面向大规模MIMO统计端口选择的波束域信道增广方法

面向大规模mimo统计端口选择的波束域信道增广方法
技术领域
1.本发明涉及一种面向大规模mimo统计端口选择的波束域信道增广方法，属于无线通信技术领域和机器学习领域。


背景技术：

2.大规模mimo系统凭借其较高的天线自由度，可通过波束成形技术获得高复用增益、阵列增益以及分集增益从而显著提升无线通信系统的频谱效率。实际系统中，大规模mimo技术可取得性能增益的大小与基站侧对于信道状态信息(channel state information,csi)的获取程度紧密相关。当前主流标准中采用基站侧主动端口选择而用户侧反馈端口信道系数即波束域csi的方式，从而降低csi获取需要的导频与反馈开销。端口选择一般基于局部信道统计信息进行，如在用户位置不发生明显变化的时间尺度上进行。然而，在快时变场景，即使是局部信道统计信息，也会发生较快的变化，使得常规端口选择存在开销过高的问题。因此，需要研究针对更长时信道统计的端口选择方案，即针对用户位置的随机分布进行端口选择的优化。实际系统中用户位置一般难以精确获知，且基站侧受限于数据采集成本，通常只能获得部分端口选择采样与部分用户位置采样下的波束域csi。为优化统计端口的选择，需要对波束域csi进行有效数据增广。
3.现有的csi类数据增广模型可分为两类。一是用神经网络建立位置等指纹信息与感兴趣csi的确定性映射，从而插值或者外推出其他未采集的用户位置处的csi数据；二是基于生成式模型对有限采集csi数据进行分布学习，再利用生成分布的采样得到csi增广数据。在用户位置或者用户位置分布不可精确获知的场景下，第二种类型的方法更为适用。在生成式模型中，以生成对抗网络(generative adversarial networks，gan)和变分自编码器(variational auto-encoder，vae)最为典型。实际网络中采样复杂度通常较高，而基于cgan的方法对于样本采样的质量较为敏感，且cgan模型增广后的结果可能存在分布不均匀的问题。基于vae模型的数据增广方案在一定程度上能够缓解上述问题，但是其模型的精确度可能较差。与此同时，现有的数据增广方案主要关注单一条件的场景，而面向统计端口选择的波束域csi增广则面临端口选择多样带来的多条件问题。
4.综上所述，针对大规模mimo系统统计端口选择所需波束域csi数据采样不足的问题，同时考虑用户位置分布先验未知的场景，提出了一种基于条件变分自编码器(conditioned vae，cvae)与混合密度网络(mixture density networks，mdn)相结合的波束域csi数据增广方法。该方法将与波束域csi直接相关的端口选择参数作为cvae的输入，利用cvae的生成学习能力有效挖掘端口选择参数、未知用户位置分布与波束域csi分布的关系；同时利用mdn提供的混合高斯分布建模能力实现cvae模型输出对增广波束域csi分布的精确拟合。


技术实现要素：

5.技术问题：为解决大规模mimo系统统计端口选择面临的波束域csi数据不足问题，
本发明提供了一种有机结合cvae与mdn网络的波束域csi数据增广方法，可实现用户分布未知条件下且适配多种端口选择的有效波束域数据增广。
6.技术方案：本发明提出了一种面向大规模mimo统计端口选择的波束域信道增广方法，具体包括如下步骤：
7.(1)生成数据集：包括确定用户数、端口选择参数、基站位置、基站发射功率等固定参数，在不同位置采集多用户的波束域csi，生成数据并预处理成数据集。
8.(2)系统建模：构建出系统传输模型、速率计算模型以及端口选择参数优化模型，对各种参数进行定义和数学表示。
9.(3)在方案训练阶段，构建编码器网络预测隐变量的分布。将端口选择参数和相应的波束域csi作为输入，隐变量的分布参数作为输出，一般构建为多元高斯分布。
10.(4)在方案训练阶段，构建解码器网络预测由隐变量和端口选择参数到波束域csi的分布。根据编码器输出的隐变量分布，获得隐变量的采样，和端口选择参数一起输入mdn网络，根据mdn网络输出的参数还原混合高斯分布模型，得到预测的波束域csi。
11.(5)在方案训练阶段，根据编码器网络和解码器网络共同目标设计损失函数，通过梯度回传不断更新网络权值，保存波束域csi数据增广模型。
12.(6)在方案执行阶段，改变端口选择参数，输入波束域csi数据增广模型得到增广后的波束域csi，计算预测的csi与真实采集的csi间的分布误差。
13.步骤(1)中生成数据集的具体步骤包括：
14.(1.1)收集系统参数信息，包括用户数、端口选择参数、基站位置、基站发射功率、用户波束域csi信息，建立仿真区域的三维坐标系。
15.(1.2)数据采集时保持系统中基站位置、发射功率以及其他参数设置不变，采用随机撒点的方式确定多用户的位置，采集各个用户的波束域csi，用于生成波束域csi增广数据集。
16.步骤(2)中系统建模的具体步骤包括：
17.(2.1)系统建模：假设覆盖区域内共有b个协作基站，各基站配置m根天线，支持混合波束成形，u个用户分布在该区域内，用户配置单天线，可被所有基站同时服务。假设基站集为b＝{1,2,
…
,b}，用户集为u＝{1,2,
…
,u}。采用窄带有限散射模型，基站b到用户u之间的信道可以表达为：
[0018][0019]
其中l是信道可分辨路径数，θ
b,u,l
为传播路径离开角，g
b,u,l
是路径传播复增益，表示阵列导引矢量。从基站角度出发，用f
rf,b
表示基站b的模拟预编码矩阵，则u个用户接收的信号可以表示为：
[0020][0021]
其中h表示所有基站到所有用户的信道矩阵，f
rf
表示全局模拟预编码矩阵，w
bb
表
示数字预编码矩阵，[s1,...,su]
t
表示基站发送给用户的数据符号，[n1,...,nu]
t
表示接收机加性高斯噪声。定义模拟预编码等效信道矩阵为简化表示，这里考虑采用迫零数字预编码，即若考虑发射总功率为p
max
，则所有用户可达速率均为r＝log2(1 ρ)，其中
[0022][0023]
表明在基站发射功率一定的情况下，系统中用户的速率只和模拟预编码等效信道有关。
[0024]
(2.2)假设基站集为b＝{1,2,
…
,b}，用户集为u＝{1,2,
…
,u}，定义各基站可选的端口对应波束构成的可行波束集合为假设中共有p个波束矢量。各基站均选择n个端口，记基站b端口选择参数为ib＝[i
b,1
,i
b,2
,...,i
b,n
]
t
,其中i
b,n
∈{1,2,...,p}，基站b选择的第n个端口对应的波束矢量的第i
b,n
列矢量，记为所有基站的端口选择集合定义为{ib}。记基站b到用户u的信道表示为h
b,u
，则对应端口选择的波束等效信道表示为由于统计端口选择一般针对覆盖区域中典型位置分布进行优化，定义场景中多用户位置为xu,u∈u，组成的集合记为{xu}，满足未知的联合空间分布。波束域csi增广的目的是利用有限几种端口选择配置下、有限多用户位置下采集的波束域csi信息，预测出系统需要考虑的更多用户典型位置和更多波束模式下的平均波束域csi信息，即由于f
rf
的设计需要基于平均波束域csi信息，而f
rf
又直接影响系统速率水平r，因此统计端口选择的优化问题可以建模为：
[0025][0026]
步骤(3)所述编码器网络设计步骤包括：
[0027]
(3.1)根据数据集大小确定编码器模型参数，包括训练次数、批大小、输入输出维度等。输入参数是波束参数和波束域csi，输出是隐变量高斯分布的参数，包括均值μ
en
、标准差σ
en
。
[0028]
(3.2)确定神经网络结构，包括卷积层、池化层、全连接层、激活函数等；确定网络参数，包括隐藏层个数、隐藏层神经元个数等；确定输出的限制条件，比如标准差为非负数。
[0029]
(3.3)根据编码器输出，隐变量z服从高斯分布n(μ
en
,σ
en
)，获得隐变量的采样。
[0030]
步骤(4)所述解码器网络具体设计步骤包括：
[0031]
(4.1)根据数据集大小确定解码器模型输入输出。输入参数是隐变量的采样和端口选择参数；输出是波束域csi混合高斯分布的参数，包括均值μ、标准差σ、权值w。
[0032]
(4.2)确定mdn网络结构，包括全连接层、dropout层、激活函数等；确定网络参数，包括隐藏层个数、隐藏层神经元个数等；确定输出的限制条件，比如权值之和为1，标准差为非负数。
[0033]
(4.3)根据mdn网络输出还原混合高斯分布模型，得到预测的波束域csi分布。
[0034]
步骤(5)所述的模型训练具体步骤包括：
[0035]
(5.1)设计损失函数：根据变分自编码器原理，一般将隐变量设计为服从多元高斯分布，用kl散度衡量其与标准高斯分布n(0,i)的差距：
[0036]
l1＝kl(n(0,i),n(μ
en
,σ
en
))，
[0037]
其中kl(
·
)是散度计算公式，μ
en
是编码器输出均值，σ
en
是编码器输出标准差。
[0038]
在解码器部分，给定输入为隐变量的采样z，同输入端口选择参数ib一起，记为x＝[z,ib]，波束域csi中的一个样本由于用户位置的随机性，将的多维随机变量概率分布建模为g个多元高斯分布的加权求和，即
[0039][0040]
其中
[0041][0042]
μg表示第g个高斯分布对应的均值，表示波束域csi各个参数间的协方差，其中σ
g,n
表示满足第g个高斯分布的n个元素的标准差，用wg表示第g个高斯分布的权值。则解码器部分的误差可以用如下公式度量：
[0043][0044]
则损失函数可以定义为：
[0045]
loss＝l1 l2[0046]
(5.2)利用梯度回传迭代训练网络，直至网络收敛，存储波束域csi数据增广模型参数。
[0047]
(5.3)根据神经网络输出参数，还原混合高斯分布，生成符合该混合高斯分布的数据，为预测的波束域csi。
[0048]
步骤(6)所述的波束域csi增广效果验证步骤包括：
[0049]
(6.1)在不同的采样数下，生成不同的波束域csi增广模型，输入不同的端口选择参数，生成多个位置下的波束域csi。
[0050]
(6.2)确定一种衡量两组数据分布间差异的指标，如散度、最大均值差异等，统计预测的csi与真实采样的csi间的分布误差。
[0051]
有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：本发明所提出的一种面向大规模mimo统计波束优化的智能波束域csi增广方法，将cvae与mdn网络有机结合，在无需用户位置条件下，仅需利用有限典型用户位置和端口选择参数下的波束域csi样本，实现波束域csi精确分布拟合及其采样数据的有效增广。
附图说明
[0052]
图1为本发明实施例的摘要附图；
[0053]
图2为本发明实施例中的波束域csi增广模型的细节框图；
[0054]
图3为预测波束域csi分布与真实波束域csi分布的mmd距离对比图。
具体实施方式
[0055]
下面将结合本发明实例中的附图和具体实施方式对本发明作进一步地详细说明，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0056]
以下为本发明提出了一种面向大规模mimo统计端口选择的波束域信道增广方法，整个流程实现的具体步骤包含如下：
[0057]
步骤一：从真实无线网络中采集数据，生成数据集。包括确定用户数、端口选择参数、基站位置、基站发射功率等固定参数，在不同位置采集多用户的波束域csi，生成数据并将端口选择参数和波束域csi作为波束域csi增广模型的数据集。
[0058]
步骤二：系统建模：构建出系统传输模型、速率计算模型以及端口选择参数优化模型，对各种参数进行定义和数学表示。
[0059]
步骤三：在方案训练阶段，构建并训练cvae mdn网络，存储网络模型。
[0060]
步骤四：在方案执行阶段，改变端口选择参数，输入波束域csi数据增广模型得到增广后的波束域csi，计算预测的csi与真实采集的csi间的分布误差。
[0061]
1.数据集生成部分包括如下步骤：
[0062]
步骤s101、确定大规模mimo系统参数信息，其中固定参数：用户数为10、基站数为3、基站发射功率为10w等；可变参数：端口选择参数、用户位置等。用户位置获取方法为：将感兴趣区域三维坐标系中的地面二维平面栅格化，每个栅格中心点代表一个用户典型位置，每轮迭代中随机选择十个栅格点放置设备，通过随机撒点的方式生成1000个位置点组合。端口选择参数确定方法为：设置全局可行波束集合采用为传统的二维dft码本，生成对应的64个波束矢量，每个端口对应一个波束矢量。扫描波束采用8波束模式，在本实例中，三个基站都采用从64个波束中随机选择8个的方式，生成10组端口选择参数。
[0063]
步骤s102、对于每个端口选择参数，在随机生成的1000个位置点组合上收集用户波束域csi，与步骤s101中的参数整理到一起形成数据表格。将收集到的数据表格经过异常数据剔除、缺失数据填充、冗余数据合并等操作，处理最原始的数据集。
[0064]
2.系统建模部分包含步骤如下：
[0065]
步骤s201、假设实验区域内共有b＝3个基站，每个基站配置有m＝64根天线，支持混合波束成形，u＝10个用户分布在该区域内，用户配置单天线，不考虑用户端的波束成形。所有小区和用户使用相同的时频资源，每个用户能被所有基站同时服务。假设基站集为b＝{1,2,
…
,b}，用户集为u＝{1,2,
…
,u}。采用窄带有限散射模型，基站b到用户u之间的信道可以表达为：
[0066][0067]
其中l是信道可分辨路径数，取5个主要传播路径，θ
b,u,l
为传播路径离开角，g
b,u,l
是路径传播复增益，表示阵列导引矢量。从基站角度出发，用f
rf,b
表示基站b的模拟预编码矩阵，则u个用户接收的信号可以表示为：
[0068][0069]
其中h表示所有基站到所有用户的信道矩阵，f
rf
表示全局模拟预编码矩阵，w
bb
表示数字预编码矩阵，[s1,...,su]
t
表示基站发送给用户的数据符号，[n1,...,nu]
t
表示接收机加性高斯噪声。定义模拟预编码等效信道矩阵为简化表示，这里考虑采用迫零数字预编码，则若考虑发射总功率为p
max
，则所有用户可达速率均为r＝log2(1 ρ)，其中
[0070][0071]
表明在基站发射功率一定的情况下，系统中用户的速率只和模拟预编码等效信道有关。
[0072]
步骤s202、假设基站集为b＝{1,2,
…
,b}，用户集为u＝{1,2,
…
,u}，定义各基站可选的端口对应波束构成的可行波束集合为假设中共有p个波束矢量。各基站均选择n个端口，记基站b端口选择参数为ib＝[i
b,1
,i
b,2
,...,i
b,n
]
t
,其中i
b,n
∈{1,2,...,p}，基站b选择的第n个端口对应的波束矢量的第i
b,n
列矢量，记为所有基站的端口选择集合定义为{ib}。记基站b到用户u的信道表示为h
b,u
，则对应端口选择的波束等效信道表示为由于统计端口选择一般针对覆盖区域中典型位置分布进行优化，定义场景中多用户位置为xu,u∈u，组成的集合记为{xu}，满足未知的联合空间分布。波束域csi增广的目的是利用有限几种端口选择配置下、有限多用户位置下采集的波束域csi信息，预测出系统需要考虑的更多用户典型位置和更多波束模式下的平均波束域csi信息，即由于f
rf
的设计需要基于波束域csi，而f
rf
又直接影响系统速率水平r，因此统计端口选择的优化问题可以建模为：
[0073][0074]
3.cvae mdn网络模型如图2所示，图2中表明模型分为两部分：一是编码器，利用神经网络将用户位置分布、端口选择参数和波束域csi映射到一个符合多元高斯分布的隐变量；二是基于mdn网络的解码器，考虑到端口选择参数直接决定了波束域csi的分布，将其和隐变量的采样一起作为解码器的输入，输出混合高斯分布的权值、均值和标准差，最后还原混合高斯分布得到增广后的波束域csi。其中编码器设计的具体步骤包括：
[0075]
步骤s301、确定编码器模型参数，包括训练次数为1000次、批大小为100等。输入参数是波束参数和波束域csi，输出是隐变量高斯分布的参数，包括均值μ
en
、标准差σ
en
。
[0076]
步骤s302、确定神经网络结构，包括两层卷积层、两层全连接层，激活函数采用
relu函数；确定网络参数，包括卷积层采用3
×
3卷积核，全连接层神经元个数为256，输入层神经元个数和网络输入端口选择参数维度保持一致，输出层参数维度其中nz＝10为预测隐变量多元高斯分布的个数；设置输出的限制，利用指数函数使网络输出标准差σ
en
为非负数。
[0077]
其中解码器模型参数确定的步骤包括：
[0078]
步骤s303、确定解码器mdn网络结构为三层全连接层、一层dropout层，激活函数选择relu函数；确定网络参数，包括隐藏层全连接网络神经元个数为256，dropout的概率为0.05，输入层神经元个数和网络输入端口选择参数和隐变量的采样维度之和保持一致，输出层参数其中g＝9为高斯分布的个数，n
rssi
＝24为输出3基站下用户波束域csi的维度。设置输出的限制，利用softmax函数使网络权值w的和为1，用指数函数使网络输出标准差σ为非负数。
[0079]
步骤s304、根据mdn网络输出还原混合高斯分布模型，得到预测的波束域csi分布。
[0080]
其中cvae mdn模型训练的具体步骤包括：
[0081]
步骤s305、设计损失函数：根据变分自编码器原理，一般将隐变量设计为服从多元高斯分布，用kl散度衡量其与标准高斯分布n(0,i)的差距：
[0082]
l1＝kl(n(0,i),n(μ
en
,σ
en
))，
[0083]
其中kl(
·
)是散度计算公式，μ
en
是编码器输出均值，σ
en
是编码器输出标准差。
[0084]
在解码器部分，给定输入为隐变量的采样z，同输入端口选择参数ib一起，记为x＝[z,ib]，波束域csi中的一个样本由于用户位置的随机性，将的多维随机变量概率分布建模为g个多元高斯分布的加权求和，即
[0085][0086]
其中
[0087][0088]
μg表示第g个高斯分布对应的均值，表示波束域csi各个参数间的协方差，其中σ
g,n
表示满足第g个高斯分布的n个元素的标准差，用wg表示第g个高斯分布的权值。则解码器部分的误差可以用如下公式度量：
[0089][0090]
则损失函数可以定义为：
[0091]
loss＝l1 l2[0092]
步骤s306、迭代训练网络，直至收敛，存储波束域csi数据增广模型参数。
[0093]
步骤s307、根据神经网络输出参数，生成符合该混合高斯分布的数据，为预测的波束域csi。
[0094]
4.波束域csi增广效果验证具体步骤包括：
[0095]
步骤s401、在样本数为300、500、700、1000情况下，分别生成不同的波束域csi增广模型，输入10组端口选择参数，根据预测的波束域csi，采样得到波束域csi的样本。
[0096]
步骤s402、统计预测的波束域csi与真实采样的波束域csi间的分布误差，在本实例中指标选取为最大均值差异(maximum mean discrepancy，mmd)距离，计算公式如下：
[0097][0098]
其中r为真实采样的波束域csi样本，为模型预测的波束域csi样本，m、n分别为r、的数量。理论研究表明，mmd的数值越小，分布越接近，可认为预测模型更准确。
[0099]
实验结果：如图3所示，本实例对比不同真实波束域csi采样数下，不同方法下的预测波束域csi分布与真实采样csi分布的mmd距离。作为对照方法，分别选取了cvae网络和mdn网络，且控制网络参数使各个方案的计算复杂度相当，对比方案的训练次数、批大小和本示例中的网络也保持一致。具体数据见表1。
[0100]
表1真实波束域csi和预测csi分布的mmd距离对比
[0101]
样本数3005007001000cvae1.54891.45581.39441.2967mdn2.72502.59231.89841.4757cvae mdn0.89790.52900.49350.2784
[0102]
可以看出，不同样本数下，本方法提出的波束域csi增广方法都能够有效挖掘未知位置分布和端口选择参数下的波束域csi分布。从表格数据来看，预测效果cvae mdn》cvae》mdn，且随着样本数的增加，模型预测更加准确，mmd距离呈下降趋势。
[0103]
本发明已以较佳实施例揭示如上，但并非用以限定相关领域技术方法。本领域的技术人员可以对本发明的技术方法进行修改或者完善，而不脱离本发明技术方法的精神和范围，均涵盖在本发明的权力要求范围当中。