[发明专利]一种基于深度神经网络的波束管理方法

权利要求书

1.一种基于深度神经网络的波束管理方法，其特征在于，包括：

1).获取多用户的多轨迹数据，所述多轨迹数据为时序数据，将观测时段t＝(1,2,…,t_last)的序列作为历史观测轨迹P＝(P₁,P₂,…,P_i,…,P_N)，t_last表示在该观测时段的最后一个时间点，N表示该观测时段里的用户数量，用户i在t时间点的坐标为表示二维实数集，t＝(1,2,…,t_last)，和分别表示用户i在t时刻的横坐标和纵坐标；

2).将每个用户1～t时刻的轨迹输入到深度神经网络中，经过前向传播，获得每个用户i在未来时刻(t+1)～(t+T)的预测轨迹T表示用户的输出轨迹长度，用表示用户在(t+1)～(t+T)时刻数据集中真实的轨迹序列，采用均方误差作为网络的损失函数，完成前向传播过程；

3).根据反向传播算法计算损失函数相对于深度神经网络参数的梯度值，采用梯度下降算法更新网络参数，持续迭代更新网络参数，直至收敛；

4).在完成步骤1～3的网络训练后，固定网络参数，将另一组1～t时刻的轨迹输入到深度神经网络中，此时网络的输出即为用户在未来时刻(t+1)～(t+T)的预测轨迹；

5).根据步骤4的输出轨迹，基站侧根据用户的位置进行小范围的扫描。

2.根据权利要求1所述的基于深度神经网络的波束管理方法，其特征在于：

步骤2)中的损失函数为：

3.根据权利要求1所述的基于深度神经网络的波束管理方法，其特征在于：

步骤3)中，所述网络参数是深度神经网络中的网络权重集W；

梯度值是指误差对W的偏导数；

所述反向传播算法，将输入信号进行前向传递得到预测结果，计算预测结果与真实坐标的误差，所述误差就是损失函数值，并将误差进行反向传导，以计算网络权重集W的梯度；

所述梯度下降算法是一种寻找最小化损失函数参数的优化算法，表示更新前的权重值，表示更新后的权重值，α是预先设置的常数，表示梯度值；

所述收敛条件为损失函数趋于平缓，不再下降。

4.一种基于深度神经网络的波束管理方法，其特征在于，包括：

1).获取1～t时刻多个信道的信息表示时刻t，第k个子载波上的频率响应，表示第N_t根发射天线到第N_r根接收天线的频率响应；

2).提取复数H的实部和虚部，即[Re(H),Im(H)]，得到：

3).将1～t时刻的多个信道的信息H_new输入到深度神经网络中，经过前向传播，获得在未来时刻(t+1)～(t+T)的预测信道信息T表示输出的信道序列的长度，表示实数集，用表示在(t+1)～(t+T)时刻数据集中真实的信道状态信息，采用均方误差作为网络的损失函数，完成前向传播过程；

4).根据反向传播算法计算损失函数相对于深度神经网络参数的梯度值，采用梯度下降算法更新网络参数，持续迭代，直至收敛；

5).在完成步骤1～4的网络训练后，固定网络参数，将另一组1～t时刻的信道信息输入到深度神经网络中，此时网络的输出即为未来(t+1)～(t+T)时刻的信道信息；

6).根据步骤5中得到的信道信息，将对应的实部和虚部组合为复数，表示为根据预测出的信道信息估计出对应时刻的波束信息，并反馈给基站侧。

5.根据权利要求4所述的基于深度神经网络的波束管理方法，其特征在于：

步骤3)中的损失函数为：