基于上下行对偶的多用户MIMO深度展开预编码方法与系统

技术领域

本发明涉及下行多用户MIMO无线通信系统，尤其是一种基于上下行对偶的多用户MIMO深度展开预编码方法与系统。

背景技术

多输入多输出(MIMO)天线技术可以利用空间资源，显著提高频谱效率，通过预编码技术抑制用户间的干扰是提下一代无线网络频谱效率的关键。在无线通信系统中，和速率最大化下的多用户预编码优化问题是非凸问题，不易求解，现有解决预编码问题的方法，如最流行的加权最小均方误差(WMMSE)算法由于每次迭代中收敛速度慢和高位矩阵求逆，计算复杂度高，不易于工程实现。

近年来，深度学习在通信领域被广泛应用。它可以将复杂的实时优化过程转移到离线训练中，与传统迭代算法相比，具有计算复杂度低、鲁棒性强等优点。现有基于深度学习的多用户MIMO预编码方法普遍存在训练参数较多，难以在性能和复杂度之间取得较好的平衡。

发明内容

发明目的：本发明旨在提供一种基于上下行对偶的多用户MIMO深度展开预编码方法与系统，以解决现有预编码方法普遍存在的收敛速度慢和计算复杂度过高的问题。

技术方案：为实现上述目的，本发明提供一种基于上下行对偶的多用户MIMO深度展开预编码方法，包括如下步骤：

(1)构建下行多用户MIMO优化问题，联合优化下行功率分配向量，发射预编码和接收矩阵；

(2)固定下行功率分配向量和下行发射预编码，获取下行接收矩阵最优结构，利用上行-下行对偶性，获取上行功率分配向量，并将下行接收矩阵切换为上行发射预编码；

(3)固定上行功率分配向量和上行发射预编码，获取上行接收矩阵最优结构，利用上行-下行对偶性，将上行接收矩阵切换为下行发射预编码；

(4)生成训练神经网络所需要的训练数据集，利用深度展开搭建基于上行-下行对偶性迭代优化算法的无监督学习神经网络，以优化所述下行多用户MIMO优化问题的优化目标为训练目标进行离线训练；

(5)通过训练好的神经网络，在线计算下行用户的最优发射预编码和接收矩阵。

具体实施时，步骤(1)中构建的下行多用户MIMO优化问题的优化目标可根据实际需求确定，例如是最大化下行用户和速率、最大化最小下行用户速率、功率最小化中的一种或多种结合。

在一种实施方式下，步骤(1)构建下行多用户和速率最大化问题，以最大化下行多用户和速率为目标，联合优化在总功率约束下的下行功率分配向量，发射预编码和接收矩阵；下行多用户和速率最大化问题构建如下：

优化目标为：

约束条件为：

其中，

作为优选，步骤(2)固定下行功率分配向量和发射预编码，获取下行接收矩阵最优结构的一般形式如下：

其中，

作为优选，步骤(3)中将下行接收矩阵切换为上行发射预编码，固定上行功率分配向量和发射预编码，得到上行最优接收矩阵结构的一般形式为：

其中，

作为优选，步骤(3)利用共轭梯度算法计算上行接收矩阵中的逆矩阵，

将上行接收矩阵中的求逆操作写为CG算法优化问题：

其中，e

作为优选，步骤(4)中搭建的神经网络，将基于上行-下行对偶性迭代优化过程深度展开，将下行功率分配向量q和步骤(3)中的上行功率分配向量p设置为网络参数，避免了求解p的公式带来的计算复杂度；神经网络的输入为下行信道H

作为优选，神经网络的数值计算在实数域处理，将数据计算由复数域转移到实数域：

其中，(·)

具体地，对于最大化下行用户和速率的优化目标，神经网络的训练损失函数设置为下行用户和速率的负值：

其中，θ表示神经网络可训练的参数，

本发明还提供一种计算机系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的基于上下行对偶的多用户MIMO深度展开预编码方法的步骤。

有益效果：与现有技术相比，本发明具有如下优点：1、本发明将多用户MIMO的最优接收结构与神经网络相结合，利用深度展开构建的神经网络，相比于数据驱动的“黑盒”神经网络，网络可训练参数的数量显著减少，降低了计算复杂度，且利用上下行对偶性使该网络有更好的可解释性来保证性能。2、本发明进一步使用共轭梯度算法计算高维矩阵的逆矩阵，避免了矩阵求逆步骤带来的高计算复杂度，在保证系统性能的同时，进一步降低了计算复杂度。

附图说明

图1是本发明实施例的下行多用户MIMO系统模型示意图。

图2是本发明实施例的等效上行多用户MIMO系统模型示意图。

图3是本发明实施例的算法流程图。

图4是本发明实施例中利用深度展开构建的神经网络结构示意图。

图5是本发明实施例的方法与现有方法的收敛速度仿真实验对比图。

图6是本发明实施例的方法与现有方法的性能仿真实验对比图。

具体实施方式

下面通过一个最佳实施例并结合附图对本发明进行详细说明。

本发明的典型应用场景为无线通信系统中一个多天线基站与多个多天线用户之间的通信，如图1所示。在下行传输信道中，基站对每个用户的数据符号进行发射预编码，用户接收到信号后，通过接收矩阵恢复为数据符号。基于上行-下行对偶性，存在一个等效的上行多用户MIMO系统模型，如图2所示。使得下行发射预编码可以切换为这个等效上行多用户MIMO系统模型中的上行接收矩阵，下行接收矩阵切换为上行发射预编码。

其中，

如图3所示，本发明实施例公开的一种基于上下行对偶的多用户MIMO深度展开预编码方法，具体步骤如下：

(1)构建下行多用户MIMO优化问题，联合优化下行功率分配向量，发射预编码和接收矩阵。具体的多用户MIMO优化问题的目标可根据实际场景需求确定，例如可以是最大化下行用户和速率，也可以是最大化最小用户速率、功率最小化等等。本实施例中以总功率约束下最大化下行用户和速率为目标进行示例性说明。具体地，下行多用户和速率最大化问题构建如下：

优化目标为：

约束条件为：

其中，

(2)固定下行功率分配向量和下行发射预编码，获取下行接收矩阵最优结构，利用上行-下行对偶性，获取上行功率分配向量，并将下行接收矩阵切换为上行发射预编码。

具体地，固定下行功率分配向量和发射预编码，获取下行接收矩阵最优结构的一般形式如下：

其中，

(3)固定上行功率分配向量和上行发射预编码，获取上行接收矩阵最优结构，利用上行-下行对偶性，将上行接收矩阵切换为下行发射预编码。

具体地，固定上行功率分配向量和发射预编码，获取上行接收矩阵最优结构的一般形式如下；

其中，

考虑到上行接收矩阵中存在高维矩阵求逆操作，利用共轭梯度算法计算上行接收矩阵中的逆矩阵以进一步降低计算复杂度。

共轭梯度(CG)算法是解决线性方程组的一种迭代方法，相比直接求逆，CG算法的计算复杂度更低。CG算法求解的问题形式为：

其中，

将上行接收矩阵中的求逆操作写为CG算法优化问题：

其中，e

(4)生成训练神经网络所需要的训练数据集，利用深度展开搭建基于上行-下行对偶性迭代优化算法的无监督学习神经网络，以下行多用户MIMO优化问题的优化目标为训练目标进行离线训练；本示例中即以最大化下行用户和速率为训练目标进行离线训练。

首先，下行信道H

利用深度展开搭建无监督学习的神经网络，网络的每一层对应于基于上行-下行对偶性优化算法的一次迭代。神经网络的训练损失函数设置为下行用户和速率的负值：

其中θ表示神经网络可训练的参数，

(5)通过训练好的神经网络，在线计算下行用户的最优发射和接收预编码向量。

为了验证本发明的效果，进行了仿真实验，仿真实验所涉及的参数如表1所示：

表1仿真实验参数表

表2计算复杂度对比表

具体地说，表1为仿真实验参数表，表2为现有方法及本发明方法在计算复杂度方面的对比表。L

本发明实施例还公开了一种计算机系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的基于上下行对偶的多用户MIMO深度展开预编码方法的步骤。

以上仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。