[发明专利]异构智能反射面系统的联合波束赋形方法、系统、介质、终端

说明书

本发明提供一种异构智能反射面系统的联合波束赋形方法、系统、介质、终端，包括以下步骤：获取参与联邦训练的用户数量和每个智能反射面包含的反射单元数量；基于用户数量和反射单元数量初始化全局联邦模型；在每个训练周期，将全局联邦模型提供至各个用户，以使各个用户采用全局联邦模型更新本地联邦模型，并采用本地数据集训练本地联邦模型；对所有用户的本地联邦模型进行聚合，获取聚合后的全局联邦模型；基于聚合后的全局联邦模型预测异构智能反射面系统的联合波束赋形。本发明的异构智能反射面系统的联合波束赋形方法、系统、介质、终端基于SFL算法解决异构IRSs辅助下行链路系统的主动和被动波束成形联合问题，有效降低了计算复杂度和训练成本。

技术领域

本发明涉及无线通信的技术领域，特别是涉及一种异构智能反射面(IntelligentReflecting Surface，IRS)系统的联合波束赋形方法、系统、介质、终端。

背景技术

下一代无线通信系统的目标是提供高速、高能效以及高可靠性和无处不在的通信。智能反射表面因具有提高频谱和能量效率的潜力而受到广泛关注。IRS由许多低成本无源反射元件组成，这些元件是由超材料技术开发的，具有可编程的电磁特性。通过智能调整每个反射元件的相移，被动反射信号可以建设性地添加到主动入射信号中，以提高所需的信号功率。

在IRS辅助通信系统的设计和实施中也出现了新的挑战。如何在基站和IRS处联合优化基站的主动和IRS的被动波束形成是一个关键问题。但优化方程中存在高度非凸的单位模量约束使得这个问题难以求得最优解。现有技术中的优化算法求解主要有半定松弛(Semidefinite relaxation，SDR)算法、交替优化算法、流形优化算法、基于梯度投影的算法和分支界定算法等。然而，上述这些算法要么具有较高的计算复杂度，要么需要一些近似来简化原始目标函数。

近年来，已经研究将机器学习(Machine learning，ML)技术引入IRS辅助的通信网络处理一些非凸问题以降低计算复杂度。监督学习、无监督学习、深度学习、强化学习等机器学习算法广泛应用。然而，在传统的机器学习算法中，利用信道矩阵形成输入特征，当信道分布发生变化时，输入数据的维度随之发生改变，需要对模型进行再训练。因此，对于不同的通信链路，训练数据和训练过程是分开的，这导致了巨大的数据集开销和训练成本。在没有经验知识的情况下对不同的IRS辅助系统进行单独训练，效率往往比较低。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种异构智能反射面系统的联合波束赋形方法、系统、介质、终端，基于无监督分层联邦学习(Stratified federatedlearning，SFL)算法解决异构IRSs辅助下行链路系统的主动和被动波束成形联合问题，有效降低了计算复杂度和训练成本。

为实现上述目的及其他相关目的，本发明提供一种异构智能反射面系统的联合波束赋形方法，所述异构智能反射面系统包括一个基站和若干个智能反射面，每个智能反射面服务于一个或多个用户；所述异构智能反射面系统的联合波束赋形方法包括以下步骤：获取参与联邦训练的用户数量和每个智能反射面包含的反射单元数量；基于所述用户数量和所述反射单元数量初始化全局联邦模型；在每个训练周期，将所述全局联邦模型提供至各个用户，以使各个用户采用所述全局联邦模型更新本地联邦模型，并采用本地数据集训练所述本地联邦模型；对所有用户的本地联邦模型进行聚合，获取聚合后的全局联邦模型；基于所述聚合后的全局联邦模型预测所述异构智能反射面系统的联合波束赋形。

于本发明一实施例中，在一个训练周期内，各个用户进行所述本地联邦模型的多轮训练；所述本地联邦模型的训练目标为使得用户的速率达到最大。

于本发明一实施例中，所述聚合后的全局联邦模型采用的全局损失函数为其中表示第k个用户本地存储的训练模型，所述训练模型本地联邦模型和本地非联邦模型拼接而成，m和n分别为所述本地联邦模型和所述本地非联邦模型的层数，F_k表示第k个用户训练所述本地存储的训练模型时的损失函数，表示所述本地数据集。