[发明专利]一种基于人工智能的大规模MIMO混合预编码方法

权利要求书

1.一种基于人工智能的大规模MIMO混合预编码方法，其特征在于：

所述方法具体包括以下步骤：

步骤1，设计基础学习器；采用传统部分连接结构的混合预编码算法构造CNN网络的数据集，构建损失函数；

步骤2，设计高级学习器；构建数据集，利用元学习MAML算法对数据集进行元训练和元微调，完成网络在全新的环境的适应。

2.根据权利要求1所述方法，其特征在于：

在步骤1中，具体包括以下步骤：

步骤1.1，利用传统的部分连接结构的混合预编码方案构造CNN网络训练所需的数据集，信道选取利用射线追踪仿真的60GHz下街道环境的信道生成的数据；

由此，构造出“信道矩阵——混合预编码矩阵”的数据集，信道矩阵即为CNN网络的输入样本，每个信道矩阵对应的混合预编码矩阵为该样本的标签，CNN网络输出即为预测得到的混合预编码矩阵；

步骤1.2，构建损失函数如下式：

其中代表训练数据集，F⁽ⁱ⁾和分别表示第i个样本标签和网络预测输出的预编码矩阵，θ表示网络权重参数初始值，N表示一个batch size大小；

损失函数的物理意义即网络预测输出预编码向量和标签预编码向量的欧氏距离；

神经网络中权值参数的优化，即利用损失函数对权值参数求偏导数，进行梯度下降，不断更新，直到损失值减小到满足要求为止。

3.根据权利要求2所述方法，其特征在于：在步骤1.1中，

所述CNN网络一共包含两个卷积层，每个卷积层后都存在一个批归一化层、激活函数层和最大值池化层，并且网络最后包含三个全连接层；

最后一层输出神经元数为128，对应预编码矩阵标签的大小；

所述卷积层用来对信道矩阵特征的提取，将有利于预测预编码矩阵的特征参数提取出来；

所述全连接层用于完成信道矩阵特征向预编码矩阵的映射。

4.根据权利要求3所述方法，其特征在于：

在步骤2中，具体包括以下步骤：

步骤2.1，准备前期数据集；所述前期数据集包括任务集和新环境下的数据集；

步骤2.2，元训练，对数据集进行训练，获得并更新网络权值参数；

步骤2.3，判断步骤2.2更新的网络权重参数是否满足实际需求，若不满足则重复步骤2.2，满足则执行步骤2.4；

步骤2.4，元微调；利用步骤2.3确定的网络权重参数进行初始化，进行网络参数微调，直至高级学习器能够快速适应新任务。

5.根据权利要求4所述方法，其特征在于：所述步骤2.1具体为：

所述任务集用表示，其中包括K_mt个任务，每个任务都完成了根据输入信道矩阵，预测输出预编码矩阵的工作，所有任务中的数据用D_Tr(·)表示，取自于用户间距为20cm的信道；

每一个任务中同时包含训练数据和验证数据，训练数据集support set，用D_mts(·)表示，验证数据集query set，用D_mtq(·)表示；

设训练数据集support set和验证数据集query set分别包含N_s、N_q个带标签的数据；

定义一个新环境下的数据集D_new，假设其中包含N_new个带标签的数据；D_new中的信道分布情况和D_Tr(·)中的信道分布不同，其取自于用户间距为10cm的信道，即用户密集程度加倍。