大规模MIMO模拟域波束选择方法、装置、设备及存储介质与流程

本申请实施例涉及通信，特别是涉及一种大规模mimo模拟域波束选择方法、装置、设备及存储介质。

背景技术：

1、基于固定码本的模拟域预编码技术主要是利用多天线阵列来实现的。多天线阵列技术通过控制每个天线阵元的相位权重来形成不同的模拟域预编码矩阵，从而产生不同角度的模拟域波束。然而，在实际的通信系统中，随着用户位置的固定，基站和用户间的传输方向就变得确定，这也就意味着发射端只需要采用某个特定方向的波束进行发送，而接收端采用特定方向的波束进行接收就可以很好地满足系统的通信需求。因此，当收发两端均形成有多个模拟域波束时，为了降低发送端的功率损耗、提升系统的传输效率，选择一个最好的模拟域波束对(即确定一对最优的模拟域预编码矩阵)进行传输就显得尤为重要。

2、现有技术中，主要波束选择方法是对模拟域码本进行码本扫描，也就是通过穷举的方式对最佳波束对进行确定，穷举搜索是一种执行蛮力的波束搜寻机制，通过对所有波束对组合采用全局搜索的方式来确定最优传输波束对。图1是现有技术中穷举搜索过程的示意图，如图1所示，假设服务基站b中包含m个波束，而用户i含有n个接收波束，那么波束对组合即为m*n个组合。穷举搜寻过程如图1所示，基站端依次利用其m个发送波束向用户i重复发送参考信号；对于每个发送波束，基站b将在不同时隙里依次向用户i的每一个接收波束发送参考信号，然后用户i依据某种波束选择的准则(如最大信噪比准则)，选出当前发送波束下最好的接收波束并反馈给其服务基站；在扫描完所有的发送波束，即遍历完所有的波束对后，便可以确定一对最优的波束对用于传输。

3、对于全遍历的穷举式波束搜寻算法，其性能受到天线阵元数量和模拟域波束个数的严重影响；当天线阵元的规模较小且模拟域波束数量不多时，这种搜寻算法的搜索速度较快、复杂度较低，且能达到最优的系统性能。但对于毫米波大规模(massive)天线系统来说，由于收发两端的模拟域波束对较多，全遍历波束搜索势必会带来较高的复杂度，使得波束选择效率低下。

技术实现思路

1、本申请实施例提供一种大规模mimo模拟域波束选择方法、装置、设备及存储介质，有助于提高大规模mimo系统中波束选择效率。

2、为了解决上述问题，第一方面，本申请实施例提供了一种大规模mimo模拟域波束选择方法，包括：

3、根据目标基站的发射天线阵列信息和用户的接收天线阵列信息，确定多组模拟预编码矩阵，每组所述模拟预编码矩阵包括接收端模拟预编码矩阵和发送端模拟预编码矩阵；

4、根据多组模拟预编码矩阵和目标信道模型，确定多个等效信道矩阵，每个所述等效信道矩阵对应一组所述模拟预编码矩阵；

5、将所述多个等效信道矩阵输入训练完成的卷积神经网络模型，通过所述卷积神经网络模型基于目标波束选择准则从所述多个等效信道矩阵中选择目标模拟预编码矩阵，所述卷积神经网络模型的网络结构是基于差分进化算法确定的，所述差分进化算法中的变异算子基于圆弧函数进行控制。

6、第二方面，本申请实施例提供了一种大规模mimo模拟域波束选择装置，包括：

7、模拟码本确定模块，用于根据目标基站的发射天线阵列信息和用户的接收天线阵列信息，确定多组模拟预编码矩阵，每组所述模拟预编码矩阵包括接收端模拟预编码矩阵和发送端模拟预编码矩阵；

8、等效信道确定模块，用于根据多组模拟预编码矩阵和目标信道模型，确定多个等效信道矩阵，每个所述等效信道矩阵对应一组所述模拟预编码矩阵；

9、波束选择模块，用于将所述多个等效信道矩阵输入训练完成的卷积神经网络模型，通过所述卷积神经网络模型基于目标波束选择准则从所述多个等效信道矩阵中选择目标模拟预编码矩阵，所述卷积神经网络模型的网络结构是基于差分进化算法确定的，所述差分进化算法中的变异算子基于圆弧函数进行控制。

10、第三方面，本申请实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例所述的大规模mimo模拟域波束选择方法。

11、第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请实施例公开的大规模mimo模拟域波束选择方法的步骤。

12、本申请实施例提供的大规模mimo模拟域波束选择方法、装置、设备及存储介质，通过根据目标基站的发射天线阵列信息和用户的接收天线阵列信息，确定多组模拟预编码矩阵，根据多组模拟预编码矩阵和目标信道模型，确定多个等效信道矩阵，通过卷积神经网络模型基于目标波束选择准则从多个等效信道矩阵中选择目标模拟预编码矩阵，对于毫米波大规模天线系统也可以通过卷积神经网络模型快速确定目标模拟预编码矩阵，从而提高了大规模mimo系统中的波束选择效率，而且由于卷积神经网络模型的网络结构是基于差分进化算法确定的，使得卷积神经网络结构的搭建更具智能性，而且可以提高卷积神经网络模型的预测准确率。

1.一种大规模mimo模拟域波束选择方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，在所述将所述多个等效信道矩阵输入训练完成的卷积神经网络模型之前，还包括：

3.根据权利要求2所述的方法，其特征在于，所述根据所述最优个体，基于圆弧函数控制的变异算子对所述当前种群进行变异操作，得到临时解，包括：

4.根据权利要求3所述的方法，其特征在于，所述根据所述变异算子和所述奇数个个体，对所述目标个体和所述最优个体执行变异操作，得到所述临时解中的一个个体，包括：

5.根据权利要求3或4所述的方法，其特征在于，所述根据当前迭代次数和最大迭代次数，确定所述变异算子，包括：

6.根据权利要求2-4任一项所述的方法，其特征在于，所述对所述临时解和所述当前种群进行交叉操作，得到新解，包括：

7.根据权利要求6所述的方法，其特征在于，所述根据当前迭代次数和最大迭代次数，确定交叉算子，包括：

8.根据权利要求2-4任一项所述的方法，其特征在于，所述根据所述当前种群和所述新解，确定下一代种群，包括：

9.根据权利要求8所述的方法，其特征在于，所述根据所述当前种群中每个个体的适应度函数值和所述新解中每个个体的适应度函数值，生成临时下一代种群，包括：

10.一种大规模mimo模拟域波束选择装置，其特征在于，包括：

11.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9任意一项所述的大规模mimo模拟域波束选择方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至9任意一项所述的大规模mimo模拟域波束选择方法的步骤。