基于共轭梯度法的大规模MIMO深度展开预编码方法及装置

本发明涉及无线通信，特别涉及一种基于共轭梯度法的大规模mimo深度展开预编码方法及装置。

背景技术：

1、大规模mimo(multiple-input multiple-output，多入多出)技术是提高下一代无线网络频谱效率的关键，主要思想是为基站配备数百个天线，这些天线在相同的频带中为相对少量的用户服务。低复杂度的预编码算法一直是解决多用户干扰问题的研究热点，预编码算法可以基于获取的信道状态信息获得相应的预编码矩阵，利用该预编码矩阵在传输之前对发射信号进行预处理从而提高系统的传输速率和链路可靠性。对于多用户mimo系统的下行链路，采用预编码技术不仅可以减少其他用户的干扰，使得信号能量集中在某个接收端方向上，提高频谱利用率，同时可以将大量的复杂计算放置在拥有计算性能较好的发送端，可以降低接收机的复杂度。

2、预编码技术可以按照设计方案分为线性预编码和非线性预编码两类，在常规场景下，非线性预编码性能优于线性预编码，但线性预编码有复杂度低的优势，更加容易应用在实际场景中，并且大规模mimo的物理特性使得线性预编码技术可以无线逼近性能近乎最优的非线性预编码技术，因此大规模mimo的线性预编码技术已经成为5g通信技术中的研究重点和热点。

3、现有传统的最小化均方误差(mmse)预编码方法是迫零(zf)预编码的改进形式，但需要信道求逆，由于大规模天线的使用，信道矩阵和预编码矩阵维度增高，预编码算法复杂度、系统硬件成本和实现难度都会增大。

技术实现思路

1、本发明提供一种基于共轭梯度法的大规模mimo深度展开预编码方法及装置，相对于传统的mmse预编码方法，本发明能够在性能和复杂度之间取得更好的折中，利于工程实现。

2、本发明第一方面实施例提供一种基于共轭梯度法的大规模mimo深度展开预编码方法，包括以下步骤：获取下行空口信道向量和发射向量；将所述下行空口信道向量和所述发射向量输入预先训练好的非线性神经网络，得到预编码后的发射信号；其中，所述非线性神经网络为对以共轭梯度算法中的步长为训练参数的深度展开多层非线性子网络和以接收机系数为训练参数的接收机处单层线性子网络进行组合，利用下行空口信道向量和发射向量训练集训练得到。

3、可选地，在本发明的一个实施例中，所述深度展开的多层非线性子网络的输入为所述下行空口信道向量和发射向量训练集，输出为预编码后的发射信号，子网络中的每一层对应于共轭梯度算法的一次迭代，所述深度展开的多层非线性子网络之后添加归一化处理层；所述接收机处单层线性子网络的输入为所述归一化处理层的输出，用于生成每个用户配置的接收机系数，在将所述下行空口信道向量和所述发射向量输入预先训练好的非线性神经网络之前，还包括：构建所述下行空口信道向量和发射向量训练集；利用所述下行空口信道向量和发射向量训练集对所述非线性神经网络进行训练，得到所述非线性神经网络的步长参数和为每个用户配置的接收机系数；利用所述步长参数和为每个用户配置的接收机系数更新所述非线性神经网络的参数，得到所述预先训练好的非线性神经网络。

4、可选地，在本发明的一个实施例中，利用所述下行空口信道向量和发射向量训练集对所述非线性神经网络进行训练的损失目标函数为：

5、

6、约束条件为：

7、

8、其中，e[·]为求期望，|·|为求复数的模值，‖·‖为向量二范数，(·)h为向量的共轭转置，hk∈cn×1为基站与用户k之间的下行链路信道，w＝[w1,w2…wk]∈cn×k为预编码矩阵，n和k分别为基站端天线数和接收端用户数，wk∈cn×1为第k个用户的预编码向量，q∈cn×1为预编码后的发射信号，ak∈c为第k个用户配置的接收机系数，为复高斯噪声，为噪声功率，p为基站端发射功率约束。

9、本发明第二方面实施例提供一种基于共轭梯度法的大规模mimo深度展开预编码装置，包括：获取模块，用于获取下行空口信道向量和发射向量；预编码模块，用于将所述下行空口信道向量和所述发射向量输入预先训练好的非线性神经网络，得到预编码后的发射信号；其中，所述非线性神经网络为对以共轭梯度算法中的步长为训练参数的深度展开多层非线性子网络和以接收机系数为训练参数的接收机处单层线性子网络进行组合，利用下行空口信道向量和发射向量训练集训练得到。

10、可选地，在本发明的一个实施例中，所述深度展开的多层非线性子网络的输入为所述下行空口信道向量和发射向量训练集，输出为预编码后的发射信号，子网络中的每一层对应于共轭梯度算法的一次迭代，所述深度展开的多层非线性子网络之后添加归一化处理层；所述接收机处单层线性子网络的输入为所述归一化处理层的输出，用于生成每个用户配置的接收机系数，所述装置还包括：

11、训练模块，用于在将所述下行空口信道向量和所述发射向量输入预先训练好的非线性神经网络之前，构建所述下行空口信道向量和发射向量训练集；利用所述下行空口信道向量和发射向量训练集对所述非线性神经网络进行训练，得到所述非线性神经网络的步长参数和为每个用户配置的接收机系数；利用所述步长参数和为每个用户配置的接收机系数更新所述非线性神经网络的参数，得到所述预先训练好的非线性神经网络。

12、可选地，在本发明的一个实施例中，利用所述下行空口信道向量和发射向量训练集对所述非线性神经网络进行训练的损失目标函数为：

13、

14、约束条件为：

15、

16、其中，e[·]为求期望，|·|为求复数的模值，‖·‖为向量二范数，(·)h为向量的共轭转置，hk∈cn×1为基站与用户k之间的下行链路信道，w＝[w1,w2…wk]∈cn×k为预编码矩阵，n和k分别为基站端天线数和接收端用户数，wk∈cn×1为第k个用户的预编码向量，q∈cn×1为预编码后的发射信号，ak∈c为第k个用户配置的接收机系数，为复高斯噪声，为噪声功率，p为基站端发射功率约束。

17、本发明第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以执行如上述实施例所述的基于共轭梯度法的大规模mimo深度展开预编码方法。

18、本发明第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以执行如上述实施例所述的基于共轭梯度法的大规模mimo深度展开预编码方法。

19、本发明实施例的基于共轭梯度法的大规模mimo深度展开预编码方法及装置，具有以下有益效果：

20、1)针对多用户大规模mimo无线通信系统，利用深度学习方法训练构建的神经网络，可有效估计出接收端每个用户处的接收系数。

21、2)该神经网络将共轭梯度mmse预编码算法的内部结构和先进的dnn网络相结合，利用深度展开构建基于模型驱动的监督型神经网络，相比于数据驱动的“黑盒”dnn网络，该网络具有更好的泛化能力和可解释性。

22、3)在保证系统性能的同时，显著降低传统mmse预编码的计算复杂度，便于工程实现。

23、本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。