一种无线通信系统的感知与波束赋形设计方法

技术领域

本发明涉及通信技术领域，具体涉及一种无线通信系统的感知与波束赋形设计方法。

背景技术

毫米波(millimeter-wave,mmwave)通信被视为下一代无线通信的关键技术，得益于毫米波频段的巨大带宽资源，毫米波通信实现高传输速率，满足未来新兴无线服务的严格服务要求，如增强现实和自动驾驶。然而，更高的频率带来了更为严重的路径损耗，相较于sub-6GHz通信系统，毫米波信号的路径损失更为严重。毫米波信号的波长较小，在基站(base station,BS)和用户设备(user equipment,UE)中集成更多的天线。在基站和用户设备端配备大型天线阵列，实现定向波束赋形，补偿毫米波的高路径损耗。但实现最优波束赋形的设计通常需要完美的信道状态信息(channel state information,CSI)，而随着天线数的增加，获取精确的CSI需要越来越多的训练开销。因此，出现了各种各样的方法用来减少建立毫米波频段的开销。

双频通信(dual-band communication)作为一种新型的技术更好地满足不同场景和用户的需求，实现更全面、高效的无线通信网络。双频通信，即基站和用户设备同时配备毫米波和sub-6GHz频段天线，在无线网络中同时使用毫米波和sub-6GHz通信，二者相互弥补，实现更为鲁棒的通信。毫米波频段提供高吞吐量服务，但覆盖不可靠；sub-6GHz频段提供连续覆盖，通信相对可靠，为毫米波信号质量差的用户设备提供可靠地数据传输。另外，有研究表明sub-6GHz和毫米波之间存在相关性，利用sub-6GHz去辅助毫米波频段进行通信降低训练开销，还使用sub-6GHz频段信号用于毫米波频段的网络控制和管理。

波束训练被广泛应用于提高毫米波信号的接收功率，以寻找具有最大波束赋形增益的最优发射和接收波束。传统方法上，通过毫米波的CSI选择出最优的波束，但这通常需要较高的训练开销，利用sub-6GHz频段和毫米波之间的相关性，通过sub-6GHz的CSI直接获取毫米波的最优波束，而sub-6GHz的CSI获取相对容易，这在极大程度上降低了训练开销。另外，波束通常是从预定义的有限大小的码本中选择的，采用穷举搜索遍历码本中的所有发射和接收波束是一种最优波束训练方案。然而，利用毫米波频段进行通信所部署的天线一般都较多，穷举搜索可能会导致过高的训练开销，并随着毫米波天线数的增加而增加。

在实际情况下，环境状态包括非视距(non-line of sight,非视距分量NLOS)和视距(line of sight,视距分量LOS)状态，毫米波易受环境干扰，对环境阻塞具有高度敏感性。因此在非视距分量NLOS下，采用sub-6GHz通信不失为一种更好的方式。在双频通信系统下，进行实时切换，实现更好的网络通信。对于环境状态的确定，则利用sub-6GHz频段的CSI，去完成用户所处环境的感知。近年来，深度学习被广泛用于提高无线通信的性能，为了减少波束训练的开销，引入深度学习方法直接预测最优波束。基于上述考虑，希望通过结合双频通信和深度学习的方法提升系统的信息传输效率，在完成状态预测(即判断环境是否为视距分量LOS)后，进行波束赋形设计，实现用户通信速率的最大化，而已有的工作并没有同时完成状态预测和波束赋形两个功能的研究。本发明所构造的基于深度学习的双频通信系统，通过sub-6GHz频段的CSI，完成对用户是的感知，并将其用于资源分配，对视距分量LOS环境状态利用毫米波进行通信，对非视距分量NLOS环境状态利用sub-6GHz进行通信，同时，毫米波的最优波束预测也是通过sub-6GHz的CSI直接预测，降低了收集毫米波的CSI所需要的开销。

文献"M.Cheng,J.-B.Wang,J.Cheng,J.-Y.Wang,and M.Lin,"Joint schedulingand precoding for mmWave and Sub-6 GHz dual-mode networks,"IEEETrans.Veh.Technol.,vol.69,no.11,pp.13098-13111,Nov.2020."研究了集成毫米波和sub-6GHz双模网络中用户调度和传输预编码的联合优化，提出一种凸表达式表示每个用户的通信速率下界，在此基础上去处理双模网络的联合优化问题。但该系统并没有考虑使用sub-6GHz频谱对用户所处环境进行感知，以获取环境状态。上述的文献考虑了双频通信系统下的资源分配或者波束赋形设计，但没有同时考虑状态预测(判断环境是否为视距分量LOS)和波束赋形。

发明内容

鉴于以上所述现有技术的缺点，本发明提供一种无线通信系统的感知与波束赋形设计方法，考虑状态预测和波束预测，对双频通信系统实现通信速率的最大化。

为实现上述效果，本发明的技术方案如下：

本发明提供一种无线通信系统的感知与波束赋形设计方法，包括以下步骤：

步骤1：建立混合sub-6GHz频段的信道状态信息和毫米波的双频通信系统，所述双频通信系统的环境包括视距分量LOS和非视距分量NLOS，所述双频通信系统由基站和用户组成；

步骤2：定义用户到基站第k个子载波(k＝1,2,…,K)的上行信道矢量、双频通信系统的上行接收信号、双频通信系统的下行接收信号，对用户进行选择性通信；

步骤3：将双频通信系统的通信速率最大化转化为两个子问题，即：

问题1：状态预测：使用sub-6GHz频段的信道状态信息，对用户所处环境进行感知，判断用户所处的环境状态，所述环境状态包括视距分量LOS环境状态和非视距分量NLOS环境状态；

问题2：波束预测：对视距分量LOS环境状态的用户，使用sub-6GHz频段的信道状态信息，找到最优的毫米波波束预测矢量；对非视距分量NLOS环境状态的用户，使用sub-6GHz频段的信道状态信息，找到最优的sub-6GHz波束预测矢量，实现通信速率的最大化。

进一步的，所述基站拥有第一天线阵列和第二天线阵列，第一天线阵列工作在sub-6GHz频段，配备有N

进一步的，步骤2包括：

定义

式中，s

定义

式中，

对用户进行选择性通信，即对处于视距分量LOS环境状态的用户，基站发射毫米波信号，对处于非视距分量NLOS环境状态的用户，基站发射sub-6GHz频段的信号。

进一步的，步骤3所述对用户所处环境进行感知，包括：

使用预先训练的GANs-CNN网络对用户所处环境进行感知，寻找最优下行波束矢量f

GANs-CNN网络包括依次连接的生成对抗网络和CNN网络。

进一步的，CNN网络包括依次连接的卷积层、池化层、扁平层和全连接层组；全连接层组包括依次连接第一全连接层和第二全连接层。

进一步的，第一全连接层采用Dropout机制丢失输入特征；第二全连接层之后还连接有softmax层。

进一步的，第二全连接层为具有D＝N

其中，

进一步的，所述CNN网络设定的损失函数为：

若第d个波束是最优波束索引，则p

9.根据权利要求8所述的方法，其特征在于，所述CNN网络采用批归一化函数

进一步的，所述寻找最优下行波束矢量f

问题1：状态预测：定义

式中，

sub-6GHz频段的信道状态信息到环境状态的映射函数表示为：

其中，

问题2：波束预测：即最大化通信速率；在完成问题1后，得到上行信道矢量h

对处于视距分量LOS环境状态的用户，计算毫米波通信的可达速率

其中，R

将状态预测和波束预测视为D分类任务，其中D是环境状态或毫米波波束选项集合的大小；

对于状态预测，D分类任务是二分类问题，即D＝2，0表示视距分量LOS环境状态，1表示非视距分量NLOS环境状态；

对于波束预测，D分类任务是

对处于非视距分量NLOS环境状态的用户，计算sub-6GHz频段通信的可达速率

其中，R

无线通信系统的总通信速率R表示为：

R＝R

设定下行波束矢量f在射频域实现，因此，对所有子载波采用相同的下行波束矢量f；

将最大化通信速率转化为从上行信道矢量的集合

sub-6GHz频段的信道状态信息到下行可达速率R(h

与现有技术相比，本发明技术方案的有益效果是：

本发明考虑了基于卷积神经网络的双频通信系统，并且考虑了对用户所处环境进行感知判断用户所处的环境状态，所述环境状态包括视距分量LOS环境状态和非视距分量NLOS环境状态；对视距分量LOS环境状态的用户，使用sub-6GHz频段的信道状态信息，找到最优的毫米波波束预测矢量；对非视距分量NLOS环境状态的用户，使用sub-6GHz频段的信道状态信息，找到最优的sub-6GHz波束预测矢量，实现通信速率的最大化。

附图说明

图1是本发明方法示意图；

图2是本发明双频通信系统示意图；

图3是本发明状态预测准确率随epoch次数增加的变化示意图；

图4是本发明系统通信速率随信噪比增加的变化示意图；

图5是本发明系统通信速率随信噪比增加的变化示意图；

图6是本发明预测准确率随信噪比增加的变化示意图；

图7是本发明预测准确率随信噪比增加的变化示意图；

图8是本发明生成模型示意图；

图9是本发明判别模型示意图；

图10是本发明CNN网络示意图。

具体实施方式

以下将参照附图和优选实施例来说明本发明的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

实施例

本实施例提出了一种无线通信系统的感知与波束赋形设计方法。请参阅图1，包括以下步骤：

步骤1：建立混合sub-6GHz频段的信道状态信息和毫米波的双频通信系统，所述双频通信系统的环境包括视距分量LOS和非视距分量NLOS，所述双频通信系统由基站和用户组成；

步骤2：定义用户到基站第k个子载波(k＝1，2，...，K)的上行信道矢量、双频通信系统的上行接收信号、双频通信系统的下行接收信号，对用户进行选择性通信；

步骤3：将双频通信系统的通信速率最大化转化为两个子问题，即：

问题1：状态预测：使用sub-6GHz频段的信道状态信息，对用户所处环境进行感知，判断用户所处的环境状态，所述环境状态包括视距分量LOS环境状态和非视距分量NLOS环境状态；

问题2：波束预测：在完成问题1后，对视距分量LOS环境状态的用户，使用sub-6GHz频段的信道状态信息，找到最优的毫米波波束预测矢量；对非视距分量NLOS环境状态的用户，使用sub-6GHz频段的信道状态信息，找到最优的sub-6GHz波束预测矢量，实现通信速率的最大化。

在通信系统中，毫米波易受环境干扰，信号传播对阻塞具有高度敏感性，本发明使用sub-6GHz完成毫米波波束赋形极大程度上降低训练开销，同时双频通信的联合使用，用sub-6GHz频段的信道状态信息替代毫米波通信解决毫米波在非视距分量NLOS环境状态下通信质量差的难题，实现通信速率的最大化。

本发明采用GANs-CNN网络，通过提取sub-6GHz信道的特征信息，在毫米波或sub-6GHz频段中选择最优的波束，适用于不同频段不同天线数的情况，适合同时存在视距分量LOS和非视距分量NLOS的实际环境。

作为优选的技术方案，本实施例中，所述基站拥有第一天线阵列和第二天线阵列，第一天线阵列工作在sub-6GHz频段，配备有N

作为优选的技术方案，本实施例中，步骤2包括：

定义

式中，s

定义

式中，

对用户进行选择性通信，即对处于视距分量LOS环境状态的用户，基站发射毫米波信号，对处于非视距分量NLOS环境状态的用户，基站发射sub-6GHz频段的信号；在固定功耗下，实现通信速率的最大化。

作为优选的技术方案，本实施例中，步骤3所述对用户所处环境进行感知，包括：

使用预先训练的GANs-CNN网络对用户所处环境进行感知，寻找最优下行波束矢量f

GANs-CNN网络包括依次连接的生成对抗网络和CNN网络。

作为优选的技术方案，本实施例中，CNN网络包括依次连接的卷积层、池化层、扁平层和全连接层组；全连接层组包括依次连接第一全连接层和第二全连接层。

作为优选的技术方案，本实施例中，第一全连接层采用Dropout机制丢失输入特征；第二全连接层之后还连接有softmax层。

作为优选的技术方案，本实施例中，第二全连接层为具有D＝N

其中，

所述CNN网络设定的损失函数为：

若第d个波束是最优波束索引，则p

波束预测和状态预测具有相似的结构，不同在于最后一层全连接层的设计，对于状态预测，类别D＝2，softmax层产生两个概率；

ReLU激活函数表示为：

作为优选的技术方案，本实施例中，为了加速CNN网络的训练并提升模型的稳定性，所述CNN网络采用批归一化函数(Batch Nomalization)

作为优选的技术方案，本实施例中，所述寻找最优下行波束矢量f

问题1：状态预测：定义

式中，

sub-6GHz频段的信道状态信息(CSI)到环境状态的映射函数表示为：

其中，

问题2：波束预测：即最大化通信速率；在完成问题1后，得到上行信道矢量h

对处于视距分量LOS环境状态的用户，计算毫米波通信的可达速率

其中，R

将状态预测和波束预测视为D分类任务，其中D是环境状态或毫米波波束选项集合的大小；

对于状态预测，D分类任务是二分类问题，即D＝2，0表示视距分量LOS环境状态，1表示非视距分量NLOS环境状态；

对于波束预测，D分类任务是

对处于非视距分量NLOS环境状态的用户，计算sub-6GHz频段通信的可达速率

其中，R

无线通信系统的总通信速率R表示为：

R＝R

设定下行波束矢量f在射频域实现，因此，对所有子载波采用相同的下行波束矢量f；

通信速率与下行波束矢量f有关，将最大化通信速率转化为从上行信道矢量的集合

式中，

sub-6GHz频段的信道状态信息(CSI)到可达速率R(h

其中，选项集合为标签可选类别，指0和1。如输入信道状态信息，对应环境状态是0，1。

获取数据集，用来进行状态预测(h

需要说明的是，神经网络在处理多分类问题上表现出色，对于多天线多载波情况下的信道，其结构适用卷积神经网络，所以设计一种卷积神经网络处理该问题，其在学习输入输出之间隐藏的复杂关系方面具有强大能力，能捕获数据的局部结构和层次特征，获得鲁棒的分类特征；为了解决训练过拟合及准确率低的问题，采用结合生成对抗网络和卷积神经网络的判别模型，通过生成对抗网络来生成训练样本，提升预测准确率。CNN网络用于波束预测。

生成对抗网络包括生成模型(generative model)和判别模型(discriminativemodel)，根据获取的样本信息，将生成模型、判别模型放入设计好的生成对抗网络，通过让生成对抗网络自主学习样本，最终生成得到全新的信道状态信息，保存于本地，用作卷积神经网络的学习样本；通过让生成模型和判别模型相互博弈，最终生成更好的样本；生成对抗网络中的生成模型和判别模型使用的都是卷积神经网络算法，经过所谓的对抗过程的训练之后，生成模型生成逼真的信道状态信息，接近于训练信息，生成模型是学习了一个训练数据的近似分布，对于判别模型也能进行训练数据的很好的区分。

所述生成对抗网络包括依次连接的生成模型和对抗模型，其中，生成模型如图8所示，包括依次连接的：

全连接层，输入为服从均匀分布的随机噪声向量Z，维度是100；重塑成3维张量，即信道天线数、信道子载波数、信道通道数，作为卷积核的开始；全连接层的节点个数为2048，全连接层的输出维度为4×4×128；

第一对抗卷积层，过滤器尺寸为3×3，深度为64，步长为(1,2)，使用ReLU作为激活函数；输出矩阵大小为4×8×64；

第二对抗卷积层，输入矩阵大小为4×8×64，反卷积过滤器尺寸为3×3，深度为32，步长为(1,2)，使用ReLU作为激活函数；输出矩阵大小为4×16×32；

第三对抗卷积层，输入矩阵大小为4×16×32，反卷积过滤器尺寸为3×3，深度为2，步长为(1,2)，使用ReLU作为激活函数；输出矩阵大小为4×32×2，输出为sub-6GHz的信道状态信息(CSI)。

其中，第一对抗卷积层使用反卷积操作。

所述判别模型如图9所示，包括依次连接的：

第一判别卷积层，输入为原始的信道，尺寸为4×32×2；卷积层的过滤器尺寸为3×3，深度为32，步长为(1,2)，使用ReLU作为激活函数；输出维度为4×16×32；

第二判别卷积层，输入矩阵大小为4×16×32；过滤器尺寸为3×3，深度为64，步长为(1,2)，使用ReLU作为激活函数；输出维度为4×8×64；

第三判别卷积层，输入矩阵大小为4×8×64；过滤器尺寸为3×3，深度为128，步长为(1,2)，使用ReLU作为激活函数；输出维度为4×4×128；

全连接层，输入矩阵大小为4×4×128，全连接层的节点个数为2048，将全连接层的输入矩阵压缩为1维后输入至预设的sigmoid函数，输出输入信道状态信息是真实信道状态信息的概率。

具体的，CNN网络结构如图10所示，包括依次连接的：

第一卷积层，使用过滤器尺寸为3×3，通道为16，步长为1，使用ReLU作为激活函数，使用0填充，输出维度为4×32×16；

第二卷积层，使用过滤器尺寸为3×3，通道为64，步长为1，使用ReLU作为激活函数，使用0填充，输出维度为4×32×64；

第三卷积层，使用过滤器尺寸为3×3，通道为256，步长为1，使用ReLU作为激活函数，使用0填充，输出维度为4×32×256；

池化层，采用最大池化，输入矩阵为4×32×256，采用的过滤器为2×2，输出矩阵为2×16×256；

flatten层：即扁平层，把多维的输入矩阵一维化，过渡到全连接层，输入矩阵为2×16×256，拉平为1×1×8192的矢量，输出节点个数为8192；

第一全连接层，输入的节点个数为8192，输出节点个数为1024；

第二全连接层，输入的节点个数为1024，输出节点个数为D；

所述第一卷积层、第二卷积层、第三卷积层、池化层以及第一全连接层采用Dropout机制丢失输入特征；第二全连接层之后还连接有softmax层。

将信道状态信息输入至生成对抗网络，生成对抗网络生成的输入信道状态信息是真实信道状态信息的概率；将生成对抗网络生成后的输入信道状态信息是真实信道状态信息的概率和输入数据一起添加到CNN网络进行训练，提升模型的泛化能力和模型预测准确率；

状态预测和波束预测为分类问题，两者的输入数据均为sub-6GHz的信道状态信息；因此，采用通用的神经网络架构，如图10所示；CNN网络训练包括训练阶段和预测阶段，在训练阶段，收集输入数据并进行预处理，每个输入数据包括一个sub-6GHz信道矩阵和作为分类标签的状态信息(或最优波束预测矢量)；在预测阶段，用户发送上行先导信道进行估计sub-6GHz信道，将sub-6GHz信道传递至CNN网络，基站基于CNN网络使用sub-6GHz信道预测毫米波频段的状态信息(或最优波束预测矢量)；

因为卷积神经网络不能处理复数类型数据，所以将输入数据划分为R{H}和I{H}，R{H}和I{H}分别表示实数部分和虚数部分，得到维度为(N

输入数据即人为收集的sub-6GHz频段的信道状态信息数据，使用生成对抗网络生成的是假的，但尽可能契合输入数据。

需要说明的是，如图4所示为不同低频天线数下随epoch次数增加状态预测准确率的变换趋势图；由图可知，随着epoch次数的增加，对状态预测的准确率逐渐提升，趋于稳定，在稳定之后，不同低频天线数对状态的预测准确率都可达到99％以上；除了单天线收敛较慢外，多天线能以较少的epoch次数完成收敛；另外，随着天线数的增加，预测准确率也会更快完成收敛。

如图5所示为各个方案中系统通信速率随信噪比增加的变化趋势图，由图得到下面几个结论；(1)从整体所有曲线来看，所有方案能够达到的通信速率都随信噪比增加而增加，而本发明提出的方案，即红色曲线“生成对抗网络”所示，是高于其他所有对比方案的，因此说明本发明提出方案的优异性和卷积神经网络的有效性；(2)在SNR较小时，sub-6GHz通信比毫米波通信好，但随着SNR的增加，采用毫米波通信的方案，即“生成对抗网络”“深度神经网络”“只有毫米波”，均大于仅采用sub-6GHz的方案，表明毫米波通信相比sub-6GHz通信有更好的性能，说明了毫米波通信的优异性；(3)对比毫米波和双频通信，毫米波和sub-6GHz联合通信有更为显著的优势，在非视距分量NLOS情况下，采用sub-6GHz频段进行通信优于毫米波频段，这说明了毫米波和sub-6GHz集成通信的可行性，提升了用户通信速率。

如图5所示为不同毫米波天线数下随信噪比增加通信速率的变化趋势图，其中，采用相同的sub-6GHz天线数进行预测，GANs-CNN网络适用于不同天线数毫米波通信的情况，并且随着天线数的增加，通信速率也随着增大，说明了本发明双频通信系统的可行性。

如图6所示为不同毫米波天线数下随信噪比增加预测准确率的变化趋势图，看出，随着SNR的增加，预测最优波束的准确率也会随着增加，但随着天线数的增加，预测的准确率会逐渐降低；在相同的sub-6GHz的CSI下，毫米波天线数的增加，意味着网络输出的信息量增加，故预测准确率随之降低。

如图7所示为不同sub-6GHz天线数下随信噪比增加预测准确率的变化趋势图，看出，随着SNR的增加，预测准确率也会随着增加，而随着sub-6GHz天线数的增加，对波束预测的准确率也会增加；sub-6GHz天线数的增加，意味着网络输入具有更多的信息，能提取更精确的特征，故拥有更高的预测准确率；看出，通过较少的sub-6GHz信道状态信息，便让毫米波选择较好的波束，降低了训练开销。

实施本发明实施例，具有如下有益效果：

本发明考虑使用sub-6GHz的信道状态信息CSI辅助完成毫米波的波束赋形，减少了训练开销。状态预测和波束赋形的同时进行，提高了双频通信系统的频谱利用率和通信质量，并减少了毫米波波束赋形的训练开销。

使用sub-6GHz的信道状态信息，对障碍进行检测，实现了感知的功能，并在完成感知后，进行选择性通信，对视距分量LOS环境状态的用户，使用毫米波通信，对非视距分量NLOS环境状态的用户，使用sub-6GHz通信。其中，毫米波的波束赋形设计也是通过sub-6GHz的CSI完成，降低了CSI反馈的开销。先感知后通信的方法，完成了频谱资源的分配，克服了非视距分量NLOS环境状态下毫米波频谱效率低的问题，进而实现通信速率的最大化；

基于GANs-CNN网络，通过提取sub-6GHz频段的信道状态信息，以较高的概率完成对毫米波和sub-6GHz频段最优波束的选择，相比其他方法，降低了大规模MIMO情况下毫米波波束赋形的复杂度。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。