基于深度学习的毫米波信道估计与预编码研究

发布时间：2024-03-23 10:40

　　毫米波技术在第五代(5th Generation,5G)通信系统中的作用不可估量,其最大的优势在于能够结合大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)以尽可能弥补毫米波本身存在的严重传输路径损耗缺陷。本文将深度学习的思想引入到无线通信中,以毫米波大规模MIMO系统为立足点,以混合预编码和信道估计算法为切入点展开研究讨论,证明了深度学习能够解决传统通信系统存在的问题。本文针对毫米波通信系统中传统混合预编码算法高能耗、空间信息利用不充分等问题,提出一种基于深度学习的级联混合预编码器。级联混合预编码器通过学习如何优化通道感测矢量以将感测功率集中在最希望发送的方向上,同时学习如何直接从接收到的感测矢量预测混合架构的射频波束成形和组合矢量。通过仿真证明了级联混合预编码器在信道状态未知时能直接求解出混合预编码矩阵中的模拟预编码和组合矢量,使得大规模MIMO系统因选择最佳波束产生的庞大开销大大降低,且系统可实现数据速率趋近于最佳的可实现数据速率。同时,级联混合预编码器表现的性能更趋近于全数字预编码,且可以通过尽可能少的信道测量矢量就能准确预测模拟预编码...

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

图3-1生物神经元模型图

间的映射关系。本章主要介绍了两种神经网络结构，为后面的研究工作作好理论铺垫。3.1人工神经网络3.1.1神经元模型生物学中神经元的结构如图3-1所示。每个神经元主要由树突、轴突和突触三个部分组成。一个神经元拥有多个输入和单个输出，其输入与输出主要传递兴奋特性和抑制特....

图4-3信道估计损失函数变化曲线

电子科技大学硕士学位论文36其中Nsamples表示采样数。4.3.3仿真结果与分析在训练阶段，假设信道矩阵的路径角度均位于量化格点上，这样有助于神经网络进行分类学习，而在性能测试阶段则随机生成信道路径角度。训练数据集参数设置如表格4-2所示，并按照4:1的比例进行训练数据集和测....

图4-4信道估计的NMSE随SNR的变化曲线

第四章基于深度学习的毫米波信道估计算法37从图4-3可以看出，训练集与测试集的损失函数变化曲线没有出现过度的波动或锯齿状，则说明实验设置的网络参数设置较合理，并在有限次数的迭代下趋近于常数。训练集损失函数与测试集损失函数也没有出现明显的差距，证明没有出现欠拟合或过拟合的现象。在实....

图5-2混合预编码损失函数变化曲线

第五章基于深度学习的毫米波混合预编码算法49从图5-2可以看出，损失函数曲线在训练集和测试集上变化平缓，没有出现过度的波动或锯齿状，说明实验设置的学习速率较合理，并且在有限次的迭代下趋近于常数值。训练集损失函数与测试集损失函数也没有出现明显的差距，证明实验也没有出现欠拟合或过拟合....

本文编号：3935802