波束空间下毫米波大规模MIMO系统波束选择算法研究
发布时间：2021-07-07 19:47
随着第五代移动通信技术的发展,人们对于高速率大带宽的要求使得毫米波（millimeter-wave,mm Wave）大规模多输入多输出（Multiple Input Multiple Output,MIMO）系统成为了关注的焦点。由于离散透镜阵列（discrete lens array,DLA）的研究设计越来越成熟,这使得波束空间的概念被广泛应用于毫米波通信系统。根据波束域下毫米波特有的稀疏性,利用波束选择算法选择一些波束子集进行发射,可以在一定程度上减少射频（radio frequency,RF）链路数量,从而进一步降低MIMO收发信机的硬件复杂度和系统功耗,并且系统性能不会出现较大的损失。本文中,用户和RF链路的数量将不受限制,可以自定义选择的波束数量。首先,受到机器学习算法的启发,本文设计了一种基于自适应交叉熵（adaptive cross-entropy,ACE）的波束选择算法。通过不断更新各波束的概率分布,生成一个接近最优解的高概率解,从而解决波束选择中的组合优化问题。该算法不仅计算复杂度低,收敛速度快,而且系统的频谱效率接近全波束发射系统。接下来,本文给出了该算法的收敛性证...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
8GHzCPA-MIMO系统的DLA实物DLA的作用与空间离散傅里叶变换矩阵U的作用相同
哈尔滨工业大学工程硕士学位论文16和2pN条多径分量的信道场景。用户k的信道参数如下：,0(0,1)k，当1piN时1,(0,10)ki；当0piN时k,i服从[1/2,1/2]均匀分布。3.2.1算法优势和劣势分析首先，介绍一下采用交叉熵算法进行波束选择的优势。从3.1.2节中的算法描述中看到，基于ACE的波束选择算法得到候选向量之后，先计算各候选向量的目标值并进行排序，本文中目标值即为系统的频谱效率。传统CE在选择精英的时候是直接选择目标值较好的候选向量作为“精英”，而本课题设计的算法是经过了二次选择之后得到了更符合问题要求的精英，算法步骤的第4步给出了详细介绍。为了探究交叉熵算法的性能优势，本文采用不限制波束数量的基于ACE的波束选择算法，即没有进行针对问题的二次选择，根据仿真结果得出ACE算法与全波束发射系统之间的关系。图3-1(a)给出了采用不限制波束数量的基于ACE的波束选择算法与全波束系统的仿真对比。图3-1(b)给出了当SNR=15dB时，在某次信道实现下，不限制波束数量的基于ACE的波束选择算法迭代过程中的频谱效率变化。(a)(b)图3-1基于ACE的波束选择算法（不限制波束数量）仿真分析本文考虑从2000个候选挑选向量出频谱效率最优的30个候选向量作为精英。可以很明显的看到图3-1(a)中两条曲线完全重合。也就是说，选择系统频谱效率作为目标值，算法收敛到了全系统模型，即不进行波束选择，全波束发射信号时整个系统的频谱效率最大，为最优方案。通过此次仿真可以看出ACE算法的优势，在不对波束数量加以限制的条件下，它可以收敛到全局最优解。同时，想要强调的是：在不限制波束数量的条件下，当基于ACE的波束选择算法收敛时，N个正交波束对应的概率参数向量u为全1矢量。从图3-1(b)可以看频谱效率[bits/s/Hz]
哈尔滨工业大学工程硕士学位论文18经过选择之后发现：在SE方面，排在前40%的精英的有效波束数量基本在31-44之间。而且，一般来说，波束数量多的SE会稍高于波束数量少的候眩向量出现概率和频谱效率两方面因素，本文仿真中考虑精英对应的有效波束数量m在31-44之间，即期望的波束数量M的范围在31-44之间。图3-2二项分布概率密度函数（p1/2）随机变量m的期望为E(m)np640.532，从概率也可以看出m32时的概率最大，也就是说在S个候选中，有效波束数量为32的候选最多，但是满足这个数量的候选是否会被选为精英就要看其频谱效率在所有候选中所处的位置了。在本文算法中，初始化时采用采用0/1等概分布，但是这并不能包含不同波束数量所有可能的情况，或者说只适用于要求的波束数量M在18-46之间情况。换句话说，在等概率的初始条件下，只能尽可能分析选择某些波束数量的情况，不能包含所有可能的波束数量。因此对于不同的期望波束数量M，需要根据其具体值调整初始概率分布。需要特别指出的是：对于ACE算法来说，与其他初始分布相比，0/1等概分布更为合理，可以解释为这个初始分布处于整个概率空间的中心位置，它将来进入这个空间中任何区域的概率均等，不容易陷入局部最优。当然M的范围可以通过改变初始概率分布进行调整，具体调整方案可以根据实际要求而适应。3.2.2复杂度分析下面将对本文设计的基于ACE的波束选择算法的计算复杂度进行分析。通过观察表3-1发现：计算复杂度主要来自算法的第2，6，7步。假定每次根据式
【参考文献】：
期刊论文
[1]遗传算法在优化问题中的应用综述[J]. 李岩,袁弘宇,于佳乔,张更伟,刘克平. 山东工业技术. 2019(12)
[2]一种采用改进交叉熵的多目标优化问题求解方法[J]. 赵舵,唐启超,余志斌. 西安交通大学学报. 2019(03)
[3]随机优化的改进交叉熵方法[J]. 任超,张航,李洪双. 北京航空航天大学学报. 2018(01)
[4]毫米波大规模MIMO系统波束选择方案的设计[J]. 吴君钦,赵天. 高技术通讯. 2017(05)
[5]基于波束选择的毫米波Massive MIMO预编码算法研究[J]. 彭章友,王淼,李林霄,刘洋,刘琦,王春娜. 电子测量技术. 2016(07)
[6]混合遗传算法综述[J]. 张先炼,王国杰. 电子世界. 2015(14)
[7]基于最小均方误差的多用户MIMO系统下行链路预编码[J]. 李新民,白宝明. 重庆邮电大学学报(自然科学版). 2010(01)
[8]遗传算法理论研究综述[J]. 陈建安,郭大伟,徐乃平,孙云芝. 西安电子科技大学学报. 1998(03)
[9]遗传算法综述[J]. 席裕庚,柴天佑,恽为民. 控制理论与应用. 1996(06)
博士论文
[1]进化算法的收敛性与时间复杂度分析的若干研究[D]. 张宇山.华南理工大学 2013
硕士论文
[1]大规模MIMO系统低复杂度预编码算法研究[D]. 张弛.东南大学 2018
本文编号：3270255
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
8GHzCPA-MIMO系统的DLA实物DLA的作用与空间离散傅里叶变换矩阵U的作用相同
哈尔滨工业大学工程硕士学位论文16和2pN条多径分量的信道场景。用户k的信道参数如下：,0(0,1)k，当1piN时1,(0,10)ki；当0piN时k,i服从[1/2,1/2]均匀分布。3.2.1算法优势和劣势分析首先，介绍一下采用交叉熵算法进行波束选择的优势。从3.1.2节中的算法描述中看到，基于ACE的波束选择算法得到候选向量之后，先计算各候选向量的目标值并进行排序，本文中目标值即为系统的频谱效率。传统CE在选择精英的时候是直接选择目标值较好的候选向量作为“精英”，而本课题设计的算法是经过了二次选择之后得到了更符合问题要求的精英，算法步骤的第4步给出了详细介绍。为了探究交叉熵算法的性能优势，本文采用不限制波束数量的基于ACE的波束选择算法，即没有进行针对问题的二次选择，根据仿真结果得出ACE算法与全波束发射系统之间的关系。图3-1(a)给出了采用不限制波束数量的基于ACE的波束选择算法与全波束系统的仿真对比。图3-1(b)给出了当SNR=15dB时，在某次信道实现下，不限制波束数量的基于ACE的波束选择算法迭代过程中的频谱效率变化。(a)(b)图3-1基于ACE的波束选择算法（不限制波束数量）仿真分析本文考虑从2000个候选挑选向量出频谱效率最优的30个候选向量作为精英。可以很明显的看到图3-1(a)中两条曲线完全重合。也就是说，选择系统频谱效率作为目标值，算法收敛到了全系统模型，即不进行波束选择，全波束发射信号时整个系统的频谱效率最大，为最优方案。通过此次仿真可以看出ACE算法的优势，在不对波束数量加以限制的条件下，它可以收敛到全局最优解。同时，想要强调的是：在不限制波束数量的条件下，当基于ACE的波束选择算法收敛时，N个正交波束对应的概率参数向量u为全1矢量。从图3-1(b)可以看频谱效率[bits/s/Hz]
哈尔滨工业大学工程硕士学位论文18经过选择之后发现：在SE方面，排在前40%的精英的有效波束数量基本在31-44之间。而且，一般来说，波束数量多的SE会稍高于波束数量少的候眩向量出现概率和频谱效率两方面因素，本文仿真中考虑精英对应的有效波束数量m在31-44之间，即期望的波束数量M的范围在31-44之间。图3-2二项分布概率密度函数（p1/2）随机变量m的期望为E(m)np640.532，从概率也可以看出m32时的概率最大，也就是说在S个候选中，有效波束数量为32的候选最多，但是满足这个数量的候选是否会被选为精英就要看其频谱效率在所有候选中所处的位置了。在本文算法中，初始化时采用采用0/1等概分布，但是这并不能包含不同波束数量所有可能的情况，或者说只适用于要求的波束数量M在18-46之间情况。换句话说，在等概率的初始条件下，只能尽可能分析选择某些波束数量的情况，不能包含所有可能的波束数量。因此对于不同的期望波束数量M，需要根据其具体值调整初始概率分布。需要特别指出的是：对于ACE算法来说，与其他初始分布相比，0/1等概分布更为合理，可以解释为这个初始分布处于整个概率空间的中心位置，它将来进入这个空间中任何区域的概率均等，不容易陷入局部最优。当然M的范围可以通过改变初始概率分布进行调整，具体调整方案可以根据实际要求而适应。3.2.2复杂度分析下面将对本文设计的基于ACE的波束选择算法的计算复杂度进行分析。通过观察表3-1发现：计算复杂度主要来自算法的第2，6，7步。假定每次根据式
【参考文献】：
期刊论文
[1]遗传算法在优化问题中的应用综述[J]. 李岩,袁弘宇,于佳乔,张更伟,刘克平. 山东工业技术. 2019(12)
[2]一种采用改进交叉熵的多目标优化问题求解方法[J]. 赵舵,唐启超,余志斌. 西安交通大学学报. 2019(03)
[3]随机优化的改进交叉熵方法[J]. 任超,张航,李洪双. 北京航空航天大学学报. 2018(01)
[4]毫米波大规模MIMO系统波束选择方案的设计[J]. 吴君钦,赵天. 高技术通讯. 2017(05)
[5]基于波束选择的毫米波Massive MIMO预编码算法研究[J]. 彭章友,王淼,李林霄,刘洋,刘琦,王春娜. 电子测量技术. 2016(07)
[6]混合遗传算法综述[J]. 张先炼,王国杰. 电子世界. 2015(14)
[7]基于最小均方误差的多用户MIMO系统下行链路预编码[J]. 李新民,白宝明. 重庆邮电大学学报(自然科学版). 2010(01)
[8]遗传算法理论研究综述[J]. 陈建安,郭大伟,徐乃平,孙云芝. 西安电子科技大学学报. 1998(03)
[9]遗传算法综述[J]. 席裕庚,柴天佑,恽为民. 控制理论与应用. 1996(06)
博士论文
[1]进化算法的收敛性与时间复杂度分析的若干研究[D]. 张宇山.华南理工大学 2013
硕士论文
[1]大规模MIMO系统低复杂度预编码算法研究[D]. 张弛.东南大学 2018
本文编号：3270255
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3270255.html
