信号传输方法、装置、电子设备、存储介质与流程

1.本公开属于计算机领域，特别涉及一种信号传输方法、装置、电子设备、存储介质。


背景技术：

2.混合波束赋形(hybrid beamforming，hbf)是波束赋形技术中的一种，其是通过联合数字波束赋形(digital beamforming,dbf)和模拟波束赋形(analog beamforming,abf)，调整天线阵列的权值系数使阵列产生指向性波束，可以有效地减少毫米波通信系统中射频链路的数量，降低硬件成本。
3.但是混合束波赋形技术需要获得每个发射和接收天线之间的信号状态信息，这将占用大量的频谱资源，而且随着毫米波段的天线数不断增加，信道信息估计的计算量和复杂度也大大提升。


技术实现要素：

4.本公开提供的一种信号传输方法、装置、电子设备、存储介质。
5.一种信号传输方法，所述方法包括：
6.接收端针对基站所广播同步信号发送的信号强度指示测量；
7.将所述信号强度指示测量输入至非监督神经网络模型，得到数字预编码和模拟预编码，其中，所述非监督神经网络模型是采用样本信号强度指示测量进行训练，并且基于吞吐量损失函数进行优化得到；
8.基于所述数字预编码和模拟预编码采用混合束波赋形方式对传输数据进行编码，向所述终端发射所述输出信号。
9.可选地，所述将所述信号强度指示测量输入至非监督神经网络模型，得到数字预编码和模拟预编码，包括：
10.对所述信号强度指示测量执行线性量化操作，得到信号强度指示线性测量；
11.将所述信号强度指示线性测量输入至所述非监督神经网络模型，得到数字预编码和模拟预编码。
12.可选地，所述对所述信号强度指示测量执行线性量化操作，得到信号强度指示线性测量，包括：
13.通过以下公式对所述信号强度指示测量执行线性量化操作：
[0014][0015]
其中，所述表示接收端u发送的信号强度指示测量，所述au表示接收端u发送的信号强度指示，所述nb表示量化位宽。
[0016]
可选地，所述非监督神经网络模型是通过以下步骤得到：
[0017]
获取样本信号强度指示测量；
[0018]
将样本信号强度指示测量输入至待训练的非监督神经网络模型，得到预测数字预编码和预测模拟预编码；
[0019]
计算所述预测数字预编码和预测模拟预编码的频谱效率；
[0020]
基于所述频谱效率计算吞吐量损失函数的值；
[0021]
在所述吞吐量损失函数的值不符合优化要求时，根据所述吞吐量损失函数的值对所述非监督生清净网络模型的权重值和偏置值进行调整后重新训练，直至所述吞吐量损失函数的值符合优化要求时，确认所述非监督神经玩过模型的训练结束。
[0022]
可选地，所述基于所述频谱效率计算吞吐量损失函数的值，包括：
[0023]
将所述频谱效率输入以下公式计算吞吐量损失函数的值：
[0024][0025]
其中，所述l
hbf
表示吞吐量损失函数的值，所述表示第l个信号的预测模拟预编码的频谱效率，所述表示所述模拟预编码的权重值，所述a
(l)
表示第l个信号预测模拟预编码的相位和幅度值，所述p
a(l)
表示第l个信号的预测数字预编码，所述l表示信号总数。
[0026]
可选地，所述计算所述预测数字预编码和预测模拟预编码的频谱效率，包括：
[0027]
将所述预测数字预编码和所述预测模拟预编码输入以下公式得到频谱效率：
[0028][0029]
其中，所述表示信号最大频谱效率，所述a表示预测模拟预编码的相位和幅度值，所述w表示预测数字预编码对应的权重值，所述sinr(a,wu)表示接收端在混合预编码的共同作用下对应的信干噪比，所述wu标识第u个预测数字预编码，所述u表示信号个数，所述p
max
表示，所述a表示。
[0030]
可选地，所述基于所述数字预编码和模拟预编码采用混合束波赋形方式对传输数据进行编码，得到输出信号，包括：
[0031]
基于所述数字预编码对传输信号进行编码，得到对应的数字信号；
[0032]
将根据所述数字信号和所述模拟预编码对射频链路上的天线进行赋值得到的模拟信号，作为输出信号。
[0033]
本公开一些实施例提供一种信号传输装置所述装置包括：
[0034]
接收模块，被配置为接收端针对基站所广播同步信号发送的信号强度指示测量；
[0035]
预测模块，被配置为将所述信号强度指示测量输入至非监督神经网络模型，得到数字预编码和模拟预编码，其中，所述非监督神经网络模型是采用样本信号强度指示测量进行训练，并且基于吞吐量损失函数进行优化得到；
[0036]
输出模块，被配置为基于所述数字预编码和模拟预编码采用混合束波赋形方式对传输数据进行编码，向所述终端发射所述输出信号。
[0037]
可选地，所述预测模块，还被配置为：
[0038]
对所述信号强度指示测量执行线性量化操作，得到信号强度指示线性测量；
[0039]
将所述信号强度指示线性测量输入至所述非监督神经网络模型，得到数字预编码
和模拟预编码。
[0040]
可选地，所述预测模块，还被配置为：
[0041]
通过以下公式对所述信号强度指示测量执行线性量化操作：
[0042][0043]
其中，所述表示接收端u发送的信号强度指示测量，所述au表示接收端u发送的信号强度指示，所述nb表示量化位宽。
[0044]
可选地，所述装置还包括：训练模块，被配置为：
[0045]
获取样本信号强度指示测量；
[0046]
将样本信号强度指示测量输入至待训练的非监督神经网络模型，得到预测数字预编码和预测模拟预编码；
[0047]
计算所述预测数字预编码和预测模拟预编码的频谱效率；
[0048]
基于所述频谱效率计算吞吐量损失函数的值；
[0049]
在所述吞吐量损失函数的值不符合优化要求时，根据所述吞吐量损失函数的值对所述非监督生清净网络模型的权重值和偏置值进行调整后重新训练，直至所述吞吐量损失函数的值符合优化要求时，确认所述非监督神经玩过模型的训练结束。
[0050]
所述训练模块，还被配置为：
[0051]
将所述频谱效率输入以下公式计算吞吐量损失函数的值：
[0052][0053]
其中，所述l
hbf
表示吞吐量损失函数的值，所述表示第l个信号的预测模拟预编码的频谱效率，所述表示所述模拟预编码的权重值，所述a
(l)
表示第l个信号预测模拟预编码的相位和幅度值，所述p
a(l)
表示第l个信号的预测数字预编码，所述l表示信号总数。
[0054]
所述训练模块，还被配置为：
[0055]
将所述预测数字预编码和所述预测模拟预编码输入以下公式得到频谱效率：
[0056][0057]
其中，所述表示信号最大频谱效率，所述a表示预测模拟预编码的相位和幅度值，所述w表示预测数字预编码对应的权重值，所述sinr(a,wu)表示接收端在混合预编码的共同作用下对应的信干噪比，所述wu标识第u个预测数字预编码，所述u表示信号个数，所述p
max
表示最大发射功率，所述a表示模拟端预编码。
[0058]
可选地，所述输出模块，还被配置为：
[0059]
基于所述数字预编码对传输信号进行编码，得到对应的数字信号；
[0060]
将根据所述数字信号和所述模拟预编码对射频链路上的天线进行赋值得到的模拟信号，作为输出信号。
[0061]
本公开一些实施例提供一种计算处理设备，包括：
[0062]
存储器，其中存储有计算机可读代码；
[0063]
一个或多个处理器，当所述计算机可读代码被所述一个或多个处理器执行时，所述计算处理设备执行如上述的信号传输方法。
[0064]
本公开一些实施例提供一种计算机程序，包括计算机可读代码，当所述计算机可读代码在计算处理设备上运行时，导致所述计算处理设备执行如上述的信号传输方法。
[0065]
本公开一些实施例提供一种非瞬态计算机可读介质，其中存储了如上述的信号传输方法。
[0066]
本公开提供的一种信号传输方法、装置、电子设备、存储介质，通过接收端信号强度指示测量来表征信道状态，并通过以吞吐量作为优化目标得到的非监督神经网络模型，来依据信号强度指示测量预测数字预编码和模拟预编码以供后续混合束波赋形发射信号使用，在保证信号传输的吞吐量的同时，无需大规模的信道信息反馈，减少采用混合束波赋形的信号传输的资源消耗。
[0067]
上述说明仅是本公开技术方案的概述，为了能够更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为了让本公开的上述和其它目的、特征和优点能够更明显易懂，以下特举本公开的具体实施方式。
附图说明
[0068]
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0069]
图1示意性地示出了本公开一些实施例提供的一种信号传输方法的流程示意图；
[0070]
图2示意性地示出了相关技术中混合束波赋形收发系统的系统示意图；
[0071]
图3示意性地示出了本公开一些实施例提供的一种信号传输方法的系统示意图；
[0072]
图4示意性地示出了本公开一些实施例提供的另一种信号传输方法的流程示意图之一；
[0073]
图5示意性地示出了本公开一些实施例提供一种非监督神经网络模型的训练方法的流程示意图之一；
[0074]
图6示意性地示出了本公开一些实施例提供一种数据集的获取方法的原理示意图；
[0075]
图7示意性地示出了本公开一些实施例提供一种非监督神经网络模型的训练方法的流程示意图之二；
[0076]
图8示意性地示出了本公开一些实施例提供一种非监督神经网络模型的训练方法的流程示意图之三；
[0077]
图9示意性地示出了本公开一些实施例提供的另一种信号传输方法的流程示意图之二；
[0078]
图10示意性地示出了本公开一些实施例提供的一种信号传输装置的结构示意图；
[0079]
图11示意性地示出了用于执行根据本公开一些实施例的方法的计算处理设备的
框图；
[0080]
图12示意性地示出了用于保持或者携带实现根据本公开一些实施例的方法的程序代码的存储单元。
具体实施方式
[0081]
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0082]
图1示意性地示出了本公开提供的一种信号传输方法的流程示意图，所述方法包括：
[0083]
步骤101，接收端针对基站所广播同步信号发送的信号强度指示测量。
[0084]
本公开实施例的执行主体是用于向接收端发送数据信号的基站，基站会按照特定时间周期向外广播同步信号((synchronization signal block，ssb)，每一个ssb信号均有由若干比特(bit)的模拟预编码组成，因此接收端的用户u
th
接收到的第k
th
个ssb信号可以表示为如下公式(1)：
[0085][0086]
其中，表示第u个用户接收都的第k个信号，代表的是用户u
th
在信号接收时候的噪声，代表的是此时刻的信道矢量。
[0087]
接收端在接收到ssb信号后会向基站反馈用于表述ssb信号强弱的信号强度指示信号，接收可对该ssb信号强度进行测量，信号强度指示信号的量值可以通过接收端接收到的ssb信号的平均值进行测量得到,具体可表示如下公式(2)：
[0088][0089]
其中，其中代表的是信号强度指示测量，σ2代表的是噪声水平。接收端可通过无差错信道将信号强度指示测量反馈给基站。由于该信号强度指示测量是通过对接收端的信号进行直接的强度测量，因此无需大规模的csi(channel state information，信道信息)反馈，可以减少信号传输开销。
[0090]
步骤102，将所述信号强度指示测量输入至非监督神经网络模型，得到数字预编码和模拟预编码，其中，所述非监督神经网络模型是采用样本信号强度指示测量进行训练，并且基于吞吐量损失函数进行优化得到。
[0091]
在本公开实施例中，由于基站获取到用于反映信道状态的信息不是理想状态下大规模的信道信息，而是用信号强度指示测量来表征信号状态特征，而且对于整个信号中包含的噪声光信号等级基站也无法明确测量，基于此本公开采用深度学习训练得到的非监督神经网络来预测得到混合预编码，接收端在混合预编码作用下的信干噪比表达式可以为以下公式(3)：
[0092][0093]
其中，sinr(a,wu)表示信干噪比，a表示模拟信号的相位与幅度值，wu表示第u个用户接收到数字信号，hu表示的是不同的用户所对应的虚拟信道矩阵。根据上述公式(3)可知除了数字预编码之外就剩余模拟预编码可以进行优化，因此本公开先对模拟预编码部分进行优化为如下公式(4)：
[0094][0095]
其中，βi代表的是信道矩阵对应的特征值，而系数μ代表的是注水算法系数，需要满足如下公式(5)的关系：
[0096][0097]
其中，ρ代表的是信噪比(signal-to-noise ratio,snr)，根据利用以上优化方式得到的表征吞吐量的损失函数来计算损失值，根据损失值的大小再利用遗传算法通过迭代的方式不断地寻找最优的候选权值，以使得训练所得到的非监督神经网络模型所输出数字预编码和模拟预编码组成的混合预编码，可以在混合束波赋形过程中获得的输出信号达到最大吞吐量。
[0098]
步骤103，基于所述数字预编码和模拟预编码采用混合束波赋形方式对传输数据进行编码，向所述终端发射所述输出信号。
[0099]
在本公开实施例中，参照图2示出相关技术中混合束波赋形收发系统的系统示意图，其中baseband digital precoding(基带数字预编码器)需要与rf analogprecoding(radio frequency analog precoding，射频模拟预编码器)基于接收都的信号信息ns进行幅度和相位的联合调制才能实现基于混合束波赋形的信号传输。
[0100]
而参照图3示出本公开提供的一种信号传输方法的系统示意图，其中基站中的数字预编码器(digital precoding)可以直接依据本公开所提供的非监督神经网络模型输出的预编码器对传输数据ns进行编码后以得到数字信号后，基于数字信号和模拟预编码通过射频链路(rf chain)将对所连接的天线进行赋值来得到模拟信号向接收端发送输出信号即可，非监督学习可以最大化地减少混合波束赋形的计算复杂度，同时使得整个模型网络结构更加便于在实际系统中的部署使用，减少基站在信号传输过程中的性能消耗。
[0101]
本公开实施例通过接收端信号强度指示测量来表征信道状态，并通过以吞吐量作为优化目标得到的非监督神经网络模型，来依据信号强度指示测量预测数字预编码和模拟预编码以供后续混合束波赋形发射信号使用，在保证信号传输的吞吐量的同时，无需大规模的信道信息反馈，减少采用混合束波赋形的信号传输的资源消耗。
[0102]
可选地，参照图4，所述步骤102，包括：
[0103]
步骤1021，对所述信号强度指示测量执行线性量化操作，得到信号强度指示线性测量。
[0104]
在本公开实施例中，为了能将信号强度指示测量应用到非监督神经网络模型的实际使用过程中，本公开对信号强度指示测量进行线性量化操作。
[0105]
步骤1022，将所述信号强度指示线性测量输入至所述非监督神经网络模型，得到数字预编码和模拟预编码。
[0106]
本公开实施例通过采用线性量化操作得到的信号强度指示线性测量来进行模型训练和预测，保证的模型输入数据的规范性，提高了非监督神经网络模型训练和预测的准确性。
[0107]
可选地，所述步骤1022，包括：
[0108]
通过以下公式对所述信号强度指示测量执行线性量化操作：
[0109][0110]
其中，所述表示接收端u发送的信号强度指示测量，所述au表示接收端u发送的信号强度指示，所述nb表示量化位宽。
[0111]
在本公开实施例中，其中nb代表的是量化位宽，由于量化位宽带来的差异比较小，因此在该系统中便不再考虑。在基站端可以通过纯粹的数字域进行数字预编码操作，对应的权值可以表达为如下公式(6)：
[0112][0113]
其中代表的是对某一个用户的特定数字预编码，而模拟预编码是对不同的rf射频链路上所有的天线进行赋值的操作。我们将模拟预编码进行码本化设计之后，可以进一步得到在接收端得到的信号基本模型yu为如下公式(7)：
[0114][0115]
其中，其中xu代表的是不同用户发送的符号数据，代表的是不同的收发天线之间的信道矢量。
[0116]
图5示意性地示出了本公开提供的一种非监督神经网络模型的训练方法的流程示意图，所述方法包括：
[0117]
步骤201，获取样本信号强度指示测量。
[0118]
在本公开实施例中，样本信号强度指示测量可以是通过对不同信号环境下的接收端针对基站所反馈信号强度指示测量进行统计得到，由于本公开采用的非监督深度学习的方式，因此样本信号强度指示测量无需进行标注。
[0119]
示意性的，参照图6，可通过如下步骤生成模型数据集：
[0120]
a1、生成mimo(multiple input multiple output，多输入多输出)信道矢量；
[0121]
a2、根据ue的位置与信道矩阵进行信道矢量的随机生成；
[0122]
a3、进行ssb信号的设计；
[0123]
a4、计算用户的rssi(received signal strength indication，信号强度指示)；
[0124]
a5、以最大化吞吐量设计模拟域与数字域的预编码权值；
[0125]
a6、生成模拟端码本权重。
[0126]
a7、将上述计算得到数值按照特定比例划分为测试集和训练集合。
[0127]
步骤202，将样本信号强度指示测量输入至待训练的非监督神经网络模型，得到预测数字预编码和预测模拟预编码。
[0128]
在本公开实施例中，待训练的非监督神经网络模型的结构组成图可参照图7，其中对应的输出维度是2
×nu
×nrf
，对于所有的卷积层在该网络中都采用相同大小的操作块，并且在每一个卷积层之后都进行batch的归一化操作，用来减少内部变量的减少和训练过程的快速收敛同时可以抵抗过拟合与噪声导致的干扰问题。与此同时还采用了dropout操作来进一步的减少网络过拟合的潜在风险。
[0129]
步骤203，计算所述预测数字预编码和预测模拟预编码的频谱效率。
[0130]
在本公开实施例中，通过将模型所输出的数字预编码和模拟预编码的值输入至预先设置的频谱效率的计算公式计算得到频谱效率。
[0131]
步骤204，基于所述频谱效率计算吞吐量损失函数的值。
[0132]
在本弄开实施例中，考虑到频率效率与吞吐量的相关关系，因此本公开开采用最大频谱效率来计算得到的表征吞吐量的损失函数，需要说明的是此处的吞吐量损失函数并不是计算得到具体的吞吐量，而是可以表征吞吐量的大小即可适用于本公开实施例。
[0133]
步骤205，在所述吞吐量损失函数的值不符合优化要求时，根据所述吞吐量损失函数的值对所述非监督生清净网络模型的权重值和偏置值进行调整后重新训练，直至所述吞吐量损失函数的值符合优化要求时，确认所述非监督神经玩过模型的训练结束。
[0134]
在本公开实施例中，参照图8，所提hbf-net方案与最优化方案与传统的迫零(zero force,zf)与omp方案的对比，从数值仿真的结果看，基于非监督学习的神经网络解决方案可以得到近似最优的性能边界。本方案提出了一种混合波束形成的设计方法使用无监督的深度学习方法。这是利用非监督学习方法进行训练减少了培训时间和成本。深度学习方法从代码本中选择ap旨在降低复杂性的同时保证计算的复杂度保持在合理的范围。此外，该方法由于其计算量小复杂性低，因此可以在实时系统中部署应用。
[0135]
可选地，所述步骤204，包括：
[0136]
将所述频谱效率输入以下公式计算吞吐量损失函数的值：
[0137][0138]
其中，所述l
hbf
表示吞吐量损失函数的值，所述表示第l个信号的预测模拟预编码的频谱效率，所述表示所述模拟预编码的权重值，所述a
(l)
表示第l个信号预测模拟预编码的相位和幅度值，所述p
a(l)
表示第l个信号的预测数字预编码，所述l表示信号总数。
[0139]
可选地，所述步骤203，包括：
[0140]
将所述预测数字预编码和所述预测模拟预编码输入以下公式得到频谱效率：
[0141][0142]
其中，所述表示信号最大频谱效率，所述a表示预测模拟预编码
的相位和幅度值，所述w表示预测数字预编码对应的权重值，所述sinr(a,wu)表示接收端在混合预编码的共同作用下对应的信干噪比，所述wu标识第u个预测数字预编码，所述u表示信号个数，所述p
max
表示最大发射功率，所述表示模拟端预编码。
[0143]
可选地，参照图9，所述步骤104，包括：
[0144]
步骤1041，基于所述数字预编码对传输信号进行编码，得到对应的数字信号。
[0145]
步骤1042，将根据所述数字信号和所述模拟预编码对射频链路上的天线进行赋值得到的模拟信号，作为输出信号。
[0146]
在本公开实施例，基站中的数字预编码器(digital precoding)可以直接依据本公开所提供的非监督神经网络模型输出的预编码器对传输数据ns进行编码后以得到数字信号后，基于数字信号和模拟预编码通过射频链路(rf chain)将对所连接的天线进行赋值来得到模拟信号向接收端发送输出信号即可，非监督学习可以最大化地减少混合波束赋形的计算复杂度，同时使的整个模型网络结构更加便于在实际系统中的部署使用，减少基站在信号传输过程中的性能消耗。
[0147]
图10示意性地示出了本公开提供的一种信号传输装置30的结构示意图，所述装置包括：
[0148]
接收模块301，被配置为接收端针对基站所广播同步信号发送的信号强度指示测量；
[0149]
预测模块302，被配置为将所述信号强度指示测量输入至非监督神经网络模型，得到数字预编码和模拟预编码，其中，所述非监督神经网络模型是采用样本信号强度指示测量进行训练，并且基于吞吐量损失函数进行优化得到；
[0150]
输出模块303，被配置为基于所述数字预编码和模拟预编码采用混合束波赋形方式对传输数据进行编码，向所述终端发射所述输出信号。
[0151]
可选地，所述预测模块302，还被配置为：
[0152]
对所述信号强度指示测量执行线性量化操作，得到信号强度指示线性测量；
[0153]
将所述信号强度指示线性测量输入至所述非监督神经网络模型，得到数字预编码和模拟预编码。
[0154]
可选地，所述预测模块302，还被配置为：
[0155]
通过以下公式对所述信号强度指示测量执行线性量化操作：
[0156][0157]
其中，所述表示接收端u发送的信号强度指示测量，所述au表示接收端u发送的信号强度指示，所述nb表示量化位宽。
[0158]
可选地，所述装置还包括：训练模块，被配置为：
[0159]
获取样本信号强度指示测量；
[0160]
将样本信号强度指示测量输入至待训练的非监督神经网络模型，得到预测数字预编码和预测模拟预编码；
[0161]
计算所述预测数字预编码和预测模拟预编码的频谱效率；
[0162]
基于所述频谱效率计算吞吐量损失函数的值；
[0163]
在所述吞吐量损失函数的值不符合优化要求时，根据所述吞吐量损失函数的值对所述非监督生清净网络模型的权重值和偏置值进行调整后重新训练，直至所述吞吐量损失函数的值符合优化要求时，确认所述非监督神经玩过模型的训练结束。
[0164]
所述训练模块，还被配置为：
[0165]
将所述频谱效率输入以下公式计算吞吐量损失函数的值：
[0166][0167]
其中，所述l
hbf
表示吞吐量损失函数的值，所述表示第l个信号的预测模拟预编码的频谱效率，所述表示所述模拟预编码的权重值，所述a
(l)
表示第l个信号预测模拟预编码的相位和幅度值，所述p
a(l)
表示第l个信号的预测数字预编码，所述l表示信号总数。
[0168]
所述训练模块，还被配置为：
[0169]
将所述预测数字预编码和所述预测模拟预编码输入以下公式得到频谱效率：
[0170][0171]
其中，所述表示信号最大频谱效率，所述a表示预测模拟预编码的相位和幅度值，所述w表示预测数字预编码对应的权重值，所述sinr(a,wu)表示接收端在混合预编码的共同作用下对应的信干噪比，所述wu标识第u个预测数字预编码，所述u表示信号个数，所述p
max
表示最大发射功率，所述表示的是模拟端预编码。
[0172]
可选地，所述输出模块303，还被配置为：
[0173]
基于所述数字预编码对传输信号进行编码，得到对应的数字信号；
[0174]
将根据所述数字信号和所述模拟预编码对射频链路上的天线进行赋值得到的模拟信号，作为输出信号。
[0175]
本公开实施例通过接收端信号强度指示测量来表征信道状态，并通过以吞吐量作为优化目标得到的非监督神经网络模型，来依据信号强度指示测量预测数字预编码和模拟预编码以供后续混合束波赋形发射信号使用，在保证信号传输的吞吐量的同时，无需大规模的信道信息反馈，减少采用混合束波赋形的信号传输的资源消耗。
[0176]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0177]
本公开的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本公开实施例的计算处理设备中的一些或者全部部件的一些或者全部功能。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本公
开的程序可以存储在非瞬态计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0178]
例如，图11示出了可以实现根据本公开的方法的计算处理设备。该计算处理设备传统上包括处理器310和以存储器320形式的计算机程序产品或者非瞬态计算机可读介质。存储器320可以是诸如闪存、eeprom(电可擦除可编程只读存储器)、eprom、硬盘或者rom之类的电子存储器。存储器320具有用于执行上述方法中的任何方法步骤的程序代码331的存储空间330。例如，用于程序代码的存储空间330可以包括分别用于实现上面的方法中的各种步骤的各个程序代码331。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(cd)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为如参考图12所述的便携式或者固定存储单元。该存储单元可以具有与图11的计算处理设备中的存储器320类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩。通常，存储单元包括计算机可读代码331’，即可以由例如诸如310之类的处理器读取的代码，这些代码当由计算处理设备运行时，导致该计算处理设备执行上面所描述的方法中的各个步骤。
[0179]
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0180]
本文中所称的“一个实施例”、“实施例”或者“一个或者多个实施例”意味着，结合实施例描述的特定特征、结构或者特性包括在本公开的至少一个实施例中。此外，请注意，这里“在一个实施例中”的词语例子不一定全指同一个实施例。
[0181]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0182]
在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
[0183]
最后应说明的是：以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围。