發(fā)布時間：2024-03-23 10:40

　　毫米波技術在第五代(5th Generation,5G)通信系統(tǒng)中的作用不可估量,其最大的優(yōu)勢在于能夠結合大規(guī)模多輸入多輸出(Multiple-Input Multiple-Output,MIMO)以盡可能彌補毫米波本身存在的嚴重傳輸路徑損耗缺陷。本文將深度學習的思想引入到無線通信中,以毫米波大規(guī)模MIMO系統(tǒng)為立足點,以混合預編碼和信道估計算法為切入點展開研究討論,證明了深度學習能夠解決傳統(tǒng)通信系統(tǒng)存在的問題。本文針對毫米波通信系統(tǒng)中傳統(tǒng)混合預編碼算法高能耗、空間信息利用不充分等問題,提出一種基于深度學習的級聯(lián)混合預編碼器。級聯(lián)混合預編碼器通過學習如何優(yōu)化通道感測矢量以將感測功率集中在最希望發(fā)送的方向上,同時學習如何直接從接收到的感測矢量預測混合架構的射頻波束成形和組合矢量。通過仿真證明了級聯(lián)混合預編碼器在信道狀態(tài)未知時能直接求解出混合預編碼矩陣中的模擬預編碼和組合矢量,使得大規(guī)模MIMO系統(tǒng)因選擇最佳波束產(chǎn)生的龐大開銷大大降低,且系統(tǒng)可實現(xiàn)數(shù)據(jù)速率趨近于最佳的可實現(xiàn)數(shù)據(jù)速率。同時,級聯(lián)混合預編碼器表現(xiàn)的性能更趨近于全數(shù)字預編碼,且可以通過盡可能少的信道測量矢量就能準確預測模擬預編碼...

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【部分圖文】：

圖3-1生物神經(jīng)元模型圖

間的映射關系。本章主要介紹了兩種神經(jīng)網(wǎng)絡結構，為后面的研究工作作好理論鋪墊。3.1人工神經(jīng)網(wǎng)絡3.1.1神經(jīng)元模型生物學中神經(jīng)元的結構如圖3-1所示。每個神經(jīng)元主要由樹突、軸突和突觸三個部分組成。一個神經(jīng)元擁有多個輸入和單個輸出，其輸入與輸出主要傳遞興奮特性和抑制特....

圖4-3信道估計損失函數(shù)變化曲線

電子科技大學碩士學位論文36其中Nsamples表示采樣數(shù)。4.3.3仿真結果與分析在訓練階段，假設信道矩陣的路徑角度均位于量化格點上，這樣有助于神經(jīng)網(wǎng)絡進行分類學習，而在性能測試階段則隨機生成信道路徑角度。訓練數(shù)據(jù)集參數(shù)設置如表格4-2所示，并按照4:1的比例進行訓練數(shù)據(jù)集和測....

圖4-4信道估計的NMSE隨SNR的變化曲線

第四章基于深度學習的毫米波信道估計算法37從圖4-3可以看出，訓練集與測試集的損失函數(shù)變化曲線沒有出現(xiàn)過度的波動或鋸齒狀，則說明實驗設置的網(wǎng)絡參數(shù)設置較合理，并在有限次數(shù)的迭代下趨近于常數(shù)。訓練集損失函數(shù)與測試集損失函數(shù)也沒有出現(xiàn)明顯的差距，證明沒有出現(xiàn)欠擬合或過擬合的現(xiàn)象。在實....

圖5-2混合預編碼損失函數(shù)變化曲線

第五章基于深度學習的毫米波混合預編碼算法49從圖5-2可以看出，損失函數(shù)曲線在訓練集和測試集上變化平緩，沒有出現(xiàn)過度的波動或鋸齒狀，說明實驗設置的學習速率較合理，并且在有限次的迭代下趨近于常數(shù)值。訓練集損失函數(shù)與測試集損失函數(shù)也沒有出現(xiàn)明顯的差距，證明實驗也沒有出現(xiàn)欠擬合或過擬合....

本文編號：3935802