公开(公告)号：CN114844537B

公开(公告)日：2024-02-02

申请号：CN202210473641.3

申请日：2022-04-29

Applicant: 东南大学

Inventor： 王闻今 ,  卢冠行 ,  周华鹏 ,  李云迪 ,  王亚飞

IPC: H04B7/0413 ,  H04B7/0426 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了深度学习辅助的大规模MIMO下行传输鲁棒收发联合波束赋形方法，其中发送端(基站)基于各接收端(用户端)的不完美信道状态信息，在一定的发送功率和服务质量约束下，以低复杂度获得移动性增强信道下的最优发送端和接收端的波束赋形向量。首先，基于信道矩阵特征值分解的启发式算法计算接收端的波束赋形方向向量；接着，通过预训练的深度神经网络结构从信道矩阵中直接预测出最优拉格朗日乘子；最后，利用最优解结构分别求解发送端波束赋形向量方向和功率，并将发送功率约束引入发送端波束赋形功率线性方程组，计算出最优鲁棒因子。本发明能够在保持较低在线阶段复杂度的同时，实现适应移动性增强信道的鲁棒联合波束赋形。

公开(公告)号：CN114844537A

公开(公告)日：2022-08-02

申请号：CN202210473641.3

申请日：2022-04-29

Applicant: 东南大学

Inventor： 王闻今 ,  卢冠行 ,  周华鹏 ,  李云迪 ,  王亚飞

IPC: H04B7/0413 ,  H04B7/0426 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了深度学习辅助的大规模MIMO下行传输鲁棒收发联合波束赋形方法，其中发送端(基站)基于各接收端(用户端)的不完美信道状态信息，在一定的发送功率和服务质量约束下，以低复杂度获得移动性增强信道下的最优发送端和接收端的波束赋形向量。首先，基于信道矩阵特征值分解的启发式算法计算接收端的波束赋形方向向量；接着，通过预训练的深度神经网络结构从信道矩阵中直接预测出最优拉格朗日乘子；最后，利用最优解结构分别求解发送端波束赋形向量方向和功率，并将发送功率约束引入发送端波束赋形功率线性方程组，计算出最优鲁棒因子。本发明能够在保持较低在线阶段复杂度的同时，实现适应移动性增强信道的鲁棒联合波束赋形。