论文部分内容阅读
毫米波(Millimter Wave,mmWave)通信与大规模多输入多输出(Mutiple-Input Mutiple-output,MIMO)技术作为下一代无线通信网络的重要技术,两者的结合使用可以有效提高系统容量、频谱资源利用率以及传输速率。由于毫米波信号波长较短,存在严重的路径损耗,因此利用大规模MIMO技术可以有效克服路径损耗。目前低频段通信系统通常采用全数字预编码的方法,需要配置大量射频(Radio Frequency,RF)链路。而对于毫米波大规模MIMO系统来说,如果采用全数字预编码方法则需要面对大量的硬件消耗。而采用混合预编码方法不但可以保证系统性能,而且可以有效减少RF链路的数量。因此本论文针对毫米波大规模MIMO通信系统进行了信道估计以及混合预编码的研究。信道估计的准确性直接影响了毫米波大规模MIMO通信系统的性能。传统算法受到大规模阵列天线的影响,计算复杂度较高。为了解决这个问题,我们集中于信道矩阵的路径角度和路径复增益的估计,并提出了一种基于深度学习的信道估计算法,实现了端到端的信道估计。具体地,将路径角度的估计建模为基于深度学习的多标签分类问题,而路径复增益则利用最小二乘法进行直接求解。经过仿真实验证明,提出的基于深度学习的信道估计算法与基于OMP(Orthogonal Matching Pursuit)的信道估计算法性能相似,但其计算的时间复杂度更低。针对毫米波大规模MIMO通信系统混合预编码的问题,本文提出了一种新颖的基于深度学习的混合预编码算法。该算法可以根据波束扫描信号直接预测出模拟预编码/组合矩阵,其网络结构主要包含编码器和混合波束预测两个部分。具体来讲,编码器部分以波束扫描信号作为输入,通过两层卷积神经网络从输入数据中获取结构信息;而模拟波束预测部分则通过四层全连接网络学习了如何从编码器的输出到模拟预编码/组合矩阵之间的映射。因此该神经网络是一个结合了编码器与混合波束预测的端到端的神经网络模型。与传统解决方法相比,该方法可以直接预测出模拟预编码/组合矩阵,减少了信道矩阵的估计,同时其可实现的数据速率接近最佳的可实现的数据速率。