毫米波大规模MIMO系统中基于机器学习的自适应连接混合预编码
发布时间：2020-12-15 15:44
毫米波大规模MIMO系统混合预编码是提升无线通信系统容量和降低射频链使用数量的关键技术之一,但是仍然需要大量高精度的相移器实现阵列增益。为了解决这个问题,本文中,首先通过最大化每个用户的接收信号功率,得到自适应连接结构中射频链与基站天线匹配关系,然后创新地把基于机器学习的自适应交叉熵优化方法应用于1比特量化相移的自适应连接混合预编码器中。通过减小交叉熵和加入常数平滑参数保证收敛,自适应地更新概率分布以得到几乎最优的混合预编码器。最后,仿真验证了所提方案的可行性以及具有满意的可达和速率,与其他相同硬件复杂度的混合预编码方案相比具有更优的可达和速率性能。
【文章来源】：信号处理. 2020年05期 北大核心
【文章页数】：9 页
【部分图文】：
多用户大规模系统自适应连接混合预编码
自适应连接结构的混合预编码[19]、基于机器学习的固定子连接开关和反相器结构的混合预编码[15]和本文的基于机器学习的自适应连接结构混合预编码(ACN based MLACE)具有相同的较低硬件复杂度,省去了全连接混合结构所需要的NNRF个相移器和N个加法器,因此这里仅以和速率作为不同预编码方案性能的比较。仿真参数设置如下,均匀线性阵列(ULA)天线之间的距离设为毫米波半波长d=l/2。根据式(2)获得第k个用户的信道增益矢量,设置每个用户的到达波束传播路径数都相等,即Lk=3,1≤k≤K。第k个用户的第l条路径的复增益服从复高斯分布,即α k (l) ～CN(0,1);离开角服从均匀分布,φ k (l) ～U[0,2p),信噪比为P/σ2。图2显示了毫米波大规模MIMO系统不同混合预编码方案的可达和速率,通过1000次信道实现,天线数N=56,射频链数与用户数相等,NRF=K=4,模拟预编码候选可行解个数Z=200,候选样本中的最优样本个数Zelite=40,迭代次数I=20,常数平滑参数α=0.9,文献[15]固定子连接自适应交叉熵没有考虑常数平滑参数,为保证收敛[21],加上平滑参数进行可达和速率性能比较。在上述参数设置下,和在整个信噪比范围,本文所提的ACN based MLACE算法可达和速率大于文献[15]基于机器学习的固定子连接结构的可达和速率,后一种的可达和速率性能稍微优于文献[19]的自适应连接(1比特量化)的性能。基于机器学习自适应交叉熵优化辅助的固定子连接结构的可达和速率比只用自适应连接的可达和速率还高,说明仅仅用1比特量化的自适应连接结构不能很好地实现阵列增益,所以本文利用基于机器学习的自适应交叉熵优化方法改善1比特自适应连接结构可达和速率性能。在基于机器学习的自适应交叉熵优化方法的辅助下,其可达和速率性能较自适应连接结构的可达和速率性能提升不少,进一步验证了本文基于机器学习的自适应连接结构的可行性。在相同的低硬件开销情况下,所提方法更加接近全数字迫零预编码和4比特量化相移器的两阶段混合预编码[12]的可达和速率。
图2显示了毫米波大规模MIMO系统不同混合预编码方案的可达和速率,通过1000次信道实现,天线数N=56,射频链数与用户数相等,NRF=K=4,模拟预编码候选可行解个数Z=200,候选样本中的最优样本个数Zelite=40,迭代次数I=20,常数平滑参数α=0.9,文献[15]固定子连接自适应交叉熵没有考虑常数平滑参数,为保证收敛[21],加上平滑参数进行可达和速率性能比较。在上述参数设置下,和在整个信噪比范围,本文所提的ACN based MLACE算法可达和速率大于文献[15]基于机器学习的固定子连接结构的可达和速率,后一种的可达和速率性能稍微优于文献[19]的自适应连接(1比特量化)的性能。基于机器学习自适应交叉熵优化辅助的固定子连接结构的可达和速率比只用自适应连接的可达和速率还高,说明仅仅用1比特量化的自适应连接结构不能很好地实现阵列增益,所以本文利用基于机器学习的自适应交叉熵优化方法改善1比特自适应连接结构可达和速率性能。在基于机器学习的自适应交叉熵优化方法的辅助下,其可达和速率性能较自适应连接结构的可达和速率性能提升不少,进一步验证了本文基于机器学习的自适应连接结构的可行性。在相同的低硬件开销情况下,所提方法更加接近全数字迫零预编码和4比特量化相移器的两阶段混合预编码[12]的可达和速率。图3显示了基于机器学习的自适应连接混合预编码的可达和速率性能与候选个数Z和迭代次数I变化的关系。可以看到仿真信噪比SNR=10 dB,N=56,NRF=K=4,Zelite=40, α=0.9,和 Ζ elite Ζ =0.2 时,所提ACN based MLACE方案可达和速率随着迭代次数的增加而增大,当迭代次数超过20次,可达和速率趋于缓和,说明迭代次数设为I=20是合适的。并且,迭代次数超过20次以后,Z=300可达和速率最高,Z=100可达和速率最低,考虑到计算复杂度,选择候选数Z=200是适中的。
【参考文献】：
期刊论文
[1]毫米波大规模MIMO系统中基于智能搜索的混合预编码算法[J]. 何雪云,钱旸,梁彦. 信号处理. 2019(11)
[2]基于机器学习的毫米波大规模MIMO混合预编码技术[J]. 刘斌,任欢,李立欣. 移动通信. 2019(08)
[3]面向无人机小区覆盖的毫米波波束优化设计[J]. 王磊,仲伟志,顾勇,朱秋明,陈小敏. 信号处理. 2019(07)
[4]Hybrid Precoder and Combiner Design with Finite Resolution PSs for mmWave MIMO Systems[J]. Ran Zhang,Weixia Zou,Ye Wang,Mingyang Cui. 中国通信. 2019(02)
本文编号：2918516
【文章来源】：信号处理. 2020年05期 北大核心
【文章页数】：9 页
【部分图文】：
多用户大规模系统自适应连接混合预编码
自适应连接结构的混合预编码[19]、基于机器学习的固定子连接开关和反相器结构的混合预编码[15]和本文的基于机器学习的自适应连接结构混合预编码(ACN based MLACE)具有相同的较低硬件复杂度,省去了全连接混合结构所需要的NNRF个相移器和N个加法器,因此这里仅以和速率作为不同预编码方案性能的比较。仿真参数设置如下,均匀线性阵列(ULA)天线之间的距离设为毫米波半波长d=l/2。根据式(2)获得第k个用户的信道增益矢量,设置每个用户的到达波束传播路径数都相等,即Lk=3,1≤k≤K。第k个用户的第l条路径的复增益服从复高斯分布,即α k (l) ～CN(0,1);离开角服从均匀分布,φ k (l) ～U[0,2p),信噪比为P/σ2。图2显示了毫米波大规模MIMO系统不同混合预编码方案的可达和速率,通过1000次信道实现,天线数N=56,射频链数与用户数相等,NRF=K=4,模拟预编码候选可行解个数Z=200,候选样本中的最优样本个数Zelite=40,迭代次数I=20,常数平滑参数α=0.9,文献[15]固定子连接自适应交叉熵没有考虑常数平滑参数,为保证收敛[21],加上平滑参数进行可达和速率性能比较。在上述参数设置下,和在整个信噪比范围,本文所提的ACN based MLACE算法可达和速率大于文献[15]基于机器学习的固定子连接结构的可达和速率,后一种的可达和速率性能稍微优于文献[19]的自适应连接(1比特量化)的性能。基于机器学习自适应交叉熵优化辅助的固定子连接结构的可达和速率比只用自适应连接的可达和速率还高,说明仅仅用1比特量化的自适应连接结构不能很好地实现阵列增益,所以本文利用基于机器学习的自适应交叉熵优化方法改善1比特自适应连接结构可达和速率性能。在基于机器学习的自适应交叉熵优化方法的辅助下,其可达和速率性能较自适应连接结构的可达和速率性能提升不少,进一步验证了本文基于机器学习的自适应连接结构的可行性。在相同的低硬件开销情况下,所提方法更加接近全数字迫零预编码和4比特量化相移器的两阶段混合预编码[12]的可达和速率。
图2显示了毫米波大规模MIMO系统不同混合预编码方案的可达和速率,通过1000次信道实现,天线数N=56,射频链数与用户数相等,NRF=K=4,模拟预编码候选可行解个数Z=200,候选样本中的最优样本个数Zelite=40,迭代次数I=20,常数平滑参数α=0.9,文献[15]固定子连接自适应交叉熵没有考虑常数平滑参数,为保证收敛[21],加上平滑参数进行可达和速率性能比较。在上述参数设置下,和在整个信噪比范围,本文所提的ACN based MLACE算法可达和速率大于文献[15]基于机器学习的固定子连接结构的可达和速率,后一种的可达和速率性能稍微优于文献[19]的自适应连接(1比特量化)的性能。基于机器学习自适应交叉熵优化辅助的固定子连接结构的可达和速率比只用自适应连接的可达和速率还高,说明仅仅用1比特量化的自适应连接结构不能很好地实现阵列增益,所以本文利用基于机器学习的自适应交叉熵优化方法改善1比特自适应连接结构可达和速率性能。在基于机器学习的自适应交叉熵优化方法的辅助下,其可达和速率性能较自适应连接结构的可达和速率性能提升不少,进一步验证了本文基于机器学习的自适应连接结构的可行性。在相同的低硬件开销情况下,所提方法更加接近全数字迫零预编码和4比特量化相移器的两阶段混合预编码[12]的可达和速率。图3显示了基于机器学习的自适应连接混合预编码的可达和速率性能与候选个数Z和迭代次数I变化的关系。可以看到仿真信噪比SNR=10 dB,N=56,NRF=K=4,Zelite=40, α=0.9,和 Ζ elite Ζ =0.2 时,所提ACN based MLACE方案可达和速率随着迭代次数的增加而增大,当迭代次数超过20次,可达和速率趋于缓和,说明迭代次数设为I=20是合适的。并且,迭代次数超过20次以后,Z=300可达和速率最高,Z=100可达和速率最低,考虑到计算复杂度,选择候选数Z=200是适中的。
【参考文献】：
期刊论文
[1]毫米波大规模MIMO系统中基于智能搜索的混合预编码算法[J]. 何雪云,钱旸,梁彦. 信号处理. 2019(11)
[2]基于机器学习的毫米波大规模MIMO混合预编码技术[J]. 刘斌,任欢,李立欣. 移动通信. 2019(08)
[3]面向无人机小区覆盖的毫米波波束优化设计[J]. 王磊,仲伟志,顾勇,朱秋明,陈小敏. 信号处理. 2019(07)
[4]Hybrid Precoder and Combiner Design with Finite Resolution PSs for mmWave MIMO Systems[J]. Ran Zhang,Weixia Zou,Ye Wang,Mingyang Cui. 中国通信. 2019(02)
本文编号：2918516
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2918516.html
