[发明专利]一种基于多任务学习的快速波束对齐方法

说明书

本发明提供了一种基于多任务学习的快速波束对齐方法，包括如下步骤：S1、基站端基于探测码本中的波束生成多个导频信号，并输出给用户端；S2、所述用户端对所述多个导频信号进行功率测量，并反馈测量结果至所述基站端；S3、所述基站端基于所述测量结果，通过深度学习模型选择最佳传输波束；S4、所述基站端和所述用户端之间采用所述最佳传输波束实施数据传输，以实现波束对齐。该方法将机器学习应用到信号处理任务中，可以快速实现准确的波束对齐。

技术领域

本发明涉及无线通信技术领域，具体涉及一种基于多任务学习的快速波束对齐方法。

背景技术

在第五代和未来的无线通信中，毫米波通信被认为是提供更高的传输速率和更多设备接入的重要解决方案之一。相比于低于6G赫兹(Hz)的电磁波，毫米波信号面临着剧烈的传播损耗和衰减阻塞。例如，电磁波在 60GHz的衰减超过10dB/Km，而在700MHz时大约仅为0.01dB/km。幸运的是，毫米波的波长较小，所需的天线尺寸也较小。因此，发明人可以封装大量天线单元、利用大规模发射器和接收器天线阵列，实现高度定向的成形波束，从而保持高强度的接收信号。因此，如何找到高质量的编码方式实现波束对齐是实现高质量毫米波通信系统的关键问题。

当前发布的5G标准采用基于波束扫描和搜索、测量和报告的波束对准框架。基站(Base Station, BS)和用户设备(User Equipment, UE)必须搜索所有可能的波束对组合，因此会造成显著的波束扫描开销和延迟。因此，有研究者提出通过分层波束搜索来降低波束扫描的复杂性。在分层搜索策略中，BS和UE首先扫描宽波束，然后迭代地缩小搜索空间以获得最佳传输波束，然而，分层搜索的性能对高噪声很敏感，容易导致误差累积。受机器学习(Machine Learning, ML)最近在信号处理任务中取得成功的启发，研究者探索了针对波束对齐问题的 ML 解决方案。例如，有研究者提出了基于车辆位置的回归模型来预测预编码码本中所有波束的接收功率。考虑到移动设备的方向，有研究者实现了基于移动用户位置和方向的分类模型预测预编码码本中的最佳波束，然而，获得位置和方向信息需要配备额外的传感器，同时也造成了额外的反馈开销。

为了在没有额外传感器的情况下提高波束对齐的精度，有研究者提出BS 可以扫描一个小的探测码本来感知当前信道，然后根据反馈的测量结果选择若干波束形成向量，对所选向量进行第二轮测试并从中选出最佳的波速成型向量。尽管如此，现有方法仍然需要一定数量的探测波束才能实现高精度对准。因此，当前波束对齐方法的相关工作面临以下挑战：1）需要大量的探测波束实现对信道的感知，导致较大的波速扫描开销；2）需要在BS和UE重复交互，造成额外的控制和反馈开销；3）波束对齐的准确率有限。

因此，有必要提供一种波束对齐方法，解决波束对齐的复杂度和准确度问题。

发明内容

解决的技术问题

针对现有技术所存在的上述缺点，本发明提供了一种基于多任务学习的快速波束对齐方法，该方法将机器学习应用到信号处理任务中，可以快速实现准确的波束对齐。

技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

本发明提供一种基于多任务学习的快速波束对齐方法，包括如下步骤：

S1、基站端基于探测码本中的波束生成多个导频信号，并输出给用户端；

S2、所述用户端对所述多个导频信号进行功率测量，并反馈测量结果至所述基站端；

S3、所述基站端基于所述测量结果，通过深度学习模型选择最佳传输波束；

S4、所述基站端和所述用户端之间采用所述最佳传输波束实施数据传输，以实现波束对齐。

进一步地，所述导频信号为：