[发明专利]一种基于深度神经网络的波束管理方法

说明书

本发明提出了一种基于深度神经网络的波束管理方法。通过获取多用户的多轨迹数据，将每个用户不同时刻的轨迹输入到深度神经网络中，经过前向传播，获得每个用户在未来时刻的预测轨迹，采用均方误差作为网络的损失函数，完成前向传播过程；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；在完成前述的网络训练后，固定网络参数，将另一组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的预测轨迹；根据输出的预测轨迹，基站侧根据用户的位置进行小范围的扫描。

技术领域

本申请涉及一种波束管理方法，尤其涉及一种基于深度神经网络的波束管理方法。

背景技术

近年来，第五代通信系统(5G)已成为通信领域的研究热点。5G将频谱资源扩展到毫米波波段，相较于Sub-6GHz以下的频段，毫米波的带宽更高，更好解决用户上网拥堵问题，但由于高频段的波长较短，有更高的传播损耗，反射和衍射性能差，需要大规模的天线阵列形成大增益的赋形波束，来克服传播损耗，保证系统覆盖。由于毫米波的波长小，天线元的间距可以很小，让更多的物理天线阵子集成在一个有限大小的二维天线阵列中；大规模天线阵列的辐射范围不再是圆形而是梭形，这要求gNB和UE间的传输链路的发射和接收波束必须精确对准。为了实现波束对的对齐，并具有所需的端到端性能和所需的延迟，这样就带来了新的问题，即波束管理的问题。同时考虑硬件复杂度、成本等因素，通常采用模拟波束和数字波束结合的混合波束赋形方式。由于模拟波束不仅提升了高频段的性能，低频段采用模拟波束后，也能获得一些增益，因此低频段也引入了波束管理，让波束管理成为了5G物理层的核心技术之一。

在下行信道中，通信双方通过周期性测量信道状态信息参考信号(Channel StateInformation-Reference Signal,CSI-RS)，来进行波束扫描并切换到最佳波束，这个过程会产生一定的延时，导致波束管理的准确性下降。在高速移动场景下，用户的信道条件变化较快，需要频繁地切换波束，这会直接导致波束切换的信令开销增加。

目前，深度神经网络在图像和语音领域都取得了突破性进展，具有强大的拟合能力和泛化能力。因此本方法将深度神经网络应用于5G波束管理，尤其对非视距通信具有更强的适应性。深度神经网络具有较强的拟合、泛化与预测能力，逐渐在通信领域受到更多的关注。将深度神经网络结合波束管理来预测未来波束信息可以减少因时延带来的误差，提高波束估计的精准度，其中较为常见的方法有：深度神经网络根据历史的波束信息预测未来波束信息，以及深度神经网络根据信道信息预测毫米波下行信道最佳波束索引，这两种方法都在一定程度上提高了波束预测的精准度。

目前的5G设计了一整套波束管理流程，包括模拟波束的测量、上报和指示，以及波束失败检测和波束失败恢复。如果模拟波束的数量多，会提升模拟波束赋形的增益，但增加了波束测量的开销，也增加了波束管理的复杂度；如果模拟波束的数量少，则会影响模拟波束赋形的增益。目前的波束管理还是较为复杂，波束质量上报和指示都存在一定的延时，波束失败检测和波束失败恢复都存在优化空间。

鉴于此，对于这些较难建模的波束管理问题，可以考虑通过AI技术来提升其性能，包括波束测量、波束上报、波束预测等。

发明内容

为了克服上述缺陷，根据本发明的一个方面，提出了一种基于深度神经网络的波束管理方法，该方法包括如下步骤：

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；