一种基于深度学习的大规模MIMO-OTFS波束成形设计方法
技术特征：
1.一种基于深度学习的大规模mimo-otfs波束成形设计方法，其特征在于，包括下列步骤：
2.根据权利要求1所述的一种基于深度学习的大规模mimo-otfs波束成形设计方法，其特征在于，所述步骤1具体过程是：将大小为m×n的时延多普勒信号x通过符号交织器和矢量化处理，得到dd域信号再经过辛有限傅里叶逆变换isfft和海森堡变换，实现otfs调制，得到时域信号流其表达式为：
3.根据权利要求1所述的一种基于深度学习的大规模mimo-otfs波束成形设计方法，其特征在于，所述步骤2具体包括：步骤1所发射的mimo-otfs信号由多径信道进行传输，经过第nt个发送天线和第nr个接收天线的时域多径信道可表示为一个mn×mn的矩阵：
4.根据权利要求1所述的一种基于深度学习的大规模mimo-otfs波束成形设计方法，其特征在于，所述步骤3为了适应高频段的mimo-otfs系统，采用频谱效率se作为优化目标，se表示为：
5.根据权利要求1所述的一种基于深度学习的大规模mimo-otfs波束成形设计方法，其特征在于，所述步骤4中obnn包括输入层、一维卷积神经网络1dcnn、门控残差网络grn、注意力机制、lambda层和输出层。
6.根据权利要求5所述的一种基于深度学习的大规模mimo-otfs波束成形设计方法，其特征在于，所述步骤4中离线训练具体过程如下：
技术总结
本发明涉及一种基于深度学习的大规模MIMO‑OTFS波束成形设计方法，属于无线通信技术领域。设计了一种优化的波束成形神经网络OBNN，并以最大化频谱效率为优化目标对MIMO‑OTFS系统波束形成矩阵进行设计，基站将时延多普勒域信号经过OTFS调制后由大规模天线发送，用户在OTFS接收端基于导频符号进行信道估计，将信道估计值和SNR值作为OBNN的输入，通过最小化损失函数进行模型学习，从而获得最优波束形成器权重。本发明优点是利用OTFS调制对多普勒频移的强鲁棒性，适应高移动性通信环境，通过深度学习能够确保损失函数收敛至局部最优，利用预训练权重适应信道估计误差与其他神经网络方法相比，其频谱效率具有显著提升。
技术研发人员：姜宏,董博,许明勋,张敬涛,聂新礼,郑惠明,李启,许然,王森
受保护的技术使用者：吉林大学
技术研发日：
技术公布日：2024/12/2
文档序号 :
【 40200834 】
技术研发人员：姜宏,董博,许明勋,张敬涛,聂新礼,郑惠明,李启,许然,王森
技术所有人：吉林大学
备 注：该技术已申请专利，仅供学习研究，如用于商业用途，请联系技术所有人。
声 明 ：此信息收集于网络，如果你是此专利的发明人不想本网站收录此信息请联系我们，我们会在第一时间删除
技术研发人员：姜宏,董博,许明勋,张敬涛,聂新礼,郑惠明,李启,许然,王森
技术所有人：吉林大学
备 注：该技术已申请专利，仅供学习研究，如用于商业用途，请联系技术所有人。
声 明 ：此信息收集于网络，如果你是此专利的发明人不想本网站收录此信息请联系我们，我们会在第一时间删除