基于深度学习的多用户毫米波中继网络混合波束赋形

doi:10.11772/j.issn.1001-9081.2022081231

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (8): 2511-2516.DOI: 10.11772/j.issn.1001-9081.2022081231

• 网络与通信 • 上一篇

基于深度学习的多用户毫米波中继网络混合波束赋形

李校林¹^,², 杨松佳¹^,²()

^1.重庆邮电大学通信与信息工程学院，重庆 400065
^2.重庆邮电大学通信新技术应用研究中心，重庆 400065

收稿日期:2022-08-22 修回日期:2022-10-24 接受日期:2022-11-03 发布日期:2023-01-12 出版日期:2023-08-10
通讯作者: 杨松佳
作者简介:李校林（1968—），男，重庆人，正高级工程师，硕士，主要研究方向：5G移动通信网络、智慧城市、数字化智能化信息系统；

Hybrid beamforming for multi-user mmWave relay networks using deep learning

Xiaolin LI¹^,², Songjia YANG¹^,²()

^1.School of Communication and Information Engineering，Chongqing University of Posts and Telecommunications，Chongqing 400065，China
^2.Research Center of New Telecommunication Technology Application，Chongqing University of Posts and Telecommunications，Chongqing 400065，China

Received:2022-08-22 Revised:2022-10-24 Accepted:2022-11-03 Online:2023-01-12 Published:2023-08-10
Contact: Songjia YANG
About author:LI Xiaolin， born in 1968， M.S.， senior engineer. His research interests include 5G mobile communication network， smart city， digital intelligent information system.

摘要/Abstract

摘要：

针对传统多用户毫米波中继系统波束赋形方案计算复杂度高的问题，提出一种基于深度学习（DL）的奇异值分解（SVD）方法来设计混合波束赋形，以优化发送端、中继端和接收端波束赋形器。首先，利用DL方法设计发送端、中继端的波束赋形矩阵最大化可实现的频谱效率；然后，设计中继端、接收端的频带波束赋形矩阵以最大化等效信道增益；最后，在接收端设计最小均方误差（MMSE）滤波器消除用户间干扰。理论分析和仿真结果表明，基于DL的混合波束赋形方法相较于交替最大化（AltMax）与传统SVD 方法在高维信道矩阵和较多的用户情况下，计算复杂度分别降低了12.5%和23.44%；在已知信道状态信息（CSI）的情况下，频谱效率分别提高了2.277%和21.335%，在非完美CSI情况下，频谱效率分别提高了11.452%和43.375%。

关键词: 毫米波, 混合波束赋形, 深度学习, 中继网络, 多用户, 深度神经网络

Abstract:

In order to solve the problem of high computational complexity of traditional multi-user mmWave relay system beamforming methods， a Singular Value Decomposition （SVD） method based on Deep Learning （DL） was proposed to design hybrid beamforming for the optimization of the transmitter， relay and receiver. Firstly， DL method was used to design the beamforming matrix of transmitter and relay to maximize the achievable spectral efficiency. Then， the beamforming matrix of relay and receiver was designed to maximize the equivalent channel gain. Finally， a Minimum Mean Square Error （MMSE） filter was designed at the receiver to eliminate the inter-user interference. Theoretical analysis and simulation results show that compared with Alternating Maximization （AltMax） and the traditional SVD method， the hybrid beamforming method based on DL reduces the computational complexity by 12.5% and 23.44% respectively in the case of high dimensional channel matrix and many users， and has the spectral efficiency improved by 2.277% and 21.335% respectively with known Channel State Information （CSI）， and the spectral efficiency improved by 11.452% and 43.375% respectively with imperfect CSI.

Key words: millimeter Wave (mmWave), hybrid beamforming, deep learning, relay network, multi-user, Deep Neural Network (DNN)

中图分类号:

TN928

李校林, 杨松佳. 基于深度学习的多用户毫米波中继网络混合波束赋形[J]. 计算机应用, 2023, 43(8): 2511-2516.

Xiaolin LI, Songjia YANG. Hybrid beamforming for multi-user mmWave relay networks using deep learning[J]. Journal of Computer Applications, 2023, 43(8): 2511-2516.

图/表 6

图1 多用户毫米波AF中继系统

Fig. 1 Multi-user mmWave AF relay system

图2 基于DL的波束赋形架构

Fig.2 Architecture of beamforming based on DL

表1 本文方法与其他波束赋形方法的计算复杂度

Tab.1 Computational complexity of proposed method and other beamforming methods

方法	计算复杂度
本文方法	$O (m a x (k 2 N r N t, k 2 N r 2, k 2 N t 2))$
GDM^［2］	$O (N t 2 N r + N t N r 2 + N r 3)$
OMP^［6］	$O (2 N r 3 (N t N r 4 + k N t 2 N r 2 + k 2 N r 2))$
SVD^［10］	$O (N r N t 2, N r 2 N t)$
AltMax^［14］	$O (N t 2 N t, r f + N r 2 N r, r f)$
MMSE^［16］	$O (2 N t N t, r f 4 + N r 2 N r, r f 2)$

表1 本文方法与其他波束赋形方法的计算复杂度

Tab.1 Computational complexity of proposed method and other beamforming methods

方法	计算复杂度
本文方法	$O (m a x (k 2 N r N t, k 2 N r 2, k 2 N t 2))$
GDM^［2］	$O (N t 2 N r + N t N r 2 + N r 3)$
OMP^［6］	$O (2 N r 3 (N t N r 4 + k N t 2 N r 2 + k 2 N r 2))$
SVD^［10］	$O (N r N t 2, N r 2 N t)$
AltMax^［14］	$O (N t 2 N t, r f + N r 2 N r, r f)$
MMSE^［16］	$O (2 N t N t, r f 4 + N r 2 N r, r f 2)$

图3 Nt=Nr=32，Nd=8，Nrf=Ns=2时不同方法在完美CSI下的频谱效率

Fig.3 Spectral efficiencies of different methods with perfect CSI when Nt=Nr=32，Nd=8，Nrf=Ns=2

图4 Nt=Nr=64，Nd=8，Nrf=Ns=2时不同方法在完美CSI下和σe2=0.5的非完美CSI下的频谱效率

Fig.4 When Nt=Nr=64，Nd=8，Nrf=Ns=2， spectral efficiencies with perfect CSI and imperfect CSI （σe2=0.5）

图5 σe2=0.3时非完美CSI下不同收发天线数的频谱效率

Fig.5 Spectral efficiencies of different numbers of transmitting and receiving antennas with imperfect CSI and σe2=0.3

参考文献 16

1	CHAKRABORTY R， KUMARI N， MOUSAM M， et al. The future of 5G and millimeter waves［C］// Proceedings of the 2nd International Conference on Electronics， Communication and Aerospace Technology. Piscataway： IEEE， 2018： 1679-1683. 10.1109/iceca.2018.8474584
2	AHMED S， SADEK M， ZEKRY A， et al. Hybrid analog and digital beamforming for space-constrained and energy-efficient massive MIMO wireless systems［C］// Proceedings of the 40th International Conference on Telecommunications and Signal Processing. Piscataway： IEEE， 2017： 186-189. 10.1109/tsp.2017.8075965
3	程子洺. 毫米波通信系统中基于稀疏性的信道估计算法研究［D］. 上海：上海交通大学， 2020. 10.5428/pcar20200211
	CHEN Z M. Research on channel estimation algorithms using the sparsity property in millimeter-wave system［D］. Shanghai：Shanghai Jiao Tong University， 2020. 10.5428/pcar20200211
4	HAN S F， C-L I， XU Z K， et al. Large-scale antenna systems with hybrid analog and digital beamforming for millimeter wave 5G［J］. IEEE Communications Magazine， 2015， 53（1）： 186-194. 10.1109/mcom.2015.7010533
5	王庆菊. 协作车载通信系统中基于分簇的中继传输策略研究［D］. 温州：温州大学， 2020.
	WANG Q J. Research on trunking transmission strategy based on clustering in cooperative vehicle communication system［D］. Wenzhou： Wenzhou University， 2020.
6	LEE J， LEE Y H. AF relaying for millimeter wave communication systems with hybrid RF/baseband MIMO processing［C］// Proceedings of the 2014 IEEE International Conference on Communications. Piscataway： IEEE， 2014： 5838-5842. 10.1109/icc.2014.6884253
7	XUE X， WANG Y C， WANG X B， et al. Joint source and relay precoding in multiantenna millimeter-wave systems［J］. IEEE Transactions on Vehicular Technology， 2017， 66（6）： 4924-4937. 10.1109/tvt.2016.2619418
8	XUE X， WANG Y C， DAI L L， et al. Relay hybrid precoding design in millimeter-wave massive MIMO systems［J］. IEEE Transactions on Signal Processing， 2018， 66（8）： 2011-2026. 10.1109/tsp.2018.2799201
9	SHEU J S. Hybrid digital and analogue beamforming design for millimeter wave relaying systems［J］. Journal of Communications and Networks， 2017， 19（5）： 461-469. 10.1109/jcn.2017.000078
10	ZHANG Y， DU J H， CHEN Y Z， et al. Optimal hybrid beamforming design for millimeter-wave massive multi-user MIMO relay systems［J］. IEEE Access， 2019， 7： 157212-157225. 10.1109/access.2019.2949786
11	YE H， LI G Y， JUANG B H. Power of deep learning for channel estimation and signal detection in OFDM systems［J］. IEEE Wireless Communications Letters， 2018， 7（1）： 114-117. 10.1109/lwc.2017.2757490
12	DONG P H， ZHANG H， LI G Y， et al. Deep CNN-based channel estimation for mmWave massive MIMO systems［J］. IEEE Journal of Selected Topics in Signal Processing， 2019， 13（5）： 989-1000. 10.1109/jstsp.2019.2925975
13	LIN T， ZHU Y. Beamforming design for large-scale antenna arrays using deep learning［J］. IEEE Wireless Communications Letters， 2020， 9（1）： 103-107. 10.1109/lwc.2019.2943466
14	CAI Y L， XU Y， SHI Q J， et al. Robust joint hybrid transceiver design for millimeter wave full-duplex MIMO relay systems［J］. IEEE Transactions on Wireless Communications， 2019， 18（2）： 1199-1215. 10.1109/twc.2018.2890607
15	DAI J S， LIU A， LAU V K N. FDD massive MIMO channel estimation with arbitrary 2D-array geometry［J］. IEEE Transactions on Signal Processing， 2018， 66（10）： 2584-2599. 10.1109/tsp.2018.2807390
16	LUO Z， LIU H Q， LI Y， et al. Robust hybrid transceiver design for AF relaying in millimeter wave systems under imperfect CSI［J］. IEEE Access， 2018， 6： 29739-29746. 10.1109/access.2018.2841021

[1]	郭祥, 姜文刚, 王宇航. 基于改进Inception-ResNet的加密流量分类方法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2471-2476.
[2]	崔雨萌, 王靖亚, 刘晓文, 闫尚义, 陶知众. 融合注意力和裁剪机制的通用文本分类模型[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2396-2405.
[3]	拓雨欣, 薛涛. 融合指针网络与关系嵌入的三元组联合抽取模型[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2116-2124.
[4]	岑黎彬, 李靖东, 林淳波, 王晓玲. 基于深度自回归模型的近似查询处理方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2034-2039.
[5]	梁敏, 刘佳艺, 李杰. 融合迭代反馈与注意力机制的图像超分辨重建方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2280-2287.
[6]	叶坤佩, 熊熙, 丁哲. 基于领域融合和时间权重的招工推荐模型[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2133-2139.
[7]	郑帅, 张晓龙, 邓鹤, 任宏伟. 基于多尺度特征融合和网格注意力机制的三维肝脏影像分割方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2303-2310.
[8]	陈一驰, 陈斌. 计算机视觉中的终身学习综述[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1785-1795.
[9]	靳鑫, 刘仰川, 朱叶晨, 张子健, 高欣. 基于残差编解码-生成对抗网络的正弦图修复的稀疏角度锥束CT图像重建[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1950-1957.
[10]	董润婷, 吴利, 王晓英, 曹腾飞, 黄建强, 管琴, 吴洁瑕. 深度学习在天气预报领域的应用分析及研究进展综述[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1958-1968.
[11]	秦静, 马雪倩, 高福杰, 季长清, 汪祖民. 基于步态分析的帕金森病辅助诊断方法综述[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1687-1695.
[12]	王先兰, 周金坤, 穆楠, 王晨. 基于多任务联合学习的跨视角地理定位方法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1625-1635.
[13]	傅励瑶, 尹梦晓, 杨锋. 基于Transformer的U型医学图像分割网络综述[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1584-1595.
[14]	刘阳, 陆志扬, 王骏, 施俊. 基于自注意力连接UNet的磁共振成像去吉布斯伪影算法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1606-1611.
[15]	徐清海, 丁世飞, 孙统风, 张健, 郭丽丽. 改进的基于多路径特征的胶囊网络[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1330-1335.

基于深度学习的多用户毫米波中继网络混合波束赋形

Hybrid beamforming for multi-user mmWave relay networks using deep learning

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 16

相关文章 15

编辑推荐

Metrics