龍 懇，王亞領(lǐng)，陳 興，王 奕，譚路垚

(重慶郵電大學(xué) 通信與信息工程學(xué)院，重慶 400065)

0 引 言

目前，毫米波大規(guī)模多輸入多輸出(Multiple-Input Multiple-Output,MIMO)的瓶頸問(wèn)題是如何快速準(zhǔn)確地獲取上行信道和下行信道的信道狀態(tài)信息。近幾年來(lái)，深度學(xué)習(xí)已經(jīng)成功應(yīng)用于無(wú)線通信系統(tǒng)，例如毫米波信道估計(jì)[1]、信道狀態(tài)信息反饋與信號(hào)檢測(cè)等。對(duì)于信道估計(jì)，深度學(xué)習(xí)方法尚未得到全面的研究，尤其是在毫米波大規(guī)模MIMO系統(tǒng)中。

傳統(tǒng)的信道估計(jì)主要分為時(shí)域信道估計(jì)和頻域信道估計(jì)。文獻(xiàn)[2]研究了時(shí)分雙工(Time Division Duplexing,TDD)模式下毫米波大規(guī)模MIMO訓(xùn)練序列設(shè)計(jì)和信道估計(jì)優(yōu)化算法，在提高估計(jì)精度的同時(shí)降低訓(xùn)練開(kāi)銷和算法復(fù)雜度。如何快速高效地獲取下行信道狀態(tài)信息成為了當(dāng)前硏究的主要熱點(diǎn)。為了解決系統(tǒng)信道估計(jì)問(wèn)題，現(xiàn)有文獻(xiàn)多釆用了閉環(huán)的信道估計(jì)結(jié)構(gòu)[3]或者基于稀疏壓縮感知的信道表示方法[4]，通過(guò)利用信道矩陣的空時(shí)相關(guān)特性來(lái)減小有效信道維數(shù)。然而這些方法仍然依賴于高維的信道統(tǒng)計(jì)信息，因此訓(xùn)練和反饋開(kāi)銷仍然龐大。文獻(xiàn)[5]提出了一種基于波束訓(xùn)練的信道跟蹤算法，克服了文獻(xiàn)[6]中幾何模型對(duì)信道跟蹤的限制。簡(jiǎn)而言之，如何根據(jù)毫米波大規(guī)模MIMO天線的架構(gòu)特征和特殊的信道特性，設(shè)計(jì)普適于時(shí)分雙工/頻分雙工系統(tǒng)的準(zhǔn)確高效的信道估計(jì)算法是提升毫米波大規(guī)模MIMO系統(tǒng)頻譜有效率和能量效率的關(guān)鍵所在[7]。毫米波大規(guī)模MIMO系統(tǒng)相比于傳統(tǒng)的MIMO系統(tǒng)，在天線架構(gòu)和信道建模方面有著很大的不同。天線數(shù)量的增多使得信道估計(jì)、預(yù)編碼設(shè)計(jì)、信號(hào)檢測(cè)等方面的計(jì)算復(fù)雜度都大大增加，系統(tǒng)效率的提升是目前所面臨的難題。因此，必須設(shè)計(jì)低開(kāi)銷、低復(fù)雜度的算法來(lái)克服毫米波大規(guī)模MIMO系統(tǒng)所帶來(lái)的這些問(wèn)題。

本文提出一種新穎的集成深度學(xué)習(xí)協(xié)調(diào)波束成形(Deep Learning Coordinated Beamforming,DLCBF)解決方案來(lái)代替?zhèn)鹘y(tǒng)方法估計(jì)下行信道，通過(guò)訓(xùn)練學(xué)習(xí)上行鏈路獲取下行鏈路的波束成形向量信息。采用多個(gè)基站同時(shí)對(duì)一個(gè)終端考慮非完美信道下(多普勒頻移、電磁屏蔽、物體周圍路徑損耗、終端移動(dòng)速度等)協(xié)調(diào)多個(gè)基站(Base Station,BS)波束成形，解決BS與移動(dòng)用戶之間頻繁切換影響信道速率的問(wèn)題。應(yīng)對(duì)時(shí)變場(chǎng)景，使訓(xùn)練模型具有高魯棒性，而且本文方案在頻段適用方面具有較強(qiáng)的兼容性。仿真結(jié)果表明，所提出的DLCBF與傳統(tǒng)的毫米波波束成形策略相比有更高的頻譜效率(接近上限)，并且比現(xiàn)有的傳統(tǒng)方案具有更好的性能。

1 系統(tǒng)模型與問(wèn)題描述

1.1 系統(tǒng)模型

如圖1的毫米波通信系統(tǒng)，有N個(gè)BS同時(shí)服務(wù)于同一個(gè)終端(Terminal,TE)，每個(gè)BS都有M個(gè)天線，且所有的BS都連接到云服務(wù)器端。此處只考慮每個(gè)BS只有一個(gè)射頻(Radio Frequency,RF)鏈路，并且使用移相器網(wǎng)絡(luò)應(yīng)用模擬波束成形。為簡(jiǎn)單起見(jiàn)，假設(shè)用戶只有一個(gè)天線，但是開(kāi)發(fā)的算法和研究解決方案可以擴(kuò)展到多天線用戶。

圖1 毫米波波束成形系統(tǒng)模型

(1)

(2)

1.2 問(wèn)題描述

在高速移動(dòng)(High Speed Mobile,HSM)場(chǎng)景，高速移動(dòng)的用戶會(huì)帶來(lái)不可忽略的多普勒頻移，從而導(dǎo)致了額外的載波間干擾。為了簡(jiǎn)化模型，沒(méi)有考慮來(lái)自其他單元或者其他用戶的干擾，主要考慮基站和用戶之間的信號(hào)轉(zhuǎn)換。信道模型如圖2所示。

圖2 高速移動(dòng)場(chǎng)景下MIMO信道模型

在HSM中，非視距路徑下信號(hào)信道增益較視距路徑下信號(hào)強(qiáng)度弱很多，即信道模型僅考慮視距路徑。采用L個(gè)簇的幾何寬帶信道模型[8]，每個(gè)簇(=1,2,…,L)假設(shè)為有一條有時(shí)間延遲τ∈和到達(dá)角的方位角/仰角的光線。然后，把ρn表示為終端和第n個(gè)基站之間的路徑損失，p(τ)表示為時(shí)間延遲向量。綜上所述，用戶與第n個(gè)基站之間的信道模型可以寫為

(3)

(4)

2 問(wèn)題求解

文獻(xiàn)[11]研究了一種在高速移動(dòng)情況下的MIMO系統(tǒng)的稀疏信道估計(jì)方法，極大地避免了利用時(shí)域的稀疏性來(lái)估計(jì)大量的信道系數(shù)。本文主要對(duì)移動(dòng)場(chǎng)景下設(shè)計(jì)出一種更加有效的波束成形方案降低計(jì)算復(fù)雜度，提高頻譜有效率。

如圖3所示，終端先在上行鏈路發(fā)送導(dǎo)頻信號(hào)，基站處通過(guò)全向接收模式和預(yù)定義碼本通過(guò)基站處理后發(fā)送到云端，在云處理器端訓(xùn)練出一個(gè)合適的協(xié)調(diào)波束成形模型，然后基站處只通過(guò)全向接收模式接收上行導(dǎo)頻信號(hào)即可以得到合適的下行鏈路波束向量，使系統(tǒng)有更好的頻譜有效率。

圖3 協(xié)調(diào)波束成形系統(tǒng)模型

根據(jù)上述信道模型，用戶的頻譜有效率可以表示為

(5)

(6)

(7)

即產(chǎn)生最佳頻譜有效率的波束向量為

(8)

頻譜有效率為

(9)

頻譜有效率包含了用戶移動(dòng)性對(duì)實(shí)際信道數(shù)據(jù)速率的影響。本文主要目的是研究一種較為有效的信道訓(xùn)練和波束成形的設(shè)計(jì)策略，以達(dá)到補(bǔ)償信道中多重因素的影響并最大化系統(tǒng)頻譜有效率，即最終問(wèn)題解決方案可以表示為

(10)

2.1 深度學(xué)習(xí)協(xié)調(diào)波束成形

針對(duì)傳統(tǒng)的通信系統(tǒng)，文獻(xiàn)[12]提出了一種基線協(xié)調(diào)波束成形(Baseline Coordinated Beamforming,BLCBF)解決方案。在過(guò)去幾年里機(jī)器學(xué)習(xí)開(kāi)始逐漸應(yīng)用于很多場(chǎng)景下，其優(yōu)點(diǎn)主要是能夠做出成功的預(yù)判。本文介紹毫米波系統(tǒng)下協(xié)調(diào)波束成形中機(jī)器學(xué)習(xí)的一種新穎的應(yīng)用方案，該方案具有較低的復(fù)雜度，能減小訓(xùn)練開(kāi)銷，降低延遲。

2.1.1 訓(xùn)練學(xué)習(xí)階段

(11)

(12)

然后將所有的波束成形碼本的組合信號(hào)從基站反饋到云服務(wù)器端，云服務(wù)器端根據(jù)每個(gè)RF波束成形矢量計(jì)算接收功率，并根據(jù)計(jì)算功率選擇BS的下行鏈路波束成形向量：

(13)

2.1.2 預(yù)測(cè)階段

將波束訓(xùn)練導(dǎo)頻序列時(shí)間表示為Tp，頻譜有效率表示為

(14)

系統(tǒng)依賴于訓(xùn)練的深度學(xué)習(xí)模型和從基站處捕獲的全向接收信號(hào)來(lái)預(yù)測(cè)RF波束成形向量。簡(jiǎn)單來(lái)說(shuō)，基站側(cè)使用全向接收每個(gè)波束相干時(shí)間內(nèi)用戶發(fā)送上行導(dǎo)頻序列和預(yù)處理的碼本進(jìn)行組合，反饋到云處理器；云處理器通過(guò)深度學(xué)習(xí)模型預(yù)測(cè)最佳的RF波束成形向量，以最大化每個(gè)基站中頻譜有效率；預(yù)測(cè)的RF波束成形向量在基站處組合下行導(dǎo)頻序列，并估計(jì)有效信道。深度學(xué)習(xí)預(yù)測(cè)階段，系統(tǒng)的頻譜有效率為

(15)

2.2 深度學(xué)習(xí)模型

本文所提出的DLCBF依賴于全向接收信號(hào)來(lái)預(yù)測(cè)波束成形方向。基于此，將神經(jīng)網(wǎng)絡(luò)模型的輸入定義為從N個(gè)基站收集的正交頻分復(fù)用全向接收序列，輸出為每個(gè)RF波束成形向量所預(yù)測(cè)的速率。本方法采用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)模型，結(jié)構(gòu)如圖4所示。

圖4 CNN模型結(jié)構(gòu)

卷積層利用卷積核進(jìn)行局部感知，通過(guò)反復(fù)多次的滑行卷積操作得到輸入層的全部特征。之后連接池化層，在卷積層獲得特征之后，直接學(xué)習(xí)這些特征分析容易出現(xiàn)過(guò)擬合的問(wèn)題，使用池化層進(jìn)一步調(diào)整卷積層的輸出。這樣能夠降低特征冗余度、運(yùn)算量和網(wǎng)絡(luò)參數(shù)，過(guò)擬合問(wèn)題也會(huì)在一定程度上得到改善。然后通過(guò)全連接層進(jìn)行預(yù)測(cè)每個(gè)基站具有最高的速率所對(duì)應(yīng)的最佳波束成形向量，此處采用回歸學(xué)習(xí)模型，神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練以最小化損失函數(shù)，定義為

(16)

3 仿真與分析

3.1 仿真設(shè)置

由于DLCBF依賴于數(shù)據(jù)收發(fā)器的位置、位置幾何形狀與波束成形之間的相關(guān)性，即信道參數(shù)生成數(shù)據(jù)是非常重要的，所以，采用射線追蹤模式來(lái)仿真該場(chǎng)景，具體參數(shù)如表1所示。

表1 系統(tǒng)仿真參數(shù)

深度學(xué)習(xí)模型采用簡(jiǎn)單的全連接層模型，每個(gè)基站有2N個(gè)輸入，它是N個(gè)基站的全向接收序列的實(shí)部和虛部，且有Ntr個(gè)輸出，模型的輸出代表的是頻譜有效率的波束成形向量。神經(jīng)網(wǎng)絡(luò)模型具有6個(gè)全連接層，每層設(shè)置512個(gè)節(jié)點(diǎn)，完全連接層使用ReLU激活單元節(jié)點(diǎn)，并且將每層的drop-out設(shè)置為0.5%，在實(shí)驗(yàn)過(guò)程中使用Keras庫(kù)和TensorFlow。

3.2 仿真分析

本節(jié)通過(guò)仿真對(duì)DLCBF、BLCBF和F-ChanEstNet方案的性能進(jìn)行評(píng)估并與其性能最優(yōu)上界Genie-Aided進(jìn)行對(duì)比。

圖5展示了幾種不同方案中系統(tǒng)頻譜有效率與數(shù)據(jù)集大小之間的變化關(guān)系，該圖考慮了4個(gè)基站的視距場(chǎng)景下，服務(wù)于一個(gè)以50 m/h速度移動(dòng)的車輛。通過(guò)仿真分析可以發(fā)現(xiàn)，隨著數(shù)據(jù)集的增多，BLCBF方案中系統(tǒng)頻譜有效率緩慢增長(zhǎng)，但增長(zhǎng)趨勢(shì)不明顯，這是因?yàn)榇朔桨感枰M(jìn)行詳盡的波束訓(xùn)練，會(huì)消耗大量的訓(xùn)練資源并顯著降低傳輸速率。F-ChanEstNet方案中系統(tǒng)的頻譜有效率逐步增加，但并沒(méi)有本文方案的性能提升明顯，主要原因是F-ChanEstNet方案適用于速度較大的場(chǎng)景，而本文方案可以適應(yīng)不同速度對(duì)用戶信道所帶來(lái)的影響，增長(zhǎng)變化趨勢(shì)是先快后慢，然后趨于平穩(wěn)，并接近性能上限。Genie-Aided表示在特定系統(tǒng)中信道模型的任何其他信道訓(xùn)練和波束成形策略的性能上限，接近此界限說(shuō)明了所提出的解決方案的最優(yōu)性。

圖5 不同方案的比較

圖6展示了深度學(xué)習(xí)模型系統(tǒng)中4個(gè)基站為不同速度的終端服務(wù),系統(tǒng)的頻譜有效率的變化趨勢(shì)。從圖6可以看出，同一模型下，不同終端速度所帶來(lái)的信道影響在該模型處理下系統(tǒng)效率差別很小，系統(tǒng)速率隨著數(shù)據(jù)集增大而增大，變化趨勢(shì)都是先快后慢，然后趨于平穩(wěn)，但增幅很小，這也正說(shuō)明了此模型對(duì)終端用戶信道中由速度所帶來(lái)的影響的適用性，同時(shí)也可以說(shuō)明該方案適用于現(xiàn)在的很多高速移動(dòng)的場(chǎng)景。

圖6 DLCBF系統(tǒng)中終端速度的影響

圖7展示了深度學(xué)習(xí)波束成形方案中不同基站數(shù)對(duì)同一用戶服務(wù)。通過(guò)仿真分析可以發(fā)現(xiàn)，隨著基站數(shù)量的增多，系統(tǒng)的頻譜有效率相應(yīng)提升。多基站協(xié)調(diào)波束成形策略可以大大減少終端用戶在基站之間頻繁切換，相應(yīng)地系統(tǒng)頻譜有效率會(huì)提高。但是隨著數(shù)據(jù)集的增大，基站數(shù)量的增加并不能使頻譜效率顯著增加，原因是終端用戶與距離過(guò)遠(yuǎn)的基站信號(hào)傳輸衰減比較嚴(yán)重，而且基站數(shù)量的增加必定使系統(tǒng)的能耗增加。

圖7 DLCBF系統(tǒng)中基站數(shù)量的影響

4 結(jié)束語(yǔ)

本文提出了一種集成機(jī)器學(xué)習(xí)和協(xié)調(diào)波束成形策略的方案，可以實(shí)現(xiàn)大陣列天線毫米波系統(tǒng)中的高移動(dòng)性應(yīng)用。本文只考慮了單個(gè)用戶與基站之間的通信，實(shí)際場(chǎng)景中會(huì)涉及多用戶多基站之間的通信，因此本文可以作為后續(xù)研究的基礎(chǔ)，且本文算法同樣適用于多用戶多基站系統(tǒng)。下一步的研究可以擴(kuò)展到多用戶系統(tǒng)中，并考慮用戶之間的干擾，研究更為復(fù)雜的毫米波波束成形機(jī)器學(xué)習(xí)模型，以及不同波束成形方案各個(gè)性能的最優(yōu)解。