[发明专利]混合预编码方法、系统、介质及通信设备

说明书

本发明针对现有技术的局限性，提出了一种混合预编码方法、系统、介质及通信设备，通过采用深度可分离卷积实现网络参数和计算量的大幅减少，降低预编码实现所需的复杂度；引入倒置残差块加速网络的训练和提高网络的精度，还引入注意力结构实现特征提取时通道权重的自适应调整；本发明能够对预编码矩阵以及组合矩阵进行进行同时求解，可以获得最大化系统速率问题的最优解，在低复杂度的同时可以实现较高的速率，在损失极少数据速率的情况下可以实现低复杂度预编码，减少反馈的开销。

技术领域

本发明涉及无线通信技术领域，具体涉及大规模多输入多输出通信技术，更具体地，涉及一种混合预编码方法、系统、介质及通信设备。

背景技术

Massive MIMO(Massive Multiple-input Multiple-output，大规模多输入多输出)技术是5G移动通信的关键技术之一。Massive MIMO的天线数量将拓展到64，128甚至更大的规模，能进一步挖掘空间信息，获得更大的分集和复用增益。不过，这在提高数据传输速率的同时，也让预编码技术面临着巨大的挑战。预编码技术在于通过让信号发射端根据信道状态信息(Channel State Information，CSI)矩阵，设计预编码矩阵来对发送信号进行预编码，从而降低接收机消除信道间影响实现的复杂度，同时减少系统开销，最大提升MIMO的系统容量。传统的波束赋形技术，为每根天线配备了对应的射频链路，从而可以对信号进行数字域的数据处理。然而，随着大规模多输入多输出技术的应用，为每根天线都配备相应的射频链路的开销大到令人无法负担。因此，为了降低硬件的开销，现有技术通常采用模拟预编码与数字预编码相结合、基于码本的混合预编码方式。

公开日为2020.05.01，公布号为CN111092641A的中国申请专利：基于毫米波MIMO系统深度学习的混合预编码设计方法，其试图利用深度学习方法，来突破传统预编码复杂的联合优化与非凸限制，以期得到较优的频谱效率，并降低其复杂度。但是，上述专利将模拟预编码和组合矩阵进行解耦，将最大化系统速率问题解耦为收发两端预编码和组合矩阵的互信息最大化问题来进行，而这种求解方式只能获得最大系统速率问题的次优解；另外，其使用的参数量较大，训练较难且其训练成果难以复现。因此，现有技术仍然具有一定的局限性。

发明内容

针对现有技术的局限，本发明提出一种混合预编码方法、系统、介质及通信设备，本发明采用的技术方案是：

一种混合预编码方法，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。

相较于现有技术，本发明在通过采用深度可分离卷积实现网络参数和计算量的大幅减少，降低预编码实现所需的复杂度；引入倒置残差块加速网络的训练和提高网络的精度，还引入注意力结构实现特征提取时通道权重的自适应调整；本发明能够对预编码矩阵以及组合矩阵进行进行同时求解，可以获得最大化系统速率问题的最优解，在低复杂度的同时可以实现较高的速率，在损失极少数据速率的情况下可以实现低复杂度预编码，减少反馈的开销。

作为一种优选方案，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；