一种基于广义奇异值分解构造无线通信预编码器的方法

技术特征：
1.一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：将所述数据集导入tensorflow深度学习框架中进行预处理，将所述数据集划分为训练集和测试集，并将所述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：通过损失函数控制所述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所述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。2.根据权利要求1所述的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，所述步骤s1中的所述数据集为多用户信道矩阵h(b,u,h,w)。3.根据权利要求2所述的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，所述步骤s2所述的预处理具体为：对所述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)的所述训练集h_train和所述测试集h_test。4.根据权利要求3所述的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，所述训练集和所述测试集的矩阵维度(b,h,u*w,2)中最后一个维度代表分离矩阵的数量。5.根据权利要求2所述的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，所述步骤s3具体为：通过两层卷积层进行对所述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。6.根据权利要求2所述的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，所述步骤s4通过函数：计算网络损失以及准确率，其中，h
k
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。

技术总结
本发明公开了一种基于广义奇异值分解构造无线通信预编码器的方法，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：将所述数据集导入TensorFlow深度学习框架中进行预处理，将所述数据集划分为训练集和测试集并变换为向量形式；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所述测试集数据进行检测，得到输出矩阵，并计算系统速率指标。本发明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。道输入从而降低训练开销。道输入从而降低训练开销。


技术研发人员：赵赛 杨帆 黄高飞 唐冬
受保护的技术使用者：广州大学
技术研发日：2022.07.19
技术公布日：2022/11/22