李中捷，韋金迎，熊吉源，高偉

（中南民族大學 a.電子信息工程學院； b.智能無線通信湖北重點實驗室， 武漢 430074）

高速無線通信的快速發(fā)展，促進了毫米波及大規(guī)模多輸入多輸出（Multiple Input Multiple Output，MIMO）天線系統(tǒng)的使用.雖然毫米波具有較高的傳輸帶寬，但是其傳播受限于嚴重的路徑損耗.為了提高毫米波通信的可靠性，一般采用大規(guī)模MIMO 天線系統(tǒng).通過配備數百個甚至數千個天線［1］，采用波束成形技術，可以顯著提高網絡傳輸的可達速率［2］.

由于傳統(tǒng)的波束成形技術具有較大的控制開銷［3-4］，因此對高速移動性用戶的傳輸可靠性提出了重大挑戰(zhàn).針對控制開銷問題，文獻［4-7］嘗試采用機器學習特別是深度學習方法作為數據驅動智能解決方案.如文獻［5］提出一種基于深度學習方法，構建高維非線性關系，通過使用微波信道預測毫米波信道最佳波束索引，但是由于輸入是高維的微波信道，該方案的時延和復雜度較高.文獻［6］中通過混合噪聲張量補全預測毫米波波束，需要對40%的離散位置進行功率測量，計算復雜度較高.文獻［7］中提出利用創(chuàng)建知識數據庫，使用過去用戶檢測內存來加快進入該區(qū)域新用戶的波束向量.由于真實環(huán)境中數據量龐大，創(chuàng)建知識數據庫會加劇計算復雜度提升，導致系統(tǒng)冗雜.以上方案均涉及到復雜度高的問題.

目前采用深度學習的大部分研究工作集中在無線感知數據上，通過無線接收數據驅動智能解決方案的學習和部署.文獻［8-9］提出一種利用激光雷達和深度圖像輔助無線通信的方案.文獻［10］提出一種基于視覺輔助的波束及阻礙預測方案，并證明該方案可行.文獻［11］提出一種深度學習協同波束成形方案，利用卷積神經網絡從多個基站接收的導頻信號中直接預測最佳波束，可以顯著減少對準開銷.文獻［12］提出一種利用車輛位置信息和多路徑指紋數據庫的波束對準方案.文獻［13］提出了一種基于RGB 和深度攝像機的主動式毫米波通信基站選擇系統(tǒng)，用于預測用戶阻塞情況.以上工作表明通過視頻圖像或用戶坐標輔助預測最佳波束可行.

為了解決移動環(huán)境下，毫米波大規(guī)模MIMO通信系統(tǒng)的可靠性傳輸問題，本文提出一種基于深度學習的視頻圖像輔助波束預測方案，提升系統(tǒng)可達速率和降低模型復雜度.該方案利用文獻［14］中的ViWi數據集，訓練學習深度神經網絡參數，用于建立通信環(huán)境中用戶圖像和最佳毫米波波束向量的非線性關系.通過基站RGB 相機采集的RGB 視頻圖像.在部署于基站的移動邊緣計算（Mobile Edge Computing，MEC）服務器上將圖像作為Faster RCNN 網絡模型［15］的輸入，進行目標檢測，并在輸出層后添加DNN 神經網絡模塊預測毫米波下行鏈路的波束向量.仿真結果表明：本文算法和基線算法相比，能夠顯著降低模型復雜度，且趨近于最優(yōu)的可達速率.

1 系統(tǒng)模型

圖1所示為高速移動環(huán)境下的毫米波無線通信系統(tǒng)模擬圖.基站部署了MEC服務器，并配置毫米波大規(guī)模天線陣列和RGB相機，移動用戶配置單天線.大規(guī)模天線陣列采用平面陣列（Uniform Linear Array，ULA），總天線數量為Nr.基站RGB 相機拍攝覆蓋范圍內的通信環(huán)境圖像，上傳到MEC 服務器進行處理.該系統(tǒng)采用正交頻分復用（Orthogonal Frequency Division Multiplexing，OFDM）技術，基站與移動用戶毫米波信道定義為：

圖1 毫米波MIMO通信系統(tǒng)模擬圖Fig. 1 Simulation diagram of millimeter wave MIMO communication system

式中：L是信道路徑數，K是子載波個數，p是余弦脈沖整形函數，a是陣列響應向量，a?，τ?，θ?，φ?分別是第?信道路徑的路徑增益（包括路徑損耗）、延遲、到達方位角和仰角，TS為采樣時間，D為循環(huán)前綴長度（假設最大延遲小于DTS）.

假設毫米波基站大規(guī)模MIMO 天線系統(tǒng)采用模擬波束成形架構，每個波束成形向量f的波束成形權重由恒模移相器實現.毫米波下行鏈路波束成形向量從碼本中選取，其中碼本定義為：

第n個波束成形向量定義為：

式中：d是天線間距，ωn是轉向角，a(ωn)是在ωn方向上的陣列轉向向量，Nr是天線數量.

將F中的波束成形向量索引定義為：

波束向量是通過索引I選取波束碼本中所對應的向量，得到最佳波束向量f*.將該波束向量用于下行數據傳輸，則用戶接收的信號表示為：

式中：h∈CNr×K為毫米波信道，s為傳輸信號，n～NC(0，σ2)為高斯噪聲樣本.

2 圖像輔助波束預測深度學習方案

本文提出的圖像輔助毫米波波束預測深度學習方案，采用目標檢測方法定位通信環(huán)境中移動用戶的位置，根據檢測出的用戶坐標預測最佳波束向量，實現毫米波下行鏈路的可靠性傳輸.該方案中波束預測是基于碼本的選擇，找到為用戶服務的最佳波束向量f*，從而使該用戶下行鏈路的平均可達速率Ru(h，f*) ∈R+最大化.毫米波下行鏈路可達速率定義為：

圖2所示為圖像預測最佳波束向量的神經網絡模型，采用Faster RCNN 模型識別圖像中用戶坐標，流程圖如圖2Faster RCNN 模塊所示：（1）首先將基站捕獲的圖像上傳到MEC 服務器；（2）MEC 服務器將上傳的圖像輸入到Faster RCNN 的主干網絡提取特征得到特征圖；（3）通過區(qū)域選取結構生成檢測的候選框，將生成的候選框投影到特征圖上獲得相應的特征矩陣；（4）每個特征矩陣通過池化層縮放到7×7大小的特征圖；（5）最后將特征圖展平通過一系列全連接層得到預測結果和邊界框回歸參數，將預測邊界框中心化輸出為用戶坐標.其中深度學習損失函數定義為：

圖2 圖像輔助毫米波波束預測流程圖Fig.2 Image assisted millimeter wave beam prediction flowchart

其中Lcls（Lreg）表示針對用戶分類和用戶定位的損失函數.

圖2DNN 網絡模塊所示為預測用戶坐標與最佳波束向量的非線性關系，其中網絡結構有兩個主要部分，即基礎網絡和分類層.（1）基本網絡：該網絡包括4 層全連接層，每層都具有1024 個神經單元.每層全連接層采用ReLU 非線激活函數，并添加失活函數Dropout 防止模型過擬合.相比較文獻［5］選取5 層全連接層，每層具有2048 個神經單元，本文所提出的網絡架構復雜度顯著降低.（2）分類層：本文選用Softmax 用來對基本網絡層的輸出進行分類.通過輸出碼本對應索引的概率分布P={p1，....，pB}，選取最大概率的元素作為波束向量索引，定義為：

為了使網絡訓練達到更好的擬合效果，本文對所預測用戶坐標進行歸一化預處理.采用離差標準化，使得用戶坐標矩陣的值映射在［0，1］之間，這樣不僅能夠加快梯度下降求最優(yōu)解的速度，同時能夠提高訓練精度.波束預測數據集標簽構造，通過預測的用戶坐標的獨熱編碼向量與通過公式（6）窮舉算法所得最佳波束成形向量的索引相對應來實現.數據集準備好之后，訓練神經網絡模型的損失函數最小化交叉熵定義為：

其中t=[t1，...，tD]是目標獨熱編碼向量，pd代表神經網絡預測的輸入用戶坐標屬于dth的概率.

3 仿真分析

本文采用文獻［14］的ViWi 數據集進行仿真實驗，研究基于深度學習圖像輔助波束預測方案的性能.該數據集是一個室外場景，其中包含RGB圖像和mmWave信道，描述一輛汽車行駛在城市街道.在基站上配備毫米波天線和具有100°視野的攝像機.BS的高度設置為5 m（不考慮遮擋情況），汽車共有五個軌跡可直線行走，每個軌跡長100 m，并具有1000個等距點.通過labelImg 軟件標注生成目標檢測訓練集和測試集，對于波束預測設定參數如表1.

表1 波束預測信道生成參數Tab.1 Beam prediction channel generation parameters

在本小節(jié)中，使用文獻［14］數據集通過Faster RCNN 網絡從圖像中預測的用戶坐標，研究基于用戶坐標預測毫米波波束方案性能.以及評估m(xù)mWave天線陣列規(guī)模大小對預測性能的影響，并將文獻［5］作為基線算法進行對比.

圖3 表示在基站天線數為32，SNR=20 dB 時，不同數據集大小的情況下，參考文獻［5］，選取Top-1和Top-3作為波束預測精度評判標準，其中x軸表示數據集大小的百分比，y軸表示模型預測準確率.Top-1 定義為預測概率最大的波束向量，Top-3 定義為預測概率前三的波束向量.由圖3可見：當使用全部數據集進行訓練時，Top-1 和Top-3 分別達到77%和99%，當訓練集大小在40%時就十分接近理想狀態(tài).圖4 表示在基站天線數32 時，不同SNR 情況下預測的Top-1 和Top-3 最佳波束向量通過公式（6）計算得到的可達速率.由圖4 中可見，Top-1 的準確度已經可以接近理論上限可達速率.上述結果表明通過深度神經網絡可以由用戶坐標有效地預測毫米波波束向量.

圖3 訓練集大小對準確率的影響Fig. 3 Effect of training set size on accuracy

圖4 信噪比對Top-1和Top-3可達速率的影響Fig. 4 Effect of SNR on Top-1 and Top-3 reachable rates

圖5表示基站毫米波天線陣列數為4、16、32、64和128時，SNR 對Top-1評價標準下平均可達速率的影響.由圖5 可見：小規(guī)模天線陣列的情況下（如天線陣列數為4時），Top-1可達數率幾乎接近理論上限.隨著天線陣列數量的增加，Top-1 可達速率性能出現下降，這是因為當天線數增加時，波束分類的數量也相應增加，導致分類的準確度下降，從而影響波束預測的性能.因此對于大規(guī)模天線陣列應適當增加計算復雜度，提高預測的準確性，如選取Top-3 作為評價標準，通過預測的三個波束向量選擇可達速率最高的波束，作為天線陣列的最佳波束向量.圖6表示在天線陣列數為64 和128 時，SNR 對Top-3 標準下可達速率的影響.對比圖5 和圖6 可知：與Top-1相比，Top-3的可達速率更接近理論上限.

圖5 天線陣列數為4、16、32、64、128時，信噪比對Top-1可達速率的影響Fig. 5 Effect of SNR on Top-1 reach rate with the number of antenna arrays of 4， 16， 32， 64， 128

圖6 天線陣列數為64、128時信噪比對Top-3可達速率的影響Fig. 6 Effect of SNR on the achievable rate of Top-3 with the number of antenna arrays of 64 and 128

由于碼本和系統(tǒng)存在差異，為了更好和其它波束成形方案進行比較，本文選擇可達速率差值，模型參數量和模型大小作為評判標準，其中可達速率差值定義為：

式中：R(hmmW，f)upper 為系統(tǒng)理論最優(yōu)平均可達速率，R(hmmW，f*)pre為所提方案的平均可達速率.

圖7表示不同天線陣列數量下不同模型參數量和大小的比較，x軸表示天線陣列數量，左y軸表示參數數量，右y軸表示參數大小.圖7 中比較了本文方案和基線算法的復雜度.由圖7 中可見：在16 天線數量下，基線算法模型參數數量相當于本文方法的8.2倍；在32天線數量下，本文方法的模型大小是基線算法的1/8 大小.這表明本文方法在復雜度方面遠低于基線算法.

圖7 不同天線下模型參數數量和大小的比較Fig. 7 Comparison of the number and size of model parameters under different antennas

表2所示為在不同規(guī)模天線陣列和SNR的情況下，本文所提方案和基線算法平均可達速率差值的比較結果.由表2 可見本文所提方案預測性能更接近系統(tǒng)最優(yōu).當天線數為64，SNR=-10 dB 時，本文所提方案的可達速率差值相比基線算法降低了98.76%.當天線數為64，SNR=20 dB 時，本文方案的可達速率差值相比基線算法降低了62.71%.仿真結果表明，本文的方案在大規(guī)模天線陣列和低信噪比的情況下性能更加優(yōu)越.

表2 天線陣列數4、16和64時基于信噪比的平均可達速率差值Tab. 2 Average achievable rate difference based on SNR for antenna array numbers of 4 and 64

4 結語

本文首先提出采用Faster RCNN 模型檢測通信環(huán)境中用戶具體坐標，并通過用戶坐標預測出最佳波束的思想.實驗證明通信環(huán)境中用戶圖像與最佳波束向量的非線性關系能夠通過深度神經網絡學習來獲得，基于圖像輔助能夠快速準確的進行毫米波波束預測，滿足高速移動環(huán)境下毫米波的可靠性通信需求.仿真結果表明，采用本文方案的用戶通信可達速率可以逼近系統(tǒng)理論上限.與文獻［5］方案相比，在大規(guī)模天線陣列和低信噪比的情況下，本方案具有顯著優(yōu)勢.未來可考慮將該方案應用于無人機地面通信應用場景，無人機通過捕獲視覺數據，可用于識別地面終端的位置與分布，從而進行功率分配和位置追蹤等.