毫米波大規(guī)模MIMO系統(tǒng)混合預編碼是提升無線通信系統(tǒng)容量和降低射頻鏈使用數量的關鍵技術之一,但是仍然需要大量高精度的相移器實現陣列增益。為了解決這個問題,本文中,首先通過最大化每個用戶的接收信號功率,得到自適應連接結構中射頻鏈與基站天線匹配關系,然后創(chuàng)新地把基于機器學習的自適應交叉熵優(yōu)化方法應用于1比特量化相移的自適應連接混合預編碼器中。通過減小交叉熵和加入常數平滑參數保證收斂,自適應地更新概率分布以得到幾乎最優(yōu)的混合預編碼器。最后,仿真驗證了所提方案的可行性以及具有滿意的可達和速率,與其他相同硬件復雜度的混合預編碼方案相比具有更優(yōu)的可達和速率性能。 

【文章來源】：信號處理. 2020年05期 北大核心

【文章頁數】：9 頁

【部分圖文】：

多用戶大規(guī)模系統(tǒng)自適應連接混合預編碼

自適應連接結構的混合預編碼[19]、基于機器學習的固定子連接開關和反相器結構的混合預編碼[15]和本文的基于機器學習的自適應連接結構混合預編碼(ACN based MLACE)具有相同的較低硬件復雜度,省去了全連接混合結構所需要的NNRF個相移器和N個加法器,因此這里僅以和速率作為不同預編碼方案性能的比較。仿真參數設置如下,均勻線性陣列(ULA)天線之間的距離設為毫米波半波長d=l/2。根據式(2)獲得第k個用戶的信道增益矢量,設置每個用戶的到達波束傳播路徑數都相等,即Lk=3,1≤k≤K。第k個用戶的第l條路徑的復增益服從復高斯分布,即α k (l) ～CN(0,1);離開角服從均勻分布,φ k (l) ～U[0,2p),信噪比為P/σ2。圖2顯示了毫米波大規(guī)模MIMO系統(tǒng)不同混合預編碼方案的可達和速率,通過1000次信道實現,天線數N=56,射頻鏈數與用戶數相等,NRF=K=4,模擬預編碼候選可行解個數Z=200,候選樣本中的最優(yōu)樣本個數Zelite=40,迭代次數I=20,常數平滑參數α=0.9,文獻[15]固定子連接自適應交叉熵沒有考慮常數平滑參數,為保證收斂[21],加上平滑參數進行可達和速率性能比較。在上述參數設置下,和在整個信噪比范圍,本文所提的ACN based MLACE算法可達和速率大于文獻[15]基于機器學習的固定子連接結構的可達和速率,后一種的可達和速率性能稍微優(yōu)于文獻[19]的自適應連接(1比特量化)的性能�；跈C器學習自適應交叉熵優(yōu)化輔助的固定子連接結構的可達和速率比只用自適應連接的可達和速率還高,說明僅僅用1比特量化的自適應連接結構不能很好地實現陣列增益,所以本文利用基于機器學習的自適應交叉熵優(yōu)化方法改善1比特自適應連接結構可達和速率性能。在基于機器學習的自適應交叉熵優(yōu)化方法的輔助下,其可達和速率性能較自適應連接結構的可達和速率性能提升不少,進一步驗證了本文基于機器學習的自適應連接結構的可行性。在相同的低硬件開銷情況下,所提方法更加接近全數字迫零預編碼和4比特量化相移器的兩階段混合預編碼[12]的可達和速率。

圖2顯示了毫米波大規(guī)模MIMO系統(tǒng)不同混合預編碼方案的可達和速率,通過1000次信道實現,天線數N=56,射頻鏈數與用戶數相等,NRF=K=4,模擬預編碼候選可行解個數Z=200,候選樣本中的最優(yōu)樣本個數Zelite=40,迭代次數I=20,常數平滑參數α=0.9,文獻[15]固定子連接自適應交叉熵沒有考慮常數平滑參數,為保證收斂[21],加上平滑參數進行可達和速率性能比較。在上述參數設置下,和在整個信噪比范圍,本文所提的ACN based MLACE算法可達和速率大于文獻[15]基于機器學習的固定子連接結構的可達和速率,后一種的可達和速率性能稍微優(yōu)于文獻[19]的自適應連接(1比特量化)的性能�；跈C器學習自適應交叉熵優(yōu)化輔助的固定子連接結構的可達和速率比只用自適應連接的可達和速率還高,說明僅僅用1比特量化的自適應連接結構不能很好地實現陣列增益,所以本文利用基于機器學習的自適應交叉熵優(yōu)化方法改善1比特自適應連接結構可達和速率性能。在基于機器學習的自適應交叉熵優(yōu)化方法的輔助下,其可達和速率性能較自適應連接結構的可達和速率性能提升不少,進一步驗證了本文基于機器學習的自適應連接結構的可行性。在相同的低硬件開銷情況下,所提方法更加接近全數字迫零預編碼和4比特量化相移器的兩階段混合預編碼[12]的可達和速率。圖3顯示了基于機器學習的自適應連接混合預編碼的可達和速率性能與候選個數Z和迭代次數I變化的關系�？梢钥吹椒抡嫘旁氡萐NR=10 dB,N=56,NRF=K=4,Zelite=40, α=0.9,和 Ζ elite Ζ =0.2 時,所提ACN based MLACE方案可達和速率隨著迭代次數的增加而增大,當迭代次數超過20次,可達和速率趨于緩和,說明迭代次數設為I=20是合適的。并且,迭代次數超過20次以后,Z=300可達和速率最高,Z=100可達和速率最低,考慮到計算復雜度,選擇候選數Z=200是適中的。

【參考文獻】：
期刊論文
[1]毫米波大規(guī)模MIMO系統(tǒng)中基于智能搜索的混合預編碼算法[J]. 何雪云,錢旸,梁彥.  信號處理. 2019(11)
[2]基于機器學習的毫米波大規(guī)模MIMO混合預編碼技術[J]. 劉斌,任歡,李立欣.  移動通信. 2019(08)
[3]面向無人機小區(qū)覆蓋的毫米波波束優(yōu)化設計[J]. 王磊,仲偉志,顧勇,朱秋明,陳小敏.  信號處理. 2019(07)
[4]Hybrid Precoder and Combiner Design with Finite Resolution PSs for mmWave MIMO Systems[J]. Ran Zhang,Weixia Zou,Ye Wang,Mingyang Cui.  中國通信. 2019(02)



本文編號：2918516