以根据经验进行设置，例如α＝0.2，β＝2.0。此外，较小阈值ε≥0可以被设置以对“动量”进行限幅，例如ε＝10^-8。

可以通过等式(24)来更新估计的信号向量，即参数的调整值：

如上所述，在250处可以确定的信号生成模型300的参数的调整值可以被用作在240处的参考值

在本公开的实施例中，提出了基于sgd的预编码以降低papr，其具有比零迫预编码更低的复杂度。此外，由于ann的快速发展，基于gd的预编码还在计算效率上获益。

此外，将针对每次迭代执行预编码操作，这将把被限幅的信号拉回到解空间中。它将彻底避免原始信息的损失。超前限幅被提出并被用来有效地降低papr。通过使用限幅“动量”，可以更有效地降低信号的papr。自适应限幅比技术被提出并被使用在超前限幅中以提高整体性能。

关于用于papr降低的不同算法的复杂度分析，基于sgd的预编码是整个算法的主要部分，其具有每次迭代为o(knw)的计算复杂度，其中因此，所提出的基于gd的方法的复杂度针对每次迭代为o(knw)。

相反，fitra和em-tgm-gamp都具有针对每次迭代为的计算复杂度。因此，对于每次迭代，基于gd的方法与这两种方法具有相同的复杂度。由于基于gd的方法仅需要10到20次迭代，因此在收敛方面具有很大的优势。

当k≈mw时，基于gd的方法的复杂度为o(mnw²)。但是，迫零加限幅算法的复杂度为o(wm³+wnm²)。随着并发用户量的快速增长，流的数目m呈线性增加，那么迫零加限幅算法的三次方增加的复杂度成为一个巨大的挑战。在这种情形下，基于gd的方法由于其线性增加的复杂度而将更具吸引力。

另外，基于gd的方法可以从ann的发展中受益匪浅，诸如神经处理单元(npu)的出现，它是专门致力于加速机器学习算法的微处理器。因此，基于gd的方法对于将来的实际实时系统将更具吸引力。

可以考虑一些性能参数来测量用于papr降低的不同算法。

例如，信号的papr(也被称为par)被定义为信号的峰值功率与其平均功率之比，其可以通过等式(25)来表示：

其中，nw是的总长度，等式(25)可以由等式(26)重写：

例如，立方度量(cm)可以由等式(27)来表示：

其中rcmref是参考rcm并且d是常数。

其中通常，为简单起见，rcm和cm被认为是等效的。因此，等式(27)可以由等式(28)重写：

在一些实施例中，多用户干扰(mui)可以通过等式(29)来表示：

其中是音调集，其中音调被用于数据发射。k(1≤k≤w)是音调id。sk，是第k个子载波上的s和的分量。等式(29)可以由等式(30)重写：

在一些实施例中，功率增加(pi)可以通过等式(31)来表示：

其中xzf是通过迫零预编码方案获得的解。等式(31)可以由等式(32)重写：

在一些实施例中，引入带外功率比(obr)以测量该解的带外辐射，其可以通过等式(33)来表示：

其中是音调集，其中音调被用于保护频带，并且是第k个子载波上的的分量。等式(33)可以由等式(34)重写：

对于所提出的基于gd的papr降低算法，一些超参数非常重要，并且对性能有很大的影响。主要的超参数是限幅比μ和累积率α，β。

限幅比μ对于所提出的基于gd的papr降低方案至关重要，可以选择不同的值来适配不同的要求。如图4中所示，限幅比μ分别对papr、rcm、pi、mui和obr性能有很大的影响。当限幅比在1.0到1.1之间时，papr变为最小值，而当μ在0.9到1.0之间时，rcm变为最小值。

对于固定的限幅比，如果考虑到papr和rcm，它们是信号波动的两个关键测量值，则限幅比应被选择在1.0左右。最佳papr和rcm降低的经验限幅比约为1.03。如果同时考虑mui和pi，则μ＝1.2可能是相对较低的mui和pi的另一个理想选择。

对于自适应限幅比，由于最佳限幅比在1.0左右，因此在迭代过程中，限幅比可以从低于1.0自动增加到大于1.0，其不仅可以得到较低的papr和rcm，而且可以得到相对较低的mui和pi。根据经验，建议将自适应限幅比作为一般用法的较好选择。

如图5中所示，对于自适应限幅比μ，累积率也对性能有很大的影响。对于1≤β≤3，papr和rcm均具有较低的值，但mui和pi具有较大波动。为了具有相对较低的mui和pi，根据经验选择α＝0.2，β＝2.0。

在以下部分中，将测试基于gd的papr降低方案(由sgd-clip来标记)与原始的迫零预编码方案(无papr降低，由zf来标记)、迫零预编码加限幅方案(由zf+clip来标记)的性能进行)、em-tgm-gamp方案。

例如，环境参数可以被设置为：

调制阶数：16-qam星座图

天线数目：n＝50

流的数目：m＝5

所有ofdm音调的数目：w＝64

用于保护频带的ofdm音调的数目：

用于数据发射的ofdm音调的数目：

图6示出了根据不同方案的收敛速度。如图6中所示，对于papr/rcm测量值，所提出的sgd-clip方法收敛非常快。在约12次迭代之后，两种sgd-clip方法都可以得到与em-tgm-gamp相同的papr/rcm降低。只用10次迭代，sgd-clip方法就可以获得比其他方法更低的pi、mui和obr。利用自适应限幅比，sgd-clip方法可以得到更低的mui。

为了直观地理解所提出的算法的性能，对于第一天线上的信号，在图7中绘制并示出了时域和频域中的幅度。时域上的信号位于左侧，很容易决定信号具有高还是低的papr，因为大的papr意指时域上的大波动。

通过迫零进行预编码的原始数据具有大波动，而经典的限幅方法将高值限幅为相对低值，而其他值则保持不变。不同的是，em-tgm-gamp和sgd-clip方法都试图通过利用大规模mimo方案中的自由度来降低papr。因此，这些方法可以得到更低的papr。显然，利用20次迭代的sgd-clip方法(固定和自适应μ)均得到最佳降低，而利用20次迭代的em-tgm-gamp得到次佳降低。

频域中的信号的幅度被示出在右侧。尽管信号在时域上非常不一样，但在频域上却非常相似。应当注意的是，信号的第一个点和最后四个点是用于保护频带的音调，理论上，该音调应始终为零。对于经典的限幅方法，有些点有所增加。对于所提出的sgd-clip方法，这些点几乎为零。这是sgd-clip算法的显著优势，带外功率泄漏非常低(obr＜-280db)。

互补累积分布函数(ccdf)被用来评估papr/rcm降低性能。如图8中所示，具有自适应限幅比的sgd-clip方法得到最佳papr降低，并且在ccdf(papr)＝1％处将平均papr降低到小于1db，这是非常低的papr电平。此外，具有固定限幅比的sgd-clip方法也得到良好的papr降低效果，比em-tgm-gamp方法稍好。

为了rcm降低，sgd-clip方法的ccdf曲线非常接近em-tgm-gamp方法的曲线。具有自适应限幅比的基于sgd的方法和em-tgm-gamp二者都可以在ccdf(papr)＝1％处将rcm降低至1db左右，这是非常低的电平。

误码率性能是通过流上的平均符号误码率(ser)来测量的。对于我们的测试，符号是在16-qam星座图中随机生成的。当符号被解码为星座中的另一个符号时，该符号被认为是错误的。

如图9中所示，利用20次迭代，所提出的sgd-clip方法比em-tgm-gamp得到更好的ser。sgd-clip和em-tgm-gamp方法比迫零方法得到的ser更差的原因是，它们提高了最终信号的功率，但原始信号的功率却是相同的。结果，在相同的snr电平下，具有较大功率的最终信号将具有较大的噪声。在解码之后，较大的噪声将对解码后的信号造成较大影响，并且ser性能将更差。

对于迫零加限幅方法，限幅操作将损坏原始编码信号，这将使ser性能降级。但是最终信号的功率也会下降，因此在相同的snr电平下增加的噪声越来越小，这将在一定程度上补偿ser性能的降级。但是，当snr足够大时，补偿可以忽略不计。

为了证明sgd-clip方法可以完全保留原始信息的结论，需要实施另一个测试。在此测试中，将相同的噪声添加到不同算法的最终信号中，并计算其ser以查看原始信息是否已被完全保留。众所周知，如果一些原始信息损失，则ser将变得更差。

结果在图10中被示出，由于对于特定的snr电平，不同算法的噪声是相同的，所以snr在这里是指迫零信号功率与噪声功率之比。对于迫零加限幅方法，由于限幅损坏了原始信息，因此其ser性能最差。而对于其他方法，ser曲线几乎相同。迫零、em-tgm-gamp和sgd-clip方法之间没有显著差异，这意味着em-tgm-gamp和sgd-clip方法完全保留了原始信息。

关于保留原始信息的成本，em-tgm-gamp方法将功率增加约1.5db，而sgd-clip方法仅将功率增加约1db，这可以在图6中被观察到(pi收敛)。这是基于gd的方法超过传统优化方法的另一个优点，即pi相对较低。

由于所提出的sgd-clip方法利用了大规模mimo中的冗余自由度，因此针对所有用户的流的总数目应小于发射天线的总数目，即m＜n。否则，就不会有多余的自由度可以被利用。

如图11中所示，在5个数据流(m＝5)的情况下，sgd-clip方法和em-tgm-gamp方法在至少20个发射天线的情况下，可以得到很好的papr降低。并且增加发射天线的数目产生提高的papr性能。但是对于迫零加限幅方法，增加发射天线的数目几乎没有益处。

更多的发射天线带来更多的自由度，并且的解空间也变得更大。因此，sgd-clip方法更容易找到局部最优解。根据测试结果，我们可以得出结论：要实现出色的papr降低，天线的数目应至少为用户流数目的4倍，即n≥4m。

借助于针对性能的上述测试结果，所提出的基于gd的大规模mimo-ofdmpapr降低算法具有以下几个明显的优点：

令人印象深刻的papr性能：信号papr可以被降低到非常低的电平。

低obr和mui：最佳解具有相当低的obr和mui。

快速收敛：10至20次迭代足以找到最佳解。

无信息损失：以仅增加1db的功率为代价完全保留信号信息。

易于实现：仅是简单的两层神经网络，并结合了改进的限幅方法。

来自ai领域的益处：可以很容易使用在硬件(dsp、gpu、fpga、npu)中实现的ann，这可以消除cpu的大部分计算消耗。

在一些示例实施例中，能够执行方法200的装置(例如，gnb110)可以包括用于执行方法200的各个步骤的部件。该部件可以以任何合适的形式实现。例如，该部件可以被实现在电路或软件模块中。

在一些示例实施例中，该装置包括：用于生成在从网络设备到终端设备的下行链路信道上的子载波上的ofdm符号的序列的部件；用于至少部分地基于下行链路信道的特性来确定下行链路信道的处理矩阵的部件；用于获得信号生成模型的参数的参考值的部件；以及用于迭代地执行以下操作多次的部件：基于ofdm符号序列和处理矩阵，调整信号生成模型的参数的参考值，该参数是用于经由网络设备的发送端口在下行链路信道上向终端设备发射的信号；并且通过对信号生成模型的参数的调整值进行限幅来更新信号生成模型的参数的参考值。

在一些示例实施例中，用于生成ofdm符号的序列的部件包括：用于获得下行链路信道上的子载波的数目、每个序列中的ofdm符号的数目以及网络设备的天线的数目的部件；以及用于基于子载波的数目、每个序列中的ofdm符号的数目以及网络设备的天线的数目来生成ofdm符号序列的部件。

在一些示例实施例中，用于确定处理矩阵的部件包括：用于基于下行链路信道上的子载波的数目、每个序列中的ofdm符号的数目以及网络设备的天线的数目来确定表征下行链路信道的信道矩阵的部件，以及用于通过对信道矩阵执行转置和离散傅立叶逆变换idft来确定处理矩阵的部件。

在一些示例实施例中，其中信号生成模型是人工神经网络ann，信号生成模型包括输入层和输出层，下行链路信道的处理矩阵被提供给输入层作为输入，ofdm符号序列由输出层提供，输入层和输出层通过参数而彼此关联。

在一些示例实施例中，用于获得参考值的部件包括用于获得预设值作为参考值的部件。

在一些示例实施例中，用于调节参考值的部件包括：用于获得更新后的值作为参考值的部件；以及用于基于ofdm符号序列和处理矩阵、信号生成模型的参数的更新后的值来调整参数的部件。

在一些示例实施例中，使用优化过程来调整参考值包括：确定ofdm符号序列与信号生成模型的参数和下行链路信道的处理矩阵的乘积之间的差异；并且基于该差异来调整信号生成模型的参数的参考值。

在一些示例实施例中，优化过程选自以下组成的组中：随机梯度下降；批量梯度下降；和小批量梯度下降。

在一些示例实施例中，用于更新参数的参考值的部件包括：用于至少部分地基于参数的调整值来确定信号的平均功率的部件；用于基于用于限制所述信号的幅度和所述平均功率的限幅比来确定所述限幅信号的所述幅度的上限的部件；以及用于基于信号的幅度的上限来对参数的调整值进行限幅的部件。

图12是适合于实现本公开的示例实施例的设备1200的简化框图。设备1200可以被视为如图1中所示的gnb110的另一示例实现。

如图所示，设备1200包括处理器1210、耦合到处理器1210的存储器1220、耦合到处理器1210的合适的发射机(tx)和接收机(rx)1240、以及耦合到tx/rx的通信接口1240。存储器1220存储程序1230的至少一部分。tx/rx1240用于双向通信。tx/rx1240具有至少一个天线以促进通信，但是在实践中本申请中提到的接入节点可以具有若干天线。通信接口可以表示与其他网络元件通信所需的任何接口，诸如用于enb之间的双向通信的x2接口、用于移动性管理实体(mme)/服务网关(s-gw)与enb之间的通信的s1接口、用于enb与中继节点(rn)之间通信的un接口或用于enb与终端设备之间通信的uu接口。

假定程序1230包括程序指令，该程序指令在由关联的处理器1210执行时，使设备1200能够根据本公开的示例实施例进行操作，如在本文中参考图2至图3所讨论的。本文中的示例实施例可以由可由设备1200的处理器1210执行的计算机软件、或者由硬件、或者由软件和硬件的组合来实现。处理器1210可以被配置为实现本公开的各种示例实施例。此外，处理器1210和存储器1220的组合可以形成适于实现本公开的各种示例实施例的处理部件1250。

存储器1220可以是适合于本地技术网络的任何类型，并且可以使用任何适当的数据存储技术来实现，作为非限制性示例，诸如非暂时性计算机可读存储介质、基于半导体的存储器设备、磁存储器设备和系统、光存储器设备和系统、固定存储器和可移动存储器。尽管在设备1200中仅示出了一个存储器1220，但是在设备1200中可以存在若干物理上分离的存储器模块。处理器1210可以是适合于本地技术网络的任何类型，并且作为非限制性示例，可以包括通用计算机、专用计算机、微处理器、数字信号处理器(dsp)和基于多核处理器架构的处理器中的一个或多个。设备1200可以具有多个处理器，诸如在时间上从属于与主处理器同步的时钟的专用集成电路芯片。

通常，本公开的各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。一些方面可以以硬件来实现，而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现。尽管本公开的实施例的各个方面被例示和描述为框图、流程图或使用一些其他图形表示，但是将理解的是，作为非限制示例，本文所描述的框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。

本公开还提供了有形地存储在非暂时性计算机可读存储介质上的至少一个计算机程序产品。该计算机程序产品包括计算机可执行指令，诸如被包括在程序模块中的那些，在目标真实或虚拟处理器上的设备中被执行，以执行以上参考图2至图5中的任何一个所述的过程或方法。通常，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、库、对象、类、组件、数据结构等。在各个实施例中，程序模块的功能性可以按照期望的那样在程序模块之间进行组合或进行分割。用于程序模块的机器可执行指令可以在本地设备或分布式设备内被执行。在分布式设备中，程序模块可以位于本地和远程存储介质中。

可以以一种或多种编程语言的任何组合来编写用于执行本公开的方法的程序代码。可以将这些程序代码提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，以使得该程序代码在由处理器或控制器执行时，引起流程图和/或框图器中指定的功能/操作被实现。程序代码可以完全在计算机上执行、部分在计算机上执行、作为独立软件包执行、部分在计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。

在本公开的上下文中，计算机程序代码或相关数据可以由任何合适的载体来携带，以使得设备、装置或处理器能够执行如上所述的各种处理和操作。载体的示例包括信号、计算机可读介质。

计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置或设备、或前述的任何合适的组合。计算机可读存储介质的更具体示例将包括具有一根或多根电线的电连接、便携式计算机软盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程读取器只读存储器(eprom或闪存)、光纤、便携式光盘只读存储器(cd-rom)、光存储设备、磁存储设备或上述的任意合适组合。

此外，尽管以特定顺序描绘了各操作，但这不应被理解为要求以所示出的特定顺序或以连续的顺序执行这样的操作，或者执行所有例示出的操作以实现期望的结果。在某些场景中，多任务和并行处理可能是有利的。同样，尽管以上讨论中包含若干特定的实现细节，但是这些不应被解释为对本公开内容范围的限制，而应被解释为对可能特定于特定实施例的特征的描述。在分开的实施例的上下文中描述的某些特征也可以在单个实施例中被组合实现。相反，在单个实施例的上下文中描述的各种特征也可以分别在多个实施例中分开或以任何合适的子组合来实现。

尽管已经以特定于结构特征和/或方法动作的语言描述了本公开，但是应该理解，所附权利要求书中定义的本公开不一定局限于上述特定特征或动作。而是，上述的特定特征和动作作为权利要求的示例形式而被公开。