[发明专利]一种MIMO通信系统中天线选择方法和系统

说明书

本发明公开了一种MIMO通信系统中天线选择方法和系统，包括：建立MIMO信道矩阵，对所述MIMO信道矩阵计算得到所述MIMO信道矩阵的列向量数据点集的主成分，根据所述主成分确定最终主成分，计算所述MIMO信道矩阵的列向量数据点集在所述最终主成分上的方差值，选择出所述方差值最大的数据点；分别计算得到每个列向量对应的范数；通过已有的天线选择方法建立深度学习模型，利用训练数据训练深度学习模型并保存；利用保存的深度学习模型，对排序后的信道元素及其对应的天线根据所述数据点选择出范数最大的列向量所对应的天线。在获得良好系统信噪比的情况下实现较低的计算复杂度。

技术领域

本发明属于通信信号处理技术领域，特别是涉及一种MIMO通信系统中天线选择方法、系统。

背景技术

为了满足动态增益以及简化信号处理过程，Massive MIMO(大规模多输入多输出)技术应运而生。它的核心思想是通过在基站侧配置50根甚至更多数量的天线构成天线阵列，形成多个并行数据传输通道。通过这一技术能够同时服务更多的用户，系统获得的分集増益和数据传输速率就越高，从而获得更高的系统容量及频谱利用率。特别是当基站配置的天线数量趋向于无穷大时，可以将热噪声以及小区间干扰对系统性能的影响平均化，特别是当天线之间相关性较低时，可以直接忽略掉波束间干扰。基于上述特点，在多用户大规模MIM0场景中，最简单的线性预编码技术，如匹配滤波，迫零编码等，实现的系统性能与非线性预编码技术实现的几乎相同。

多输入多输出技术可以通过空间复用来同时发送和接收多个独立的数据流，这样可以在不增加发送功率和带宽的情况下提高传输速率。目前大多MIMO技术是在微波瑞利衰落信道下进行的。而点对点E波段MIMO信道主要由视距(line-of-sight，LoS)分量组成。可见，E波段LoS MIMO信道的复用增益则主要由发射端和接收端的天线阵列分布所决定。对于均匀线性阵列来说，如果天线阵列参数满足瑞利距离准则(ayleigh distancecriterion)，那么毫米波LoS MIMO信道就可以取得最大复用增益。但是在实际的通信系统中，收发端之间的距离远大于天线阵列的尺寸，因此天线阵列参数就无法满足瑞利距离准则。此时，天线之间的相关性会变大，毫米波LoS MIMO信道矩阵的部分奇异值会变小，即MIMO的部分子信道质量变差无法支持数据流的传输。在这种情况下，没有必要使用全部的发射天线。进一步说，在E波段LoS MIMO信道下进行发射天线选择可以在不减少系统容量的前提下降低信号处理的复杂度和信道状态信息反馈的开销。

目前常用的天线选择算法复杂度高、计算过程非常复杂。

发明内容

基于此，有必要针对目前的天线选择算法复杂度高、计算过程复杂的问题，提供一种毫米波MIMO通信系统中天线选择方法、系统。

本发明的目的是通过以下技术方案来实现的：

一种MIMO通信系统中天线选择方法，包括以下步骤：

获取MIMO信道的天线阵列信息；

根据所述天线阵列信息建立MIMO信道矩阵；

对信道矩阵求模值：信道矩阵为矩阵H的每个元素都是均值为0方差为1的复高斯随机变量，求出每个元素的模值；

对得到的信道元素模值进行排序，对所述MIMO信道矩阵采用主成分分析算法计算得到所述MIMO信道矩阵的列向量数据点集的主成分，根据所述主成分确定最终主成分，计算所述MIMO信道矩阵的列向量数据点集在所述最终主成分上的方差值，选择出所述方差值最大的数据点；

分别计算得到每个列向量对应的范数；

初始化基站到各个用户的信道矩阵，分别计算信道矩阵各个列向量对应的范数；

通过已有的天线选择方法产生深度学习所需要的训练数据集，建立深度学习模型，利用训练数据训练深度学习模型并保存；