CN112910521B - 一种基于深度学习的mimo混合波束赋形方法 - Google Patents

一种基于深度学习的mimo混合波束赋形方法 Download PDF

Info

Publication number
CN112910521B
CN112910521B CN202110220116.6A CN202110220116A CN112910521B CN 112910521 B CN112910521 B CN 112910521B CN 202110220116 A CN202110220116 A CN 202110220116A CN 112910521 B CN112910521 B CN 112910521B
Authority
CN
China
Prior art keywords
module
matrix
beam forming
channel
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110220116.6A
Other languages
English (en)
Other versions
CN112910521A (zh
Inventor
秦瑾
焦勇
张峻崎
席明
秦涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Telecom Wanwei Information Technology Co Ltd
Original Assignee
China Telecom Wanwei Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Telecom Wanwei Information Technology Co Ltd filed Critical China Telecom Wanwei Information Technology Co Ltd
Priority to CN202110220116.6A priority Critical patent/CN112910521B/zh
Publication of CN112910521A publication Critical patent/CN112910521A/zh
Application granted granted Critical
Publication of CN112910521B publication Critical patent/CN112910521B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H04B7/0426—Power distribution
    • H04B7/043—Power distribution using best eigenmode, e.g. beam forming or beam steering
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/086—Weighted combining using weights depending on external parameters, e.g. direction of arrival [DOA], predetermined weights or beamforming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明涉及通信技术领域，具体为一种基于深度学习的MIMO混合波束赋形方法，包括有信道特征信息采集模块、全数字波束赋形仿真模块、发送端矩阵模块、接收端矩阵模块、信道特征实部和虚部模块、ResNet神经网络模型、特征融合模块和训练结果判别模块，本发明在对联合信道矩阵进行分步优化和训练的基础上，采用软件仿真实现的全数字波束赋形***性能作为最佳性能判决依据，通过对联合矩阵的特征融合让其训练结果无限逼近于全数字波束赋形***性能，训练过程中可采用监督学习的技术实现训练结果的快速收敛，本发明可以有效降低矩阵运算复杂度，***硬件实现简单，***性能效果最优化。

Description

一种基于深度学习的MIMO混合波束赋形方法
技术领域
本发明涉及通信技术领域，具体为一种基于深度学习的MIMO混合波束赋形方法。
背景技术
多输入多输出(Multiple input multiple output, MIMO)技术是通信领域的关键技术，因毫米波频段频谱资源丰富而得到广泛应用，但是毫米波频段存在严重路径损耗，所以在毫米波频段实现MIMO技术需要采用波束赋形方法来补偿路径损耗。由于全数字波束赋形方法对于大规模MIMO***硬件实现困难且成本高昂，而模拟波束赋形方法对于MIMO***只支持单流数据传输且***性能低下，因此采用数字波束赋形和模拟波束赋形相结合的方式成为大规模MIMO通信***的研究热点和应用方向。目前基于传统算法实现的MIMO通信***已趋于成熟，并且在工程实践中取得了较好的效果，但大多数都是以复杂的矩阵运算为前提且***硬件实现复杂度高。
发明内容
本发明的目的在于提供一种基于深度学习的MIMO混合波束赋形方法，采用基于深度学习的MIMO混合波束赋形方法，对信道特征矩阵首先采用软件仿真实现全数字波束赋形的最佳性能指标。其次对发送端和接收端的矩阵分别分解后进行训练和特征提取，同时通过特征融合器对提取的特征进行融合操作。最后将训练结果和软件实现的全数字波束赋形性能进行判决对比。该方法对于大规模MIMO混合波束赋形具有运算速度快、复杂度低、频谱效率高的优点。
为解决上述技术问题，本发明一种基于深度学习的MIMO混合波束赋形方法包括有信道特征信息采集模块、全数字波束赋形仿真模块、发送端矩阵模块、接收端矩阵模块、信道特征实部和虚部模块、ResNet神经网络模型；特征融合模块和训练结果判别模块，还包括有如下步骤：
S1.首先通过信道特征信息采集模块对毫米波环境信道进行采集，环境信道分别包括信道特征矩阵、发送端矩阵模块和接收端矩阵模块的信息，信道特征信息组合为信道矩阵H，对信道矩阵H采用全数字波束赋形仿真模块实现全数字波束赋形的最佳性能指标；
S2.对发送端矩阵模块和接收端矩阵模块分别进行优化和训练，在发送端对 FRF和FBB矩阵分别分解为实部和虚部模块通过ResNet神经网络模块进行训练，其中FBB为发送端数字波束赋形矩阵，FRF为发送端模拟波束赋形矩阵；在接收端对WH BB和WH RF矩阵分别分解为实部和虚部模块通过ResNet神经网络模块进行训练并得到联合训练矩阵，其中
Figure DEST_PATH_IMAGE001
为接收端模拟波束赋形矩阵，
Figure 100002_DEST_PATH_IMAGE002
为接收端数字波束赋形矩阵；
S3. 特征融合模块对完成步骤S2的联合训练矩阵进行特征融合，并对训练结果与步骤S1中的最佳性能指标在训练结果判别模块进行对比，直到训练结果无限逼近最佳性能指标，此时***性能达到最佳。否则采用反馈方式进行多轮训练直到满足上述条件。
进一步的，所述的ResNet神经网络模块采用相同结构和深度层次的模型。
本发明的有益效果是：在网络输入端对信道联合矩阵分别分解为发送端和接收端进行训练，在发送端和接收端分别对联合矩阵分解为实部和虚部分别通过ResNet神经网络进行训练，可有效降低矩阵运算复杂度和神经网络架构设计复杂度，对上述训练后的特征再通过特征融合器实现实部和虚部特征的无缝融合，可以有效避免计算复杂度的同时还可以最大程度保留信道特征信息。在发送端和接收端同时采用一套改进的ResNet神经网络可以减少神经网络的重复设计，最大限度降低***冗余度和神经网络架构设计复杂度。实现***资源的高效利用和***性能的提升。本发明在对联合信道矩阵进行分步优化和训练的基础上，采用软件仿真实现的全数字波束赋形***性能作为最佳性能判决依据，通过对联合矩阵的特征融合让其训练结果无限逼近于全数字波束赋形***性能，采用该设计思想主要是考虑纯数字波束赋形方法在硬件实现上具有成本高、难度大并且随着天线数量的增加成本成倍增加导致***难以实现，采用软件的方式可有效解决上述缺点问题，并且在训练过程中可采用监督学习的技术实现训练结果的快速收敛。本发明可以有效降低矩阵运算复杂度，***硬件实现简单，***性能效果最优化。
附图说明
图1为本发明流程图。
图中：1.信道特征信息采集模块；2.全数字波束赋形仿真模块；3.发送端矩阵模块；4.接收端矩阵模块；5.信道特征实部和虚部模块；6.改进ResNet神经网络模型；7.特征融合模块；8.训练结果判别模块。
具体实施方式
如图1所示，本发明一种基于深度学习的MIMO混合波束赋形方法包括有信道特征信息采集模块1、全数字波束赋形仿真模块2、发送端矩阵模块3、接收端矩阵模块4、信道特征实部和虚部模块5、ResNet神经网络模型6、特征融合模块7和训练结果判别模块8，还包括有如下步骤：
S1.首先通过信道特征信息采集模块1对毫米波环境信道进行采集，环境信道分别包括信道特征矩阵、发送端矩阵模块3和接收端矩阵模块4的信息，信道特征信息组合为信道矩阵H，对信道矩阵H采用全数字波束赋形仿真模块2实现全数字波束赋形的最佳性能指标；
S2.对发送端矩阵模块3和接收端矩阵模块4分别进行优化和训练，在发送端对 FRF和FBB矩阵分别分解为实部和虚部模块5通过ResNet神经网络模块6进行训练，其中FBB为发送端数字波束赋形矩阵，FRF为发送端模拟波束赋形矩阵；在接收端对WH BB和WH RF矩阵分别分解为实部和虚部模块5通过ResNet神经网络模块6进行训练并得到联合训练矩阵，其中
Figure 960873DEST_PATH_IMAGE001
为接收端模拟波束赋形矩阵，
Figure 39467DEST_PATH_IMAGE002
为接收端数字波束赋形矩阵；
S3. 特征融合模块7对完成步骤S2的联合训练矩阵进行特征融合，并对训练结果与步骤S1中的最佳性能指标在训练结果判别模块8进行对比，直到训练结果无限逼近最佳性能指标，此时***性能达到最佳。
进一步的，所述的ResNet神经网络模块6采用相同结构和深度层次的模型。
本发明结合深度学***均接收功率；
Figure DEST_PATH_IMAGE017
为发送符号向量；
Figure DEST_PATH_IMAGE018
为服从高斯分布的噪声向量。本发明采用深度学习技术对上述联合矩阵进行优化。
该方法首先通过信道采集模块对毫米波环境信道进行采集，并将采集到的信道信息组合成信道矩阵
Figure DEST_PATH_IMAGE019
，对信道矩阵
Figure 103161DEST_PATH_IMAGE019
采用软件仿真方法计算出全数字波束赋形的最佳性能指标，该性能指标作为基准让神经网络训练的结果无限逼近于该性能指标。其次，为了减少网络架构设计的复杂度，在网络输入端将联合矩阵分解为发送端和接收端分别进行优化和训练，在发送端对
Figure 714271DEST_PATH_IMAGE015
和
Figure 271154DEST_PATH_IMAGE014
矩阵分别分解为实部和虚部通过改进的ResNet神经网络进行训练；在接收端对
Figure 941783DEST_PATH_IMAGE013
和
Figure 953732DEST_PATH_IMAGE012
矩阵分别分解为实部和虚部通过改进的ResNet神经网络进行训练。最后通过特征融合器对上述训练后的联合矩阵进行特征融合，并对训练结果与软件实现的全数字波束赋形矩阵性能指标进行对比，直到无限逼近全数字波束赋形***性能并且训练的特征值趋于稳定，可认为***性能达到最佳。如果没有达到最佳性能需要通过反馈方式对信道矩阵进行多轮训练，直到***性能接近于全数字波束赋形***性能且趋于稳定为止。利用深度学习技术对MIMO混合波束赋形***的联合矩阵进行分步优化和特征融合操作，让训练结果无限逼近全数字波束赋形***性能，具有运算速度快、运算复杂度低、信道特征信息全面、频谱效率高的特点。
本发明可用于5G移动通信技术中，由于5G所用毫米波为电磁波，具有频率高、波长短、传输速度快、传输能力差的特点，针对上述所存在的缺点，采用该发明技术用深度学习技术对MIMO混合波束进行赋形，在基站端采用该技术能使天线阵列的方向性更好、能量更加聚焦，这样可以使天线波束指向特定的方向，将天线的能量集中指向某个特定的用户，从而使用户端接收到的信号更加集中、通信质量更加稳定可靠。同样可以在用户端集成该波束赋形技术，同样在基站端能够接收到更加稳定可靠和集中的信号能量。特别是对于5G场景中高可靠、低时延的应用具有优越的性能，采用基于深度学习的MIMO混合波束赋形方法，由于结合了深度学习神经网络的记忆特点，无论是在基站端部署还是在移动端部署，都能够快速的采集数据并根据历史经验建立自适应的信道模型，并能够快速的从信道模型当中提取有用的信道特征信息，对所形成的信道矩阵进行分解计算，再通过特征融合获取信道特征信息，不但降低了复杂的矩阵运算、最大程度保留了信道特征信息的同时还能够减少信道干扰、提升通信质量。

Claims (1)

1.一种基于深度学习的MIMO混合波束赋形方法，其特征在于：包括有信道特征信息采集模块（1）、全数字波束赋形仿真模块（2）、发送端矩阵模块（3）、接收端矩阵模块（4）、信道特征实部和虚部模块（5）、ResNet神经网络模型（6）、特征融合模块（7）和训练结果判别模块（8），还包括有如下步骤：
S1.首先通过信道特征信息采集模块（1）对毫米波环境信道进行采集，环境信道分别包括信道特征矩阵、发送端矩阵模块（3）和接收端矩阵模块（4）的信息，信道特征信息组合为信道矩阵H，对信道矩阵H采用全数字波束赋形仿真模块（2）实现全数字波束赋形的最佳性能指标；
S2.对发送端矩阵模块（3）和接收端矩阵模块（4）分别进行优化和训练，在发送端对 FRF和FBB矩阵分别分解为实部和虚部模块（5）通过ResNet神经网络模块（6）进行训练，其中FBB为发送端数字波束赋形矩阵，FRF为发送端模拟波束赋形矩阵；在接收端对WH BB和WH RF矩阵分别分解为实部和虚部模块（5）通过ResNet神经网络模块（6）进行训练并得到联合训练矩阵，其中
Figure 807598DEST_PATH_IMAGE001
为接收端模拟波束赋形矩阵，
Figure DEST_PATH_IMAGE002
为接收端数字波束赋形矩阵；
S3. 特征融合模块（7）对完成步骤S2的联合训练矩阵进行特征融合，并对训练结果与步骤S1中的最佳性能指标在训练结果判别模块（8）进行对比，直到训练结果无限逼近最佳性能指标，此时***性能达到最佳。
CN202110220116.6A 2021-02-27 2021-02-27 一种基于深度学习的mimo混合波束赋形方法 Active CN112910521B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110220116.6A CN112910521B (zh) 2021-02-27 2021-02-27 一种基于深度学习的mimo混合波束赋形方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110220116.6A CN112910521B (zh) 2021-02-27 2021-02-27 一种基于深度学习的mimo混合波束赋形方法

Publications (2)

Publication Number Publication Date
CN112910521A CN112910521A (zh) 2021-06-04
CN112910521B true CN112910521B (zh) 2022-04-05

Family

ID=76107396

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110220116.6A Active CN112910521B (zh) 2021-02-27 2021-02-27 一种基于深度学习的mimo混合波束赋形方法

Country Status (1)

Country Link
CN (1) CN112910521B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101446998A (zh) * 2008-11-28 2009-06-03 中国电力科学研究院 一种电力***全数字实时仿真***物理接口装置
EP3092508A1 (en) * 2014-01-09 2016-11-16 Fincantieri S.p.A. Bistatic radar
CN107332596A (zh) * 2017-05-26 2017-11-07 南京邮电大学 一种基于迫零的毫米波通信***混合预编码方法
CN109302224A (zh) * 2018-10-18 2019-02-01 复旦大学 用于大规模mimo的混合波束赋形算法
EP3473031A1 (en) * 2016-08-10 2019-04-24 Huawei Technologies Co., Ltd. Communication link acquisition and tracking in millimeter wave bands
CN109889244A (zh) * 2019-03-28 2019-06-14 湘潭大学 一种基于等效信道的大规模mimo***混合预编码方法
CN110138427A (zh) * 2019-05-15 2019-08-16 西安科技大学 基于部分连接的大规模多输入多输出混合波束赋形算法
CN110557177A (zh) * 2019-09-05 2019-12-10 重庆邮电大学 毫米波大规模MIMO***中基于DenseNet的混合预编码方法
CN110661555A (zh) * 2019-10-14 2020-01-07 复旦大学 用于大规模mimo的部分连接的移相器网络的混合预编码算法
CN111277312A (zh) * 2020-02-26 2020-06-12 电子科技大学 基于深度复数网络的固定子阵空基毫米波波束成形方法
CN112054827A (zh) * 2020-09-14 2020-12-08 长沙理工大学 一种基于信道等效的联合混合预编码方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7680461B2 (en) * 2003-11-05 2010-03-16 Sony Corporation Wireless communications system, wireless communications method, and wireless communications apparatus
CN106033989B (zh) * 2015-03-12 2019-09-17 电信科学技术研究院 一种混合波束赋形传输方法及网络设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101446998A (zh) * 2008-11-28 2009-06-03 中国电力科学研究院 一种电力***全数字实时仿真***物理接口装置
EP3092508A1 (en) * 2014-01-09 2016-11-16 Fincantieri S.p.A. Bistatic radar
EP3473031A1 (en) * 2016-08-10 2019-04-24 Huawei Technologies Co., Ltd. Communication link acquisition and tracking in millimeter wave bands
CN107332596A (zh) * 2017-05-26 2017-11-07 南京邮电大学 一种基于迫零的毫米波通信***混合预编码方法
CN109302224A (zh) * 2018-10-18 2019-02-01 复旦大学 用于大规模mimo的混合波束赋形算法
CN109889244A (zh) * 2019-03-28 2019-06-14 湘潭大学 一种基于等效信道的大规模mimo***混合预编码方法
CN110138427A (zh) * 2019-05-15 2019-08-16 西安科技大学 基于部分连接的大规模多输入多输出混合波束赋形算法
CN110557177A (zh) * 2019-09-05 2019-12-10 重庆邮电大学 毫米波大规模MIMO***中基于DenseNet的混合预编码方法
CN110661555A (zh) * 2019-10-14 2020-01-07 复旦大学 用于大规模mimo的部分连接的移相器网络的混合预编码算法
CN111277312A (zh) * 2020-02-26 2020-06-12 电子科技大学 基于深度复数网络的固定子阵空基毫米波波束成形方法
CN112054827A (zh) * 2020-09-14 2020-12-08 长沙理工大学 一种基于信道等效的联合混合预编码方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Hybrid and full-digital beamforming in mmWave massive MIMO systems:A comparison considering low-resolution ADCs;Wence Zhang;《China communications》;20190702;全文 *
Low Complexity Hybrid Beamforming for Uplink Multiuser mmWave MIMO Systems;Yazhou Zhu;《2017 IEEE Wireless Communications and Networking Conference (WCNC)》;20170511;全文 *
毫米波MIMO***中混合波束赋形技术研究;徐浩;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200115;全文 *

Also Published As

Publication number Publication date
CN112910521A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN111447631A (zh) 基于非正交多址技术的星地联合波束形成和功率分配方法
CN112290995B (zh) 星地集成网络中基于安全能效的波束设计方法
CN107172705B (zh) 无线携能异构网络的波束优化方法及***
CN113556164B (zh) Irs辅助的swipt***中基于能效优先的波束成型优化方法
CN110011712B (zh) 一种面向毫米波大规模多输入多输出的混合预编码方法
CN107592144B (zh) Eh-mimo能量收集及多天线通信***的节点天线选择方法及装置
CN112260737A (zh) 总能效与最小能效权衡的多波束卫星通信鲁棒预编码方法
CN112564754B (zh) 一种毫米波Massive MIMO***下基于自适应交叉熵的波束选择方法
CN114915989B (zh) 基于能量收集的全双工中继和智能反射面联合传输方法
CN111277308A (zh) 基于机器学习的波宽控制方法
CN106549698B (zh) 基于无线能量传输的双向中继***的最大化最小用户速率方法
CN112910521B (zh) 一种基于深度学习的mimo混合波束赋形方法
CN112398513A (zh) 一种massive MIMO***的波束赋形方法
CN117240331A (zh) 一种基于图神经网络的无蜂窝网络下行预编码设计方法
CN108923831B (zh) 一种发射信号的预编码方法和装置
CN109039410B (zh) 一种异构云无线接入网络的波束成形方法及通信网络
CN114448479B (zh) 一种基于天线选择的Massive MIMO安全传输优化方法
CN116405077A (zh) 一种基于深度学习的大规模mimo混合波束赋形方法
CN105827294B (zh) 一种上行大规模mimo联合优化基站天线数和用户发射功率的方法
CN114501503B (zh) 一种通感一体化***的能效最大化发射波束优化方法
Liu et al. Hybrid beamforming based on minimum mean square error for multi-user multi-data stream system
CN113595609B (zh) 一种基于强化学习的蜂窝移动通信***协作式信号发送方法
CN110048753A (zh) 基于mimo***加权能效最大化的分布式波束赋形优化方法
CN114745754A (zh) 非理想信道信息下irs辅助云接入网上行传输优化方法
CN109768817B (zh) 无线能量传输的大规模MIMO***基于max-min公平的资源分配方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant