亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于ResNet的大型智能表面在毫米波系統(tǒng)中的應(yīng)用*

        2021-02-26 01:41:24齊月月錢盼盼居金娟
        電訊技術(shù) 2021年1期
        關(guān)鍵詞:波束殘差信道

        齊月月,孫 強,2,錢盼盼,居金娟,周 暉,徐 晨

        (1.南通大學(xué) 信息科學(xué)技術(shù)學(xué)院,江蘇 南通 226019;2.南通先進(jìn)通信技術(shù)研究院有限公司,江蘇 南通 226019;3.南通職業(yè)大學(xué) 電子信息工程系,江蘇 南通 226007)

        0 引 言

        隨著5G通信網(wǎng)絡(luò)商業(yè)化[1-2],大規(guī)模多輸入多輸出(Multiple-Input Multiple-Output,MIMO)和毫米波結(jié)合傳輸帶來了巨大的能源消耗和硬件復(fù)雜度[3]。在最近開始探索的下一代(6G)通信技術(shù)[4]中,大型智能表面(Large Intelligent Surface,LIS)以其低成本、低硬件復(fù)雜度,以及易改變無線傳播環(huán)境的特性而備受學(xué)術(shù)界和工業(yè)界的關(guān)注[5-7]。LIS是一種具有電磁特性的二維表面,由大量的超材料[8]制成的無源可重構(gòu)反射單元組成。這些單元通過控制相位、幅度、頻率甚至極化與入射信號進(jìn)行交互[9],以提高無線通信系統(tǒng)的覆蓋率和速率?,F(xiàn)有研究多集中在相移的調(diào)節(jié)方面[10-11],LIS的每個反射單元都可以通過外部編程控制,在基站端進(jìn)行實時調(diào)節(jié)相位。

        LIS協(xié)助無線通信時,通過調(diào)控LIS反射波束改變傳輸環(huán)境。目前工作[12-14]假設(shè)LIS與用戶和基站之間完美的級聯(lián)信道狀態(tài)信息(Channel State Information,CSI)已知時,設(shè)計LIS反射波束。但是,獲得級聯(lián)信道狀態(tài)信息是LIS系統(tǒng)最嚴(yán)峻的挑戰(zhàn)之一。關(guān)于LIS系統(tǒng)的信道估計,文獻(xiàn)[15]將最小二乘法用于估計正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing,OFDM)系統(tǒng)中直接鏈路和反射鏈路的聯(lián)合信道會產(chǎn)生大量導(dǎo)頻訓(xùn)練開銷。文獻(xiàn)[16]利用MIMO信道的低秩特性,提出一種基于稀疏矩陣因式分解的級聯(lián)信道估計方法,可以降低導(dǎo)頻訓(xùn)練開銷。然而,該方法采用LIS開關(guān)變換模式會增加硬件復(fù)雜度和功耗。文獻(xiàn)[17]提出一種基于多層感知器神經(jīng)網(wǎng)絡(luò)(Multi-Layer Perceptron Network,MLP)的信道估計和反射波束設(shè)計聯(lián)合優(yōu)化方案,該方案既降低了訓(xùn)練開銷和硬件復(fù)雜度,又提高了能量效率。但是,MLP神經(jīng)網(wǎng)絡(luò)的隱含層的層與層之間都是全連接的,即第i層的任意一個神經(jīng)元與第i+1層的任意一個神經(jīng)元相連接,當(dāng)LIS部署天線規(guī)模增大,神經(jīng)元和層數(shù)變多,隨之而來的是梯度消失、梯度爆炸以及更高的計算復(fù)雜度問題,進(jìn)而導(dǎo)致LIS系統(tǒng)性能降低。

        本文提出一種基于殘差神經(jīng)網(wǎng)絡(luò)(Residual Neural Network,ResNet)的LIS協(xié)助毫米波系統(tǒng)的反射波束解決方案。首先,LIS框架采用大量無源和少量有源元件混合組成,其中有源元件連接基帶的RF鏈用來估計有源元件的信道。在此基礎(chǔ)上,將ResNet的殘差單元進(jìn)行改進(jìn),重新設(shè)置殘差單元數(shù)量和殘差單元結(jié)構(gòu)。然后,通過離線學(xué)習(xí)少量有源元件信道與反射波束之間的映射關(guān)系,預(yù)測出最佳反射波束去傳輸信號。仿真分析了數(shù)據(jù)集大小、LIS天線數(shù)量、有源元件個數(shù)、信道路徑數(shù)量對ResNet神經(jīng)網(wǎng)絡(luò)的影響,結(jié)果表明,本文采用ResNet神經(jīng)網(wǎng)絡(luò)能更加高效、快速、準(zhǔn)確地找出最佳反射波束,逼近最高可實現(xiàn)速率。

        1 系統(tǒng)模型及問題表述

        1.1 系統(tǒng)模型

        圖1 混合LIS協(xié)助毫米波系統(tǒng)通信模型

        本文考慮具有K個子載波OFDM系統(tǒng),定義hB,k,hU,k∈N×1為第k個子載波上的從基站和用戶分別到LIS的上行鏈路信道向量。根據(jù)信道互易性,下行鏈路信道向量分別定義為和符號H表示共軛轉(zhuǎn)置。從基站到LIS上行鏈路信道向量hB,k有L條路徑,每條路徑l都會產(chǎn)生一條時延tl、一個復(fù)系數(shù)gl、還有到達(dá)的方位角θl∈[0,2π)和仰角φl∈[0,2π)。ρB表示基站和LIS之間的路徑損耗,D、d表示信道延遲,p(t)表示在t秒時評估T間隔信號的脈沖整形函數(shù)。第k個子載波的頻域信道向量hB,k可表示為[18]

        (1)

        式中:a(θl,φl)∈N×1表示到達(dá)LIS方位角θl和仰角φl的陣列響應(yīng)向量,同理表示hU,k??紤]到萊斯塊衰落信道模型,所以假設(shè)hB,k和hU,k在信道相干時間上保持恒定,信道相干時間取決于用戶的移動性和無線環(huán)境的動態(tài)性。然后,定義和為在第k個子載波上的從基站和用戶到M個有源元件的信道向量,稱作上行采樣信道,由用戶和基站發(fā)送上行導(dǎo)頻信號就可以獲取。表示為

        (2)

        (hU,k⊙hB,k)Hφxk+nk。

        (3)

        1.2 問題表述

        本文通過LIS布設(shè)的有源元件獲取少量的CSI去設(shè)計最佳反射波束向量φ,使得用戶端的可實現(xiàn)速率最大。上述LIS系統(tǒng)和信道模型可實現(xiàn)速率表示為

        (4)

        (5)

        (6)

        2 基于ResNet的LIS系統(tǒng)反射波束向量設(shè)計

        2.1 基于ResNet的LIS系統(tǒng)架構(gòu)

        本文提出基于ResNet網(wǎng)絡(luò)去設(shè)計LIS系統(tǒng)反射波束向量。首先,LIS采用級聯(lián)采樣信道向量和可實現(xiàn)速率向量構(gòu)建的數(shù)據(jù)集預(yù)先對該網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練;然后,將重新估計的級聯(lián)采樣信道輸入訓(xùn)練好的網(wǎng)絡(luò)模型在線預(yù)測最佳反射波束向量及相應(yīng)的最高可實現(xiàn)速率?;赗esNet神經(jīng)網(wǎng)絡(luò)的LIS系統(tǒng)分為訓(xùn)練階段和預(yù)測階段兩個階段。

        2.1.1 訓(xùn)練階段

        (1)采樣信道估計

        (2)波束訓(xùn)練

        在這一步,LIS使用預(yù)先定義的反射碼本C進(jìn)行窮舉波束訓(xùn)練,遍歷每個反射波束向量φn(n=1,2,…,|C|),并接收來自用戶端反饋的可實現(xiàn)速率Rn(s),定義

        在每個相干塊s的可實現(xiàn)速率表示為

        (3)數(shù)據(jù)集構(gòu)建

        (4)ResNet模型訓(xùn)練

        2.1.2 預(yù)測階段

        LIS利用訓(xùn)練好的ResNet神經(jīng)網(wǎng)絡(luò)模型直接輸入采樣信道向量來預(yù)測最佳反射波束,該段對每個信道相干塊執(zhí)行以下步驟:

        (1)采樣信道估計。與訓(xùn)練階段的第一步相同。

        (3)數(shù)據(jù)傳輸。通過ResNet神經(jīng)模型預(yù)測最佳反射波束向量,然后利用其相應(yīng)預(yù)測的最高可實現(xiàn)速率去反射傳輸數(shù)據(jù)(信號)。

        2.2 數(shù)據(jù)預(yù)處理

        使用數(shù)據(jù)集D進(jìn)行訓(xùn)練和預(yù)測時,為了讓學(xué)習(xí)過程更加平穩(wěn)和快速收斂,需要對原數(shù)據(jù)進(jìn)行預(yù)處理操作。

        (1)輸入數(shù)據(jù)

        輸入的采樣信道進(jìn)行歸一化處理,即所有樣本除以輸入樣本中的最大值,可以表示為

        (7)

        這種歸一化的方法可以保留采樣信道的編碼距離信息。由于深度學(xué)習(xí)主要使用實值進(jìn)行計算,為了不丟失采樣信道中虛部的值,將輸入數(shù)據(jù)實部和虛部的值分開,然后將構(gòu)建成一個M×K×2三維實值輸入矩陣。

        (2)目標(biāo)數(shù)據(jù)

        ResNet模型采用監(jiān)督學(xué)習(xí)方法進(jìn)行訓(xùn)練,輸入數(shù)據(jù)伴隨著其目標(biāo)響應(yīng)。其中,目標(biāo)響應(yīng)是實值速率向量R(s),為了和輸入數(shù)據(jù)保持同樣的訓(xùn)練效率,每個向量R(s)使用最大速率值max[R(s)]n進(jìn)行歸一化,以防止網(wǎng)絡(luò)模型對某些強響應(yīng)產(chǎn)生偏差。

        2.3 ResNet網(wǎng)絡(luò)模型

        ResNet網(wǎng)絡(luò)由何凱明等[19]提出,在信道估計和信道反饋方面已得到廣泛的應(yīng)用[20-21],通過忽略輸入和目標(biāo)之間的共同信息,集中去學(xué)習(xí)從輸入到殘差(輸入與目標(biāo)之間的差異)的映射,從而降低學(xué)習(xí)難度,提高學(xué)習(xí)效率。另外,增加全等映射層來解決隨著網(wǎng)絡(luò)深度增加而產(chǎn)生的梯度消失、網(wǎng)絡(luò)退化等問題。本文提出的ResNet網(wǎng)絡(luò)模型由2個殘差單元和2層全連接層組成,如圖2所示。

        圖2 ResNet的神經(jīng)網(wǎng)絡(luò)模型

        ResNet網(wǎng)絡(luò)結(jié)構(gòu)如下:

        (1)輸入層

        輸入層是整個神經(jīng)網(wǎng)絡(luò)的信息接入口,本文中每一個輸入數(shù)據(jù)都是經(jīng)過預(yù)處理的三維采樣信道矩陣。

        (2)殘差單元

        如圖2所示,每一個殘差單元包含三層卷積核為3×3、步長為1的卷積層(Convolutional Layer,Conv)。卷積層的的特征維度分別為64、32、2,最后一層的特征維度和輸入層相同,使用按0填充,將三個卷積層的輸出尺寸設(shè)置為與輸入采樣信道相同。卷積層之后都引入批量歸一化(Batch Normalization,BN)層和激活函數(shù)層,批量歸一化層通過減少內(nèi)部協(xié)變量偏移,加快網(wǎng)絡(luò)的收斂速度。采用帶泄露修正線性單元激活函數(shù)(Leaky Rectified Linear Unit,LeakyReLU),其中參數(shù)α設(shè)置為0.01,LeakyReLU是ReLU激活函數(shù)的變體,解決ReLU激活函數(shù)進(jìn)入負(fù)區(qū)間不學(xué)習(xí)的問題。

        (3)全連接層和輸出層

        兩層全連接層分別有|C|/2和|C|個神經(jīng)元,每一個全連接層后都有概率為0.5的Dropout函數(shù),最后輸出層是回歸層。

        ResNet網(wǎng)絡(luò)改進(jìn)的殘差單元有兩個優(yōu)點:首先,大多數(shù)ResNet網(wǎng)絡(luò)都包含池化層,這是一種下采樣的形式,不同于傳統(tǒng)方式,本文的殘差單元輸出尺寸與采樣信道矩陣大小相同,目的是細(xì)化而不是降維;其次,殘差單元中的快捷連接(Shortcut Connections,ShortCut)直接將數(shù)據(jù)傳遞到后面的層,避免了多重非線性堆積引起的梯度消失問題。圖3對比了ResNet神經(jīng)網(wǎng)絡(luò)在不同殘差單元下的性能,其中,LIS設(shè)置為64×64(N=4 096) 根天線的均勻平面陣,信道路徑數(shù)設(shè)置為1,有源元件數(shù)目設(shè)置為8。實驗結(jié)果表明,ResNet網(wǎng)絡(luò)設(shè)置2個殘差單元時具有良好的性能,進(jìn)一步增加殘差單元并不能顯著提高學(xué)習(xí)效果,而且增加了計算的復(fù)雜度。

        圖3 殘差單元對ResNet神經(jīng)網(wǎng)絡(luò)的影響

        由于預(yù)測的最佳反射波束向量φn*具有最高可實現(xiàn)速率Rn*,所以選擇回歸損失函數(shù)對模型進(jìn)行訓(xùn)練,損失函數(shù)f(θ)表示為

        (8)

        3 仿真分析

        3.1 仿真參數(shù)設(shè)置

        本文采用Matlab2018b在具有單個GPU和64位操作系統(tǒng)的環(huán)境中完成仿真。通過DeepMIMO數(shù)據(jù)集來生成基于室外光線跟蹤場景“O1”的信道[23],其中,在光線跟蹤場景中,基站和用戶使用全向或準(zhǔn)全向天線,還有3號基站為LIS。表1總結(jié)了DeepMIMO數(shù)據(jù)集參數(shù)。產(chǎn)生的數(shù)據(jù)集有36 200個數(shù)據(jù)點,將數(shù)據(jù)集分成兩組,即訓(xùn)練集和測試集,分別占85%和15%。為了評估解決方案在毫米波場景下的性能,設(shè)置載波頻率為28 GHz,表2為ResNet和MLP神經(jīng)網(wǎng)絡(luò)參數(shù)對比。

        表1 DeepMIMO 數(shù)據(jù)集

        表2 ResNet和MLP神經(jīng)網(wǎng)絡(luò)參數(shù)

        3.2 仿真結(jié)果

        圖4對比了ResNet和MLP神經(jīng)網(wǎng)絡(luò)在LIS部署不同天線數(shù)時的性能,LIS采用均勻平面陣,分別設(shè)置為32×32(N=1 024)和64×64(N=4 096)根天線,其中有源元件設(shè)置為8個,信道路徑數(shù)為1。由圖4可得,ResNet網(wǎng)絡(luò)在數(shù)據(jù)集為10 000時,已經(jīng)逼近于完美CSI下最高可實現(xiàn)速率,而MLP需要數(shù)據(jù)集為30 000時才能實現(xiàn),ResNet和MLP相應(yīng)的訓(xùn)練時間和預(yù)測時間如表3所示,其中,ResNet的訓(xùn)練時間和預(yù)測時間都低于MLP。隨著LIS天線數(shù)量的增大,MLP網(wǎng)絡(luò)的可實現(xiàn)速率收斂速度明顯降低,而ResNet網(wǎng)絡(luò)只需要獲取少量的數(shù)據(jù)集進(jìn)行訓(xùn)練就可以準(zhǔn)確找出最佳反射波束,快速逼近其最高可實現(xiàn)速率,減少了訓(xùn)練開銷,提高了訓(xùn)練效率。

        圖4 LIS的天線數(shù)量對ResNet和MLP神經(jīng)網(wǎng)絡(luò)的影響

        表3 ResNet和MLP訓(xùn)練和預(yù)測時間對比

        圖5給出了有源元件數(shù)量對ResNet神經(jīng)網(wǎng)絡(luò)和MLP神經(jīng)網(wǎng)絡(luò)的影響,其中,LIS設(shè)置為64×64(N=4 096) 根天線的均勻平面陣,信道路徑數(shù)設(shè)置為1,有源元件數(shù)目分別設(shè)置為2、4、8。由仿真曲線可知,LIS采用相同有源元件時,ResNet神經(jīng)網(wǎng)絡(luò)可實現(xiàn)速率優(yōu)于MLP神經(jīng)網(wǎng)絡(luò),采用不同有源元件時,ResNet神經(jīng)網(wǎng)絡(luò)只需要4個有源元件已經(jīng)可以逼近完美CSI下的最高可實現(xiàn)速率,而MLP神經(jīng)網(wǎng)絡(luò)需要8個有源元件才能實現(xiàn)。對比MLP神經(jīng)網(wǎng)絡(luò),ResNet神經(jīng)網(wǎng)絡(luò)只需要更少的有源元件便可以逼近最高可實現(xiàn)速率,大幅度提高了LIS系統(tǒng)的能量效率。

        圖5 有源元件對ResNet和MLP神經(jīng)網(wǎng)絡(luò)影響

        圖6給出了信道路徑對ResNet神經(jīng)網(wǎng)絡(luò)和MLP神經(jīng)網(wǎng)絡(luò)的影響,LIS設(shè)置為64×64(N=4 096) 根天線的均勻平面陣,其中,有源元件設(shè)置為4個,信道路徑數(shù)分別設(shè)置為1、2、5。從圖中可以看出,隨著信道路徑增加,信道變得更加豐富,ResNet神經(jīng)網(wǎng)絡(luò)的可實現(xiàn)速率并沒有下降,相比MLP神經(jīng)網(wǎng)絡(luò)表現(xiàn)出更強的魯棒性,適用于不同徑數(shù)的信道模型。

        圖6 信道路徑對ResNet和MLP神經(jīng)網(wǎng)絡(luò)影響

        4 結(jié) 論

        本文研究了LIS協(xié)助毫米波系統(tǒng)中聯(lián)合信道估計和反射波束設(shè)計問題,通過混合LIS框架中少量的有源元件估計出采樣信道向量;然后,基于ResNet神經(jīng)網(wǎng)絡(luò)模型去學(xué)習(xí)采樣信道向量和反射波束向量的映射關(guān)系,預(yù)測最佳反射波束及其相應(yīng)的最高可實現(xiàn)速率;最后,采用最佳反射波束傳輸數(shù)據(jù)。實驗結(jié)果表明,本文提出的ResNet神經(jīng)網(wǎng)絡(luò)對于信道路徑增加表現(xiàn)出更強的魯棒性,而且只需要少量的數(shù)據(jù)集和有源元件就能快速準(zhǔn)確找出最佳反射波束向量,逼近完美CSI的最高可實現(xiàn)速率,進(jìn)一步降低了LIS系統(tǒng)的訓(xùn)練開銷。

        猜你喜歡
        波束殘差信道
        基于雙向GRU與殘差擬合的車輛跟馳建模
        基于殘差學(xué)習(xí)的自適應(yīng)無人機(jī)目標(biāo)跟蹤算法
        基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率重建
        毫米波大規(guī)模陣列天線波束掃描研究*
        圓陣多波束測角探究
        電子測試(2018年6期)2018-05-09 07:31:54
        Helix陣匹配場三維波束形成
        基于導(dǎo)頻的OFDM信道估計技術(shù)
        一種改進(jìn)的基于DFT-MMSE的信道估計方法
        平穩(wěn)自相關(guān)過程的殘差累積和控制圖
        河南科技(2015年8期)2015-03-11 16:23:52
        基于非正交變換的局域波束空時自適應(yīng)處理
        国产毛片三区二区一区| 午夜福利麻豆国产精品| 日本高清一区二区三区水蜜桃| 日本韩国三级aⅴ在线观看| 精品一区二区三区a桃蜜| 国产区精品一区二区不卡中文 | 久久露脸国产精品| 久久久久国产一级毛片高清版A | 国产精品嫩草影院AV| 国产日产久久福利精品一区| 日本a级黄片免费观看| а√天堂资源官网在线资源 | 国产男女免费完整视频| 亚洲黄视频| 久草久热这里只有精品| 国产精品美女久久久网站三级| 蜜桃久久精品成人无码av| 日韩精品久久久一区 | 国产一区二区三区最新地址| 亚洲人成人无码www影院| 性夜夜春夜夜爽aa片a| 精品午夜一区二区三区| 亚洲精品一区二区三区52p| 夜夜揉揉日日人人青青| 可以免费观看的毛片| 人妻熟女中文字幕在线视频| 午夜视频在线观看一区二区小| 日本aⅴ大伊香蕉精品视频| 亚洲色图视频在线观看网站 | av高清在线不卡直播| 亚洲成a∨人片在无码2023| 青春草在线视频精品| 日日麻批免费高清视频| 天天爽夜夜爽人人爽一区二区 | 精品无码日韩一区二区三区不卡| 人妻无码中文专区久久综合| 亚洲av色精品国产一区二区三区| 国产精品无码素人福利不卡| 久久久久久久99精品国产片| 男女发生关系视频网站| 好大好爽我要高潮在线观看|