[发明专利]混合预编码方法、系统、介质及通信设备

权利要求书

1.一种混合预编码方法，其特征在于，包括以下步骤：

S1，获取待处理信道状态信息矩阵以及待发送数据；

S2，将所述待处理信道状态信息矩阵输入经过训练的深度预编码分类模型，获得分类预测结果；

其中，所述深度预编码分类模型包括卷积神经网络以及连接所述卷积神经网络的多任务分类器；所述卷积神经网络包括依序连接的一个常规卷积以及三个倒置残差块；所述倒置残差块由深度可分离卷积、注意力结构以及残差边组成；

S3，根据所述分类预测结果从预设的码本中选择所述待处理信道状态信息矩阵的最优混合预编码矩阵；

S4，根据所述待处理信道状态信息矩阵的最优混合预编码矩阵对所述待发送数据进行混合预编码。

2.根据权利要求1所述的混合预编码方法，其特征在于，所述深度预编码分类模型通过以下步骤进行训练：

T1，获取样本信道的原始信道状态信息矩阵，在所述原始信道状态信息矩阵的基础上叠加预设的复高斯白噪声，获得各信噪比条件下的样本信道状态信息矩阵；

T2，获取码本，利用穷搜算法在所述码本中获取所述样本信道状态信息矩阵的最优混合预编码矩阵作为训练标签；

T3，根据所述样本信道状态信息矩阵以及训练标签对所述深度预编码分类模型进行训练。

3.根据权利要求2所述的混合预编码方法，其特征在于，在所述步骤T1中，包括以下步骤：

T11，根据所述原始信道状态信息矩阵，计算获得所述原始信道状态信息矩阵的功率；

T12，根据所述原始信道状态信息矩阵的功率以及预设的信噪比条件，计算获得复高斯白噪声功率；

T13，根据所述复高斯白噪声功率生成与所述原始信道状态信息矩阵同等维度的复高斯白噪声；

T14，在所述原始信道状态信息矩阵的基础上叠加所述复高斯白噪声，获得各信噪比条件下的样本信道状态信息矩阵。

4.根据权利要求2所述的混合预编码方法，其特征在于，所述码本根据发送端以及接收端的天线阵列决定；所述码本包括发送端码本以及接收端码本，所述发送端码本包括用于进行预编码的预编码矩阵，所述接收端码本包括用于对经过预编码的数据进行还原的组合矩阵。

5.根据权利要求4所述的混合预编码方法，其特征在于，所述多任务分类器包括结构一致、权重不同的两个分支，所述分支各包括依次连接的一层全局池化层以及两层全连接层；所述分支分别输出用于在所述发送端码本选择最优预编码矩阵的稀疏向量以及用于在所述接收端码本选择最优组合矩阵的稀疏向量。

6.根据权利要求2所述的混合预编码方法，其特征在于，在所述步骤T3中，采用前向传播算法以及后向传播算法对所述深度预编码分类模型进行训练。

7.根据权利要求2所述的混合预编码方法，其特征在于，在进行训练之前，所述深度预编码分类模型的参数采用随机方式进行初始化。

8.一种混合预编码系统，其特征在于，包括数据获取模块(1)、分类预测模块(2)、最优解获取模块(3)以及预编码模块(4)；

其中，所述数据获取模块(1)连接所述分类预测模块(2)以及预编码模块(4)，所述分类预测模块(2)连接所述最优解获取模块(3)，所述最优解获取模块(3)连接所述预编码模块(4)；

所述数据获取模块(1)用于获取待处理信道状态信息矩阵以及待发送数据；

所述分类预测模块(2)用于将所述待处理信道状态信息矩阵输入经过训练的深度预编码分类模型，获得分类预测结果；

其中，所述深度预编码分类模型包括卷积神经网络以及连接所述卷积神经网络的多任务分类器；所述卷积神经网络包括依序连接的一个常规卷积以及三个倒置残差块；

所述最优解获取模块(3)用于根据所述分类预测结果从预设的码本中选择所述待处理信道状态信息矩阵的最优混合预编码矩阵；

所述预编码模块(4)用于根据所述待处理信道状态信息矩阵的最优混合预编码矩阵对所述待发送数据进行混合预编码。