1.基于连续学习的波束成形深度神经网络训练方法,其特征在于,包括以下步骤:
S1、获得当前时隙t的信道数据,以及该信道数据对应的上行功率向量标签值构建当前时隙t的训练映射对Dt;
S2、基于已知的信道样本数据Mt,将时隙t的训练映射对Dt和信道样本数据Mt前后堆叠后随机打乱,构成训练映射对集合Mt∪Dt,以训练映射对集合Mt∪Dt中各个样本的信道数据为输入、训练映射对集合中各个信道数据对应的上行功率向量标签值为输出构建并迭代训练神经网络模型;同时在迭代训练过程中利用最小均方误差函数作为损失函数进行监督学习,直到遍历所有的训练映射对集合Mt∪Dt,获得神经网络模型,以及所述神经网络模型的最优权重Θ;
S3、利用训练好的神经网络模型,将训练映射对集合Mt∪Dt中各个样本的信道信息输入至该神经网络模型,获得预测的上行功率分配向量;
S4、将预测的上行功率分配向量输入至波束成形矩恢复模块,利用闭式解获得预测的波束成形矩阵;
S5、基于预测的波束成形矩阵,以及训练映射对集合Mt∪Dt,利用性能函数计算所述预测的波束成形矩阵和速率与训练映射对集合Mt∪Dt最优和速率的负比率,根据该负比率按照预设方法A分别针对Mt、Dt选出符合预设条件的映射对,将该映射对堆叠打乱获得信道样本数据Mt+1,并将信道样本数据Mt+1更新为信道样本数据Mt,之后返回步骤S1。
2.根据权利要求1所述的基于连续学习的波束成形深度神经网络训练方法,其特征在于,步骤S1中,训练映射对Dt,按如下方法获得:将时隙t数据的信道矩阵Hk(k=1,2,…,K)取模值(k=1,2,…,K)和WMMSE加权最小均方误差算法生成的上行功率向量标签值Pk组成该时隙的训练映射对其中,k是用户索引,Pk是样本标签值,供模型的损失函数计算与预测值之间的差距。
3.根据权利要求2所述的基于连续学习的波束成形深度神经网络训练方法,其特征在于,步骤S2中,在训练神经网络模型时,设置最大迭代次数为M,优化器为RMSprop,学习率为l,将训练映射对集合Mt∪Dt划分成若干个批次,对每个批次进行迭代,迭代过程利用梯度下降法更新模型权重,优化全局损失函数,对训练映射对集合Mt∪Dt遍历完毕,该神经网络模型训练过程结束,模型收敛,全局损失函数取得最小值,模型权重Θ达到最优。
4.根据权利要求3所述的基于连续学习的波束成形深度神经网络训练方法,其特征在于,步骤S3中获得预测的上行功率向量具体为:将训练映射对集合Mt∪Dt中每个样本的信道信息输入至训练好的神经网络模型获得到预测的上行功率分配向量π(Θ,h(i)),其中i是样本索引。
5.根据权利要求4所述的基于连续学习的波束成形深度神经网络训练方法,其特征在于,步骤S4中,利用闭式解获得预测的波束成形矩阵包括如下子步骤:S4.1、按如下公式计算神经网络模型预测输出构建的第k个用户的波束成形向量:
其中,k是用户索引,i是样本索引,IN是单位阵,σ2是噪声功率,hk是基站到第k个用户的信道向量,πk(Θ,h(i))是预测的第k个用户的上行功率向量,是的最大特征值对应的特征向量的第k个元素;
S4.2、将所有用户的波束成形向量按用户顺序组合,得到预测的波束成形矩阵
6.根据权利要求5所述的基于连续学习的波束成形深度神经网络训练方法,其特征在于,所述步骤S5中,利用性能函数计算所述预测的波束成形矩阵和速率与训练映射对集合Mt∪Dt最优和速率的负比率如下式:其中,Θ是系统权重,h(i)是信道样本数据,p(i)是需要被神经网络模型学习的上行功率向量,π(Θ,h(i))是神经网络模型预测的上行功率分配向量,W(π(Θ,h(i)))是预测的波束成形矩阵,R(W(π(Θ,h(i)));h(i))是预测的波束成形矩阵的和速率,是通过加权最小均方误差算法获得的训练映射对集合Mt∪Dt最优和速率,其中i是样本索引。
7.根据权利要求6所述的基于连续学习的波束成形深度神经网络训练方法,其特征在于,步骤S5中,根据负比率按照预设方法A分别针对Mt、Dt选出符合预设条件的映射对,将该映射对堆叠打乱获得信道样本数据Mt+1,并将信道样本数据Mt+1更新为信道样本数据Mt,包括如下步骤:S5.1、对经过性能函数计算的样本数据中的Mt和Dt中的映射对进行降序排序,从Dt中挑选前N-f(t)个样本映射对,从Mt中挑选前f(t)个样本映射对,其中f(t)是关于时隙t的函数;
S5.2、将Dt中挑选前N-f(t)个样本映射对和从Mt中挑选前f(t)个样本映射对堆叠打乱。
8.基于连续学习的波束成形深度神经网络训练系统,其特征在于,包括:
内存集模块,用于存储信道样本数据;
混合模块,用于将当前时隙t的信道数据,以及该信道数据对应的上行功率向量标签值构建当前时隙t的训练映射对Dt;并接收来自内存集模块输出的信道样本数据Mt,之后将时隙t的训练映射对Dt和信道样本数据Mt前后堆叠后随机打乱,构成训练映射对集合Mt∪Dt;
神经网络模块,包括一个输入层以及与其顺序连接的多个卷积层、多个归一化层、多个激活函数层、一个展平层、一个全连接层,所述神经网络模块用于对训练映射对集合Mt∪Dt中各个信道数据为输入、训练映射对集合中各个信道数据对应的上行功率向量标签值为输出的神经网络模型进行训练,获得各个信道数据对应的上行功率向量;
波束成形矩阵恢复模块,包括一个缩放层以及与其连接的构建层,所述缩放层作为所述波束成形矩阵恢复模块的输入端,接收来自神经网络模块输出的各个信道数据对应的上行功率向量,进行缩放以满足总功率约束;所述构建层作为波束成形矩阵恢复模块的输出端,利用闭式解处理缩放后的上行功率向量,获得预测的波束成形矩阵,并输出。