基于深度学习的大规模天线阵列混合波束赋形设计

该论文是实验室师兄最新发表于WCL(IEEE Wireless Communication Letters)的一篇论文(tql !!!)。这种采用深度学习与BF结合的方法给了我很大的启发。(膜拜,嘿嘿!)
IEEE link:https://ieeexplore.ieee.org/document/8847377/
Arxiv link: https://arxiv.org/abs/1904.03657
Code Guithub(记得关注师兄github以及本CSDN账户,博主更新不易,需要支持!): https://github.com/TianLin0509/BF-design-with-DL

背景

混合波束赋形(HBF)已经得到了广泛的研究,它在有效抵消毫米波严重路径损耗与降低大规模MIMO系统开销方面有十分重要的意义。一些传统的方法,大多是基于凸优化、矩阵论、最优化理论等等(可以参考本博主混合波束赋形专栏)的设计。而最近通过深度学习的方法来处理这种传统问题引起了人们的关注。

系统模型

考虑下图的下行窄带MISO系统,采用HBF架构。


在这里插入图片描述

重要的一些参数(其余请参照论文):
vRF\mathbf{v}_{\mathrm{RF}}:维度为Nt×1N_{\mathrm{t}} \times 1的模拟预编码
vDv_D: 数字预编码权值(标量
h\mathbf{h} :维度为1×Nt1 \times N_{\mathrm{t}} 的信道矩阵

该系统的SE(Spectral Efficiency):
R=log2(1+1σ2hHvRFvD2)R=\log _{2}\left(1+\frac{1}{\sigma^{2}}\left\|\mathbf{h}^{H} \mathbf{v}_{\mathrm{RF}} v_{\mathrm{D}}\right\|^{2}\right)
其中,最大发送功率约束为:VRFvD2P\left\|\mathbf{V}_{\mathrm{RF}} v_{\mathrm{D}}\right\|^{2} \leq PvRF\mathbf{v}_{\mathrm{RF}}受到恒定模量约束:[vRF]i2=1\left|\left[\mathbf{v}_{\mathrm{RF}}\right]_{i}\right|^{2}=1。可以证明,最优vDv_DP/Nt\sqrt{P / N_{t}},即满足最大功率约束。
此时,BF的设计问题可以表示为:
maximizevRFlog2(1+γNthHvRF2) subject to [vRF]i2=1, for i=1,,Nt \begin{aligned} &\underset{\mathbf{v}_{\mathbf{R F}}}{\operatorname{maximize}} \quad \log _{2}\left(1+\frac{\gamma}{N_{t}}\left\|\mathbf{h}^{H} \mathbf{v}_{\mathbf{R F}}\right\|^{2}\right)\\ &\text { subject to } \quad\left|\left[\mathbf{v}_{\mathrm{RF}}\right]_{i}\right|^{2}=1, \quad \text { for } i=1, \ldots, N_{\mathrm{t}} \end{aligned}
其中,γ=Pσ2\gamma=\frac{P}{\sigma^{2}}代表信噪比(SNR)。由于SNR一般认为可以比CSI更加准确的估计,因此作者假设γest =γ\gamma_{\text {est }}=\gamma

文章贡献

文章贡献如下:

  • 新的设计方法:利用估计的CSI作为BFNN输入,直接输出最优beamforming权值
  • 新颖的Loss函数:创新性地提出了与SE十分相关的一个Loss函数
  • 对于非理性CSI的鲁棒性:提出了一种两阶段设计方法,利用估计的CSI作为输入,让BFNN学会接近理想CSI下的SE。在线部署阶段,BFNN能够适应非理性CS实现对信道估计误差的鲁棒性。

NN(Neural Network)设计

一些挑战

BFNN的设计存在以下几个挑战:

  1. BFNN的输入应该是什么?大多基于深度学习的工作是将接收到的基带信号作为输入,而接收信号本身也是vRF\mathbf{v}_{\mathrm{RF}}的函数需要去优化。同时接收信号维度太低。
  2. 如何保证BFNN的输出vRF\mathbf{v}_{\mathrm{RF}}满足约束?大多深度学习(Deep Learning)如,tensoflow、pytorch框架并不支持复数输出。因此对输出施加恒模约束很困难。
  3. 训练BFNN的时候如何打标签?大多传统的智能通信系统设计,标签是设定为传输比特或理想CSI。对于BF设计很难找到一个合适的标签(首先,目前到这篇博文为止无世界上最优的HBF,只有更优的HBF设计…其次,如果采用的传统HBF算法的vRF\mathbf{v}_{\mathrm{RF}}为标签,无论怎么设计也不可能优于传统算法)

作者的精彩应对:

  1. BFNN的输入:估计的信道矩阵hest\mathbf{h}_{\mathrm{est}},估计的信噪比γest \gamma_{\text {est }}作为输入。
  2. Lamda层满足恒模约束:经典的、完美的欧拉公式vRF=exp(jθ)=cos(θ)+jsin(θ) \mathbf{v}_{\mathrm{RF}}=\exp (\mathrm{j} \cdot \boldsymbol{\theta})=\cos (\boldsymbol{\theta})+\mathbf{j} \cdot \sin (\boldsymbol{\theta}) 将相位θ\boldsymbol{\theta}作为在最后一个Dense层的输出,然后添加一个基于欧拉公式的Lamda层满足恒模约束。(虽然理论公式简单…但是这种想法太妙,使得输出自然满足恒模约束!tql)
  3. Loss 函数:在作者的设计中不需要标签,直接将Loss函数定义为:
     Loss =1Nn=1Nlog2(1+γnNthnHvRF,n2)\text { Loss }=-\frac{1}{N} \sum_{n=1}^{N} \log _{2}\left(1+\frac{\gamma_{n}}{N_{\mathrm{t}}}\left\|\mathbf{h}_{n}^{H} \mathbf{v}_{\mathrm{RF}, n}\right\|^{2}\right)
    其中NN是训练样本总个数,γn\gamma_{n}hn\mathbf{h}_{n}vRF,n,\mathbf{v}_{\mathrm{RF},n},分别代表第nn个样本的SNR、CSI和输出模拟波束赋形权值。(注意:Loss函数的减少正好对应着平均SE的增加!)

两阶段设计方法

作者提出了两阶段设计方法,如下图所示:


在这里插入图片描述

  1. 离线训练阶段:通过仿真,产生信道样本(理想CSI)、传输导频信号,噪声样本。然后在BS端实际的毫米波信道估计器利用获得部分的CSI(非理想CSI)。将估计的信道矩阵hest\mathbf{h}_{\mathrm{est}},估计的信噪比γest \gamma_{\text {est }}作为BFNN的输入然后输出最优vRF,n,\mathbf{v}_{\mathrm{RF},n},最小化Loss函数。这里直接将理想CSI和SNR作为Loss的输入,这样做的好处是BFNN可以通过训练学会如何尽可能接近基于理想CSI下的SE从而对信道估计误差产生鲁棒性!
  2. 在线部署阶段:实际的在线部署,BFNN的所有参数已被训练完毕并且固定,同时接收非理想CSI作为输入,直接输出模拟波束赋形权值。

仿真性能

考虑一个Nt=64N_{\mathrm{t}}=64的MISO系统。将估计的基带等效信道矩阵hest\mathbf{h}_{\mathrm{est}}拆分为实部和虚部同时与γest \gamma_{\text {est }}串联而成一个(2Nt+1)×1\left(2 N_\text{t}+1\right) \times 1实值输入向量。三个Dense层分别有256、128和64个神经元。为了增强收敛性,每个Dense层之前连接一个batch-normalization层。最后,添加一个Lamda层使得最后的输出满足恒模约束,整个BFNN的细节如下图。


在这里插入图片描述

在实验中,训练、验证、测试集分别包含了10510^{5}10410^{4}10410^{4}个样本。学习速率初始化为0.001,使用Adam优化器。具体的信道生成参照论文。
下图展示了,三种导频信噪比(PNR),即:-20dB,0dB和20dB下,,且估计的信道径数正确。可以看出,在PNR=20dB的时候有一定的增益,在低PNR的时候增加变得更大!


在这里插入图片描述

最后一张图考虑了对径数估计存在误差时的情况,实际情况中径数被预设为一个很小的值。同样可以看出,基于BFNN的设计仍然有一个更大的性能改善。


在这里插入图片描述

结论

针对采用大规模天线阵列的毫米波系统,作者提出了基于深度学习的BF设计方法。采用自定义的Lamda层和Loss函数很好地处理了存在硬件约束和非理想CSI挑战的毫米波系统设计。仿真结果展示了:相较于传统算法,BFNN设计所带来的性能提升十分具有竞争力!

©️2020 CSDN 皮肤主题: 大白 设计师: CSDN官方博客 返回首页
实付0元
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值