一种基于广义奇异值分解构造无线通信预编码器的方法

1.本发明涉及无线信道编码器技术领域，特别涉及一种基于广义奇异值分解构造无线通信预编码器的方法。


背景技术：

2.目前，对于无线信道的预编码器设计有很多方法可以实现，主要分为传统的优化算法以及基于深度学习的方法。
3.传统的优化算法主要通过优化或者联合优化无线通信系统的一些相关技术指标(如系统和速率、能量效率、发射功率等)进而设计出出最优或者次优的预编码器。传统的优化算法主要基于凸优化理论建立优化问题进行求解，其中包含有分式规划等一系列的优化方法。
4.传统算法直至目前为止成果已然相当卓越，技术也已经相对成熟，然后由于大部分问题的求解均需要对大量的数据进行一系列的求解例如穷举法搜索或者交替优化以求得问题的最优或者次优解，对于大规模天线的场景计算复杂度过高从而导致较大的计算开销，对于设备的算力有着较高的要求。


技术实现要素：

5.有鉴于现有问题，本发明的目的在于提供一种基于广义奇异值分解构造无线通信预编码器的方法，通过tensorflow深度学习以解决上述问题。
6.本发明提供如下的技术方案：
7.一种基于广义奇异值分解构造无线通信预编码器的方法，其特征在于，包括以下步骤：s1：通过matlab进行无线信道的仿真并生成基于收发天线数量的数据集；s2：将数据集导入tensorflow深度学习框架中进行预处理，将数据集划分为训练集和测试集，并将数据集变换为向量形式；s3：通过tensorflow深度学习框架搭建神经网络；s4：通过损失函数控制神经网络模型的收敛，计算网络损失以及准确率，并在网络收敛后导出模型权重；s5：载入训练后的模型权重以及经过预处理的测试集数据进行检测，得到输出的预编码矩阵、解码矩阵、关联功率分配因子的对角矩阵，并计算系统速率指标。
8.步骤s1中的数据集为多用户信道矩阵h(b,u,h,w)。
9.步骤s2的预处理具体为：对多用户信道矩阵进行从h(b,u,h,w)转化为h(b,h,u*w)的降维处理；将降维后的多用户信道矩阵h(b,h,u*w)中的实部以及虚部分离得到两个矩阵h_real,h_imag，将h_real,h_imag在第四个维度进行拼接，得到维度为(b,h,u*w,2)的训练集h_train和测试集h_test。
10.训练集和测试集的矩阵维度(b,h,u*w,2)中最后一个维度代表分离矩阵的数量。
11.步骤s3具体为：通过两层卷积层进行对数据集进行特征提取，然后经过一层池化层进行下沉采样，随后经过dropout层防止网络过度拟合；将上述提取到的特征数据并行输入一个分支网络进行进一步的特征提取，通过三个分支网络结构完成预编码矩阵p、解码器
r、以及广义奇异值对角矩阵c的特征提取；将上述并行分支网络的输出组合为矩阵形式进行输出，在计算功率分配因子、系统和速率的过程中应用所输出的数据。
12.步骤s4通过函数：
[0013][0014]
计算网络损失以及准确率，其中，hk代表多用户的信道矩阵集合，代表预测的多用户信道矩阵集合，p为网络输出的预编码矩阵，ck为对角矩阵并可以表示为功率分配因子，dk为网络输出的解码矩阵。
[0015]
本发明的有益技术效果在于：
[0016]
1、在输入仅为两通道(包含信道矩阵的实部和虚部)的情况下能够很好的完成训练任务；
[0017]
2、在基于卷积神经网络的结构下通过并行分支网络的设计思路，使得网络能够输出三类具有不同性质的矩阵；
[0018]
3、对比同类型求解系统预编码矩阵的方法能够做到更少的通道输入从而降低训练开销，同时能够很好地适配当前多用户的通信环境；
[0019]
4、对比传统算法在同等算力条件下，网络训练完成后预测过程复杂度更低。
附图说明
[0020]
图1是本发明实施例提供的基于广义奇异值分解构造无线通信预编码器的方法的流程示意图；
[0021]
图2是本发明实施例提供的基于广义奇异值分解构造无线通信预编码器的方法中神经网络的结构示意图。
具体实施方式
[0022]
下面结合附图对本发明的实施例作详细说明，下述的实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
[0023]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，在不冲突的情况下，本文所描述的实施例可以与其它实施例相结合。
[0024]
实施例
[0025]
如图1所示，本发明实施例提供的基于广义奇异值分解构造无线通信预编码器的方法，其包括以下步骤：s1：通过matlab进行无线信道的仿真并生成基于收发天线数量的数据集；s2：将数据集导入tensorflow深度学习框架中进行预处理，将数据集划分为训练集和测试集，并将数据集变换为向量形式；s3：通过tensorflow深度学习框架搭建神经网络；s4：
通过损失函数控制神经网络模型的收敛，计算网络损失以及准确率，并在网络收敛后导出模型权重；s5：载入训练后的模型权重以及经过预处理的测试集数据进行检测，得到输出的预编码矩阵、解码矩阵、关联功率分配因子的对角矩阵，并计算系统速率指标。
[0026]
步骤s1中的数据集为多用户信道矩阵h(b,u,h,w)。
[0027]
步骤s2的预处理具体为：对多用户信道矩阵进行从h(b,u,h,w)转化为h(b,h,u*w)的降维处理；将降维后的多用户信道矩阵h(b,h,u*w)中的实部以及虚部分离得到两个矩阵h_real,h_imag，将h_real,h_imag在第四个维度进行拼接，得到维度为(b,h,u*w,2)的训练集h_train和测试集h_test。
[0028]
训练集和测试集的矩阵维度(b,h,u*w,2)中最后一个维度代表分离矩阵的数量。
[0029]
步骤s3具体为：如图2所示，通过两层卷积层进行对数据集进行特征提取，然后经过一层池化层进行下沉采样，随后经过dropout层防止网络过度拟合；将上述提取到的特征数据并行输入一个分支网络进行进一步的特征提取，通过三个分支网络结构完成预编码矩阵p、解码器r、以及广义奇异值对角矩阵c的特征提取；将上述并行分支网络的输出组合为矩阵形式进行输出，在计算功率分配因子、系统和速率的过程中应用所输出的数据。
[0030]
步骤s4通过函数：
[0031][0032]
计算网络损失以及准确率，其中，hk代表多用户的信道矩阵集合，代表预测的多用户信道矩阵集合，p为网络输出的预编码矩阵，ck为对角矩阵并可以表示为功率分配因子，dk为网络输出的解码矩阵。
[0033]
本发明上述实施例，能够比同类型求解系统预编码矩阵的方法能够做到更少的通道输入从而降低训练开销。
[0034]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的试验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。