本發明涉及無線通信，尤其涉及一種基于深度展開學習算法的收發聯合混合波束賦形方法。
背景技術：
1、波束賦形是多天線系統中的關鍵技術之一，通過在用戶與基站間建立高度定向鏈路，顯著提高通信系統可靠性。為了降低射頻帶來的硬件成本及功耗，考慮采用少量射頻支持的混合陣列結構。在實際系統中，由于用戶具有一定的移動性，用戶位置發生變化后基站和用戶需要重新進行快速波束賦形以保證定向鏈路的穩定性。然而，快速波束賦形的難點是如何實時計算波束賦形矩陣，在混合波束賦形架構下，收發兩端的數字、模擬波束賦形變量高度耦合，大大提高了波束賦形矩陣實時求解的難度。除此之外，利用波束賦形技術的前提是獲取精準的信道狀態信息，這在實際系統中也很難實現。
2、雖然目前已有工作研究了混合波束賦形問題，但可應用的技術方案并不滿足實時波束賦形的需求。相關技術研究的主要問題體現在以下兩個方面：一方面，現有的基于模型驅動的收發聯合混合波束賦形算法涉及大量高復雜度矩陣運算，且算法收斂需要進行大量迭代，無法實現快速混合波束賦形。另一方面，現有的基于數據驅動的收發聯合混合波束賦形算法可以替代模型驅動算法中的復雜運算，但存在內存要求高、可解釋性差等問題。
3、為了解決上述問題，本發明提出了一種基于深度展開學習算法的收發聯合混合波束賦形方法。
技術實現思路
1、本發明的目的是提供一種基于深度展開學習算法的收發聯合混合波束賦形方法，以較低迭代的次數實現了收發聯合混合波束賦形，適用于實時波束賦形場景；深度展開神經網絡保留了傳統優化算法中梯度計算，模擬波束賦形變量更新等數學運算，可學習參數為梯度下降的步長，神經網絡具有一定的可解釋性；選用數據驅動的殘差連接卷積神經網絡對信道狀態信息進行去噪處理，實現魯棒波束賦形。
2、為實現上述目的，本發明提供了一種基于深度展開學習算法的收發聯合混合波束賦形方法，包括以下步驟：
3、s1、構建信道模型，對收發維納濾波問題進行建模；
4、s2、將深度展開學習與傳統迭代優化混合波束賦形方法相結合，設計數據模型雙驅動的神經網絡以及可訓練參數并構建用于訓練的數據集，經過訓練后的神經網絡實現信道到混合數字模擬波束賦形矩陣的快速映射；
5、s3、利用信道在角度延時域的相關性，使用數據驅動的深度神經網絡對存在誤差的信道進行去噪處理，并與數據模型雙驅動的神經網絡級聯，以較低迭代次數實現魯棒混合波束賦形。
6、優選的，mimo-ofdm通信系統包括一個用戶和一個基站，用戶和基站都配備均勻平面天線陣列，分別由ka＝ma*na和kb＝mb*nb根天線組成；用戶和基站均采用混合模數波束賦形結構；
7、采用具有x個子載波和采樣周期為ts的正交頻分復用ofdm傳輸方案，同時在每個ofdm符號之前添加長度為ncpts的循環前綴，避免符號間干擾；在每個子載波上發送ns個獨立的數據流。
8、優選的，在步驟s1中，在基站端和用戶端均為混合數模架構下的航空mimo-ofdm系統中，在第t個時間塊內基站端接收信號，如下所示：
9、
10、其中，表示用戶端的射頻預編碼矩陣，表示用戶端的基帶預編碼矩陣；表示基站端的射頻合并矩陣，表示基站端的基帶合并矩陣；表示用戶與基站間的空頻域信道矩陣，是用戶發送信號且滿足是均值為0方差為的加性高斯白噪聲。
11、優選的，最小化基站端接收信號和用戶端發送信號間的總均方誤差，定義總均方誤差為：
12、
13、其中，msex是與第x個子載波相關的均方誤差，msex如下所示：
14、
15、其中，μx是給定發射功率和噪聲功率下的標量增益因子。
16、優選的，構建收發維納濾波優化問題，如下所示：
17、
18、其中，用戶發射功率約束如下：
19、
20、用戶模擬預編碼恒模約束如下：
21、
22、基站模擬預編碼恒模約束如下：
23、
24、優選的，在步驟s2中，基于深度展開的神經網絡結構，如下所示：
25、
26、
27、
28、
29、其中，o是神經網絡層數的索引值，p是射頻預編碼器及射頻合并器更新迭代次數的索引值；
30、神經網絡的損失函數，如下所示：
31、
32、其中，d表示神經網絡訓練批尺寸，γ1表示基于深度展開的神經網絡可訓練參數，即γ1＝[γ1,…,γo],
33、優選的，基于深度展開學習算法的混合波束賦形求解過程可以分為訓練過程和應用過程；
34、其中，訓練過程的具體步驟如下：
35、(1)給定訓練集設定神經網絡層數o，訓練批尺寸n，學習率η；
36、(2)選擇從訓練集中選取一組訓練批，進行初始化：
37、
38、并基于深度展開的神經網絡結構，進行計算：
39、
40、(3)計算損失函數
41、(4)通過損失函數反向梯度傳播更新神經網絡參數；
42、(5)判斷損失值是否收斂，如果是則結束訓練并保存可學習參數p＝1,2,...p,o＝1,2,...o}，否則重復步驟(2)-(4)；
43、其中，應用過程不需要更新神經網絡，而是直接向訓練好的神經網絡中輸入信道矩陣，經過o層神經網絡后輸出收發端混合波束賦形矩陣。
44、優選的，在步驟s3中，存在誤差的信道如下所示：
45、
46、其中，表示精準的信道矩陣，表示服從零均值和方差為高斯分布的信道誤差；
47、通過最小化神經網絡輸出與準確信道間的歸一化均方誤差訓練殘差去噪卷積神經網絡，損失函數，如下所示：
48、
49、其中，d'為殘差去噪卷積神經網絡訓練批大小，γ2表示基于深度展開的神經網絡可訓練參數，為殘差去噪卷積神經網絡的輸出。
50、優選的，信道狀態信息殘差去噪卷積神經網絡的訓練過程，具體步驟如下：
51、a.給定由誤差信道組成的訓練集訓練批尺寸n，學習率η；
52、b.選擇從訓練集中選取一組訓練樣本；
53、c.計算損失函數
54、d.通過損失函數反向梯度傳播更新神經網絡參數；
55、e.判斷損失值是否收斂，如果是則結束訓練并保存卷積神經網絡參數，否則重復步驟b-d。
56、因此，本發明采用上述一種基于深度展開學習算法的收發聯合混合波束賦形方法，以較低迭代的次數實現了收發聯合混合波束賦形，適用于實時波束賦形場景；深度展開神經網絡保留了傳統優化算法中梯度計算，模擬波束賦形變量更新等數學運算，可學習參數為梯度下降的步長，神經網絡具有一定的可解釋性；選用數據驅動的殘差連接卷積神經網絡對信道狀態信息進行去噪處理，實現魯棒波束賦形。
57、下面通過附圖和實施例，對本發明的技術方案做進一步的詳細描述。