基于神经网络的发送端优化处理技术
作者单位:北京邮电大学
学位级别:硕士
导师姓名:董超
授予年度:2020年
学科分类:080904[工学-电磁场与微波技术] 12[管理学] 0809[工学-电子科学与技术(可授工学、理学学位)] 08[工学] 0810[工学-信息与通信工程] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080402[工学-测试计量技术及仪器] 0804[工学-仪器科学与技术] 081001[工学-通信与信息系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
主 题:预编码 功率分配 深度学习 Massive MIMO
摘 要:发送端优化处理技术能够有效改善通信系统性能,是无线通信必不可少的一个环节。发送端优化处理技术通常都涉及到迭代运算,当天线数量增多时,发送端优化处理技术的复杂度会随之变高,大规模多输入多输出技术(Massive MIMO)的广泛使用给传统发送端优化处理技术提出了新的挑战。利用深度学习实现Massive MIMO技术中的发送端优化处理,是解决发送端优化处理的一个重要方法。发送端优化处理技术包含发送端功率分配技术和预编码技术,本文将在这两个方面进行研究。为降低功率分配算法的复杂度,本文将利用神经网络完成注水功率分配,以降低注水功率算法的迭代次数。本文提出一种深度学习框架,通过神经网络选择注水流数,从而可以求得单用户MIMO的功率分配协方差矩阵。对多用户MIMO,通过经典的迭代注水算法与基于神经网络的单用户注水功率分配结合,能够较好的逼近多用户MIMO的功率分配协方差矩阵。仿真结果表明:该深度学习框架能够很好地逼近单用户MIMO和多用户MIMO的注水功率分配,此外,对天线数目和信噪比具有良好的鲁棒性。预编码矩阵的获得一般需要进行求逆操作,近年来,为降低Massive MIMO预编码的复杂度,可通过迭代方法对发送信号进行预编码,本文将通过神经网络近似这种迭代过程,并能够获得较高的近似程度。因此,本文是将发送端优化处理技术与深度学习结合起来,降低优化处理技术的复杂度,并能够获得较好的系统性能。