买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:东南大学
摘要:本发明公开了大规模MIMO鲁棒WMMSE预编码器及其深度学习设计方法,基站利用各用户终端的信道估计值和信道估计误差的统计参数,依据所有用户的遍历和速率或遍历和速率下界最大化准则,通过鲁棒WMMSE预编码器的迭代设计或深度学习设计方法,计算与每个用户终端相应的预编码矢量进行下行鲁棒WMMSE预编码传输。迭代设计采用块坐标下降方法,依次迭代更新统计鲁棒接收机、权值参数和预编码矢量,从而最大化遍历和速率下界;深度学习设计方法基于由低维特征参数确定的预编码矢量结构,先通过神经网络计算低维特征参数,再通过该结构计算预编码矢量,下行预编码在各种天线配置下,以较低的计算复杂度达到接近最优的可达和速率性能。
主权项:1.一种大规模MIMO鲁棒WMMSE预编码器及其深度学习设计方法,其特征在于,所述方法中:基站通过各个用户周期性发送的导频信号获取信道估计值,对信道估计值进行统计获取信道估计误差的统计参数,以移动性参数对其加权得到第k个用户在第n个符号处的后验信道,即其中,表示在第一个符号处的信道估计值,用户参数βk,n表征信道估计值的老化程度,mk为具有非零元素的确定性矢量,wk,n为复高斯随机矢量,其元素为零均值和单位方差的独立同分布,在基站配备大规模ULA时可以近似为DFT矩阵;将鲁棒预编码器设计建模为在总发射功率约束下遍历和速率最大化问题,并找到其下界以简化计算,通过鲁棒WMMSE预编码器或其深度学习设计方法,用于下行传输;所述的鲁棒WMMSE预编码器是将遍历和速率下界最大化问题等价转化为加权均方误差最小化问题,采用块坐标下降方法求解,即依次迭代更新统计鲁棒接收机、权值参数和预编码矢量,迭代收敛的鲁棒WMMSE预编码器的结构采用低维参数表征:预编码矢量的方向通过闭式计算,该闭式与低维参数、信道矩阵和信噪比有关;预编码矢量的功率通过闭式计算,该闭式与预编码矢量的方向、低维参数、信道协方差矩阵和信噪比有关;具体如下:预编码矢量的方向为预编码矢量的功率为其中,为归一化的参数,∈为满足的归一化因子,P为功率阈值,hk为第k个用户的信道矢量,为其均值,σ2为噪声方差;所述的深度学习设计方法包括:1离线阶段:通过所述的鲁棒WMMSE预编码器生成数据集,训练低维特征参数神经网络;训练完成后,该神经网络可用于各种信道场景,无需重新训练;2在线阶段:利用各用户终端的信道估计值、信道估计误差的统计参数、信噪比,基于训练好的神经网络计算低维特征参数;根据鲁棒WMMSE预编码器结构,利用低维特征参数和信道状态信息,通过闭式表达式计算预编码矢量;该深度学习设计方法通过空间解相关方法扩展到用户多天线的场景。
全文数据:
权利要求:
百度查询: 东南大学 大规模MIMO鲁棒WMMSE预编码器及其深度学习设计方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。