CN115622596B - 一种基于多任务学习的快速波束对齐方法 - Google Patents
一种基于多任务学习的快速波束对齐方法 Download PDFInfo
- Publication number
- CN115622596B CN115622596B CN202211591391.XA CN202211591391A CN115622596B CN 115622596 B CN115622596 B CN 115622596B CN 202211591391 A CN202211591391 A CN 202211591391A CN 115622596 B CN115622596 B CN 115622596B
- Authority
- CN
- China
- Prior art keywords
- task
- base station
- codebook
- pilot signals
- beam alignment
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 230000005540 biological transmission Effects 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000013136 deep learning model Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000000052 comparative effect Effects 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 235000015429 Mirabilis expansa Nutrition 0.000 description 1
- 244000294411 Mirabilis expansa Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 235000013536 miso Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
-
- 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
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
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。
Description
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***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:
其中,、和分别表示发射功率、信道向量和噪声功率为的加性复数噪声,表示基础信号,表示波束赋形向量。
进一步地,所述探测码本为离散傅里叶变换码本,以使每个波束都转向一个离散方向,其中,波束赋形向量定义为:
其中,、和分别表示载波波长、天线间距和所述离散傅里叶变换码本的大小。
进一步地,所述最佳传输波束的索引为:
。
进一步地,所述基站端通过扫描一较小的探测码本来感知信道,然后根据压缩感知的测量结果结合统计先验信息直接选择波束赋形向量。
进一步地,直接选择的所述波束赋形向量的索引为:
其中,表示波束选择函数,的自变量,其中,表示探测码本中第个探测码字的接受信号;和分别表示所述基站端的信道分布以及导频信号的功率限制。
进一步地,所述深度学习模型的训练任务具体包括主任务和辅助任务,所述主任务包括训练波束扫描和波束选择任务,所述辅助任务用于与所述主任务共享领域知识,以协助所述主任务训练。
进一步地,所述训练波束扫描通过一强度参数化的复数神经网络建模波束扫描过程,所述波束扫描指所述基站端基于探测码本中的波束生成多个导频信号,并输出给所述用户端;所述训练波束选择将波束选择方程建模成一由二层全连接层构建的分类器,其中,所述波束选择方程的输入为波束扫描阶段所得的有噪声信号功率,输出为选择所述离散傅里叶变换码本中每个码字的似然值。
进一步地,所述辅助任务包括信道重建任务和对比表示任务。
进一步地,所述信道重建任务基于在波束扫描阶段所接受信号,建模一包括二层全连接层的回归模型;所述对比表示任务用于将不同噪声功率下的相同扫描测量共享相似的表示。
有益效果
本发明提供了一种基于多任务学习的快速波束对齐方法,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;进一步地,本发明提供的方法采用先扫描一个小的探测码本来感知信道,然后根据压缩感知的测量结果结合统计先验信息直接选择波束成形向量,极大的降低了穷举法进行波束对齐的开销;最后,本发明提供的方法联合训练探测码本和波束选择器,采用多任务学习的训练模型提升准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的基于多任务学习的快速波束对齐方法步骤示意图;
图2为本发明一实施例提供的基于多任务学习的快速波束对齐方法中深度学习模型示意图;
图3为本发明一实施例提供的基于多任务学习的快速波束对齐方法具体应用示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参阅图1,本发明一实施例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。
在本实施例中,对于步骤S1,所述基站端先对基础信号进行处理,该处理基于探测码本中的波束,使得基础信号生成导频信号,具体的处理公式如下:
其中,、和分别表示发射功率、信道向量和噪声功率为的加性复数噪声,表示基础信号,表示波束赋形向量。即将基础信号与波束赋形向量相乘,实现基础信号的波束赋形。
在本实施例中,本发明采用的所述探测码本一般为离散傅里叶变换码本,以使每个波束都转向一个离散方向,其中,波束赋形向量定义为:
其中,所述N表示基站天线个数,、和分别表示载波波长、天线间距和所述离散傅里叶变换码本的大小。
在本实施例中,波束训练的主要任务是为后续的数据传输阶段搜索最佳波束(即找出具有最高测量信号功率的波束),而采用信道的所述用户端采用第个波束赋形向量时的信噪比为:
因此,在所述离散傅里叶变换码本中,所述最佳传输波束的索引为:
发明人研究发现,在有限的时间内获取完美的通道状态是极其困难的,当前5G标准中的解决方案是详尽地使用所有备选波束赋形向量传输导频信号,然后测量所有波束赋形向量下的导频信号功率,这种详尽的搜索将产生大量训练开销。
在本实施例中,为了应对较大的训练开销,所述基站端可以通过扫描一较小的所述离散傅里叶变换码本来感知信道,然后根据压缩感知的测量结果结合统计先验信息直接选择波束赋形向量,则此时直接选择的所述波束赋形向量的索引为:
其中,所述表示探测码本的大小,表示波束选择函数,的自变量,其中,表示较小的探测码本中第个探测码字的接受信号;和分别表示所述基站端的信道分布以及导频信号的功率限制。
在本实施例中,所述深度学习模型的训练任务具体包括主任务和辅助任务,所述主任务包括训练波束扫描和波束选择任务,所述辅助任务用于与所述主任务共享领域知识,以协助所述主任务训练。
在本实施例中,参阅图2,所述训练波束扫描通过一强度参数化的复数神经网络建模波束扫描过程,所述波束扫描指所述基站端基于探测码本中的波束生成多个导频信号,并输出给所述用户端;所述训练波束选择将波束选择方程建模成一由二层全连接层构建的分类器,其中,所述波束选择方程的输入为波束扫描阶段所得的有噪声信号功率,输出为选择所述探测码本中每个码字的似然值。
首先,在训练阶段,发明人基于历史信道数据集构建训练数据,波束选择问题被建模成了一个多分类问题,其中分类类别个数为,即候选波束人数。因此,多分类问题的标签信息可表示为,其中,
然后,通过一个复数神经网络(Complex Neural Network, Complex NN)建模波束扫描过程。值得一提的是,不同于常见的角度参数化的Complex NN,本发明提出了强度参数化的Complex NN,其可学习参数可表示为。具体地, Complex NN以信道条件作为输入,输出相对应的导频信号功率。具体计算过程如下:
Complex NN层首先计算无噪声接收信号阵列,然后混合接收信号与加性复合噪声来计算有噪声接收信号阵列。
最后,ComplexNN通过计算接受信号的2-范数分别得到有噪声信号功率测量和无噪声信号功率测量:
在本实施例中,波束选择任务具体包括:
如数据准备阶段所述,发明人将波束选择方程建模成一个由二层全连接层构建的分类器,全连接层的参数表示为。波束选择方程的输入为波束扫描阶段所得的有噪声信号功率,输出为选择传输码本中每个码字的似然值:
因为所考虑的问题是一个多分类问题,因此发明人对波束扫描参数和波束选择参数进行联合优化,从而最小化交叉熵损失函数:
在本实施例中,所述辅助任务一般包括信道重建任务和对比表示任务。
在本实施例中,所述信道重建任务的目标是基于在波束扫描阶段所接受信号
,发明人将这个重建过程建模为一个由二层全连接层的回归模型,其输出可表示为
因为所考虑的问题是一个回归问题,因此发明人对波束扫描参数和信道重建参数进行联合优化,从而最小化均方误差损失函数:
在本实施例中,所述对比表示任务要求所学习的特征能够区分锚定样本、正样本和负样本。该任务的发出点是:不同噪声功率下的相同扫描测量应该共享相似的表示。而即使不同信道属于同一类,但是不同通道的特征应该是不同的。总体而言,具有区分能力的特征表示增加了分类器对噪声的抵抗力。具体地,在给定信道、同一信道下有噪声信号功率测量、无噪声信号功率测量以及另一个信道的有噪声信号功率测量,发明人对波束扫描参数和波束选择参数进行优化,从而最小化三元组损失:
最终,模型以端到端的方式进行训练。即通过最小化多目标损失来联合优化:
其中和是平衡不同任务偏好度的超参数。
最后,通过已学习到的参数,发明人可以构建扫描波束,并通过实际物理上的扫描波束扫描,在所述用户端测量得到接受功率阵列,所述用户端将通过上行信道反馈至所述基站端,所述基站端将输入波束选择模型,选择最佳传输波束。信道重建和对比表示的任务仅在训练阶段实施计算,无需实际部署,无额外成本。
在本实施例中,参阅图3,发明人采用该方法一般考虑一个毫米波 多输入单输出通信***,其中每个所述基站端具有N个天线并服务于多个单天线的所述用户端。虽然所述用户端通常也有天线阵列,但为了简单起见,发明人仅考虑在所述基站端执行波束对齐的MISO场景。但本发明技术领域内的人员应该明白,如果所述用户端有多个天线,则可以类似地进行所述用户端的波束对齐。
本发明的优点在于提供了一种基于多任务学习的快速波束对齐方法,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;进一步地,本发明提供的方法采用先扫描一个小的探测码本来感知信道,然后根据压缩感知的测量结果结合统计先验信息直接选择波束成形向量,极大的降低了穷举法进行波束对齐的开销;最后,本发明提供的方法联合训练探测码本和波束选择器,采用多任务学习的训练模型提升准确性。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的保护范围。
Claims (6)
1.一种基于多任务学习的快速波束对齐方法,其特征在于,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,所述导频信号为:
其中,、和分别表示发射功率、信道向量和噪声功率为的加性复数噪声,表示基础信号,表示波束赋形向量,所述探测码本为离散傅里叶变换码本,以使每个波束都转向一个离散方向,其中,波束赋形向量定义为:
其中,所述N表示基站天线个数, 、 和分别表示载波波长、天线间距和所述离散傅里叶变换码本的大小,所述深度学习模型的训练任务具体包括主任务和辅助任务,所述主任务包括训练波束扫描和波束选择任务,所述辅助任务用于与所述主任务共享领域知识,以协助所述主任务训练,所述训练波束扫描通过一强度参数化的复数神经网络建模波束扫描过程,所述波束扫描指所述基站端基于探测码本中的波束生成多个导频信号,并输出给所述用户端;所述训练波束选择将波束选择方程建模成一由二层全连接层构建的分类器,其中,所述波束选择方程的输入为波束扫描阶段所得的有噪声信号功率,输出为选择所述离散傅里叶变换码本中每个码字的似然值。
2.根据权利要求1所述的基于多任务学习的快速波束对齐方法,其特征在于,所述最佳传输波束的索引为:
。
3.根据权利要求1所述的基于多任务学习的快速波束对齐方法,其特征在于,所述基站端通过扫描一探测码本来感知信道,然后根据压缩感知的测量结果结合统计先验信息直接选择波束赋形向量,所述表示探测码本的大小。
4.根据权利要求3所述的基于多任务学习的快速波束对齐方法,其特征在于,直接选择的所述波束赋形向量的索引为:
其中,表示波束选择函数,的自变量,其中,表示探测码本中第个探测码字的接受信号;和分别表示所述基站端的信道分布以及导频信号的功率限制。
5.根据权利要求1所述的基于多任务学习的快速波束对齐方法,其特征在于,所述辅助任务包括信道重建任务和对比表示任务。
6.根据权利要求5所述的基于多任务学习的快速波束对齐方法,其特征在于,所述信道重建任务基于在波束扫描阶段所接受信号,建模一包括二层全连接层的回归模型;所述对比表示任务用于将不同噪声功率下的相同扫描测量共享相似的表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211591391.XA CN115622596B (zh) | 2022-12-12 | 2022-12-12 | 一种基于多任务学习的快速波束对齐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211591391.XA CN115622596B (zh) | 2022-12-12 | 2022-12-12 | 一种基于多任务学习的快速波束对齐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115622596A CN115622596A (zh) | 2023-01-17 |
CN115622596B true CN115622596B (zh) | 2023-04-18 |
Family
ID=84880551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211591391.XA Active CN115622596B (zh) | 2022-12-12 | 2022-12-12 | 一种基于多任务学习的快速波束对齐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115622596B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110365612A (zh) * | 2019-06-17 | 2019-10-22 | 浙江大学 | 一种基于近似消息传递算法的深度学习波束域信道估计方法 |
CN114844545A (zh) * | 2022-05-05 | 2022-08-02 | 东南大学 | 基于sub6GHz信道以及部分毫米波导频的通信波束选择方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3751753A1 (en) * | 2019-06-13 | 2020-12-16 | Mitsubishi Electric R&D Centre Europe B.V. | Method and system of massive mimo communciation |
KR20220103124A (ko) * | 2019-12-03 | 2022-07-21 | 엘지전자 주식회사 | 무선 통신 시스템에서 인공 지능 기반의 빔 관리 방법 및 이에 대한 장치 |
KR102204783B1 (ko) * | 2020-07-09 | 2021-01-18 | 전남대학교산학협력단 | 딥러닝 기반의 빔포밍 통신 시스템 및 방법 |
US11588539B2 (en) * | 2020-09-23 | 2023-02-21 | Northeastern University | Coordination-free mmWave beam management with deep waveform learning |
US20220368399A1 (en) * | 2021-05-14 | 2022-11-17 | Qualcomm Incorporated | Techniques for selecting a beam pair using single layer measurements |
-
2022
- 2022-12-12 CN CN202211591391.XA patent/CN115622596B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110365612A (zh) * | 2019-06-17 | 2019-10-22 | 浙江大学 | 一种基于近似消息传递算法的深度学习波束域信道估计方法 |
CN114844545A (zh) * | 2022-05-05 | 2022-08-02 | 东南大学 | 基于sub6GHz信道以及部分毫米波导频的通信波束选择方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115622596A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111954228B (zh) | 波束管理方法、装置、电子设备及计算机可读存储介质 | |
US9155097B2 (en) | Methods and arrangements for beam refinement in a wireless network | |
Rezaie et al. | Location-and orientation-aided millimeter wave beam selection using deep learning | |
Heng et al. | Learning site-specific probing beams for fast mmWave beam alignment | |
Morais et al. | Position-aided beam prediction in the real world: How useful GPS locations actually are? | |
CN113438002B (zh) | 基于lstm的模拟波束切换方法、装置、设备及介质 | |
CN111446999A (zh) | 基于多臂强盗的位置辅助波束对准方法及其*** | |
Xu et al. | Cramér-Rao bound and antenna selection optimization for dual radar-communication design | |
CN109327249A (zh) | Mimo***中的到达角估计方法 | |
Zhang et al. | Deep learning of near field beam focusing in terahertz wideband massive MIMO systems | |
WO2020253156A1 (zh) | 一种用于移动毫米波通信***的数据驱动波束跟踪方法和装置 | |
Papasotiriou et al. | Outdoor THz fading modeling by means of gaussian and gamma mixture distributions | |
Heng et al. | Learning probing beams for fast mmWave beam alignment | |
Garkisch et al. | Codebook-based user tracking in irs-assisted mmwave communication networks | |
CN115622596B (zh) | 一种基于多任务学习的快速波束对齐方法 | |
Wang et al. | Intelligent beam training with deep convolutional neural network in mmwave communications | |
Ma et al. | Data-driven beam tracking for mobile millimeter-wave communication systems without channel estimation | |
Aquino et al. | A Review of Direction of Arrival Estimation Techniques in Massive MIMO 5G Wireless Communication Systems | |
Narottama et al. | Modular quantum machine learning for channel estimation in STAR-RIS assisted communication systems | |
Nerini et al. | Overhead-Free Blockage Detection and Precoding Through Physics-Based Graph Neural Networks: LIDAR Data Meets Ray Tracing | |
Song et al. | Fast beamforming strategy: Learning the AoD of the dominant path | |
US20230108467A1 (en) | Beamforming multipath wireless channels using neural networks | |
Wang et al. | Fast MmWave Beam Alignment Method with Adaptive Discounted Thompson Sampling | |
CN117220738A (zh) | 模型训练方法、多基站协作波束跟踪预测方法及装置 | |
Zhao et al. | Intelligent Multi-peak Beam Training in mmWave Communications with Deep Neural Networks |
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 |