1.一种应用在MIMO信道估计中智能学习辅助联合加权和截断核范数矩阵恢复方法,其特征在于:包括:步骤一,构建窄带毫米波大规模MIMO信道模型;
窄带毫米波大规模MIMO系统由基站端配备NT根天线,条射频链路,用户端有NR根天线,条射频链路,且MIMO系统在频分双工的模式下运行;基站和用户之间的下行信道矩阵为其中,信道向量hk∈C1×M,k=1,2,…,K;
若采用几何信道作为毫米波大规模MIMO的信道建模,收发端使用均匀线性天线阵列:式(1)中NT、NR分别是系统接发端天线数目,ρ表示传输路径损耗,L表示系统发端之间的路径数目,并且路径数目远小于收发端天线数目,τl表示第l条路径的时延;βl表示第l条路径的路径增益;θl和表示第l条路径的到达角和离开角;αT和αR分别表示发送端和接收端的天线阵列响应向量:其中,λ表示毫米波波长,D表示天线阵列的阵元间距,j代表虚数单位;
忽略式(1)中的多径时延影响,基站端与用户端采用点对点通信,信道模型如下:因此,下行链路信道矩阵表示为:
其中,G=diag(g)=[g1,g2,…,gl];根据式(4)可知,几个矩阵之间秩的关系为rank(H)≤min{rank(AR),rank(AT),rank(G)},即rank(H)≤min(NT,NR,L);由于基站和移动端的天线数目远大于收发端路径L,因此rank(H)≤L;由此可知,待估计的信道矩阵H是一个低秩矩阵,故利用低秩矩阵恢复的办法来进行信道估计;
基站端配备NT根天线,条射频链路,用户端有NR根天线,条射频链路,且那么用户端接收到的信号表示为:Y=HX+n (5)
其中,是独立分布的加性高斯白噪声,服从为基站端发送的下行链路的训练序列,且基站端在第t个信道内发送的训练序列为为基站端和移动端之间的下行链路信道矩阵,如前面所述,则基站端收到用户反馈的导频观测信道Z表示为:Z=QY+N (6)
其中,是上行链路的衰落信道;是噪声矩阵,服从分布;此时基站侧接收到的信道状态信息估计值为:Y=(QHQ)-1QHZ (7)
将毫米波大规模MIMO信道下行信道估计问题描述为求解秩函数最小化问题,其表达式如式(8)所示:步骤二,采用基于智能学习辅助的联合加权和截断核范数代替核范数近似信道矩阵秩函数,利用毫米波信道角度域稀疏的特性,把信道估计问题转换为基于联合加权和截断核范数的低秩矩阵的恢复问题;
利用核范数近似信道矩阵的秩函数,因此信道估计问题就转换成信道矩阵核范数最小化的问题,即式中,为H的第i个奇异值,假设未知矩阵其中G是一个只有少数非零项的稀疏矩阵,给出以下的约束优化问题:其中,λG和λx是一个正数,||G||1指的是G的L1范数;在此截断核范数的基础上提出了加权核范数并研究其最小化,矩阵H的加权核范数定义为:其中,ω=[ω1,ω2,…,ωl],且ωi>0;
结合加权和截断核范数的方法,那么得到一个新的信道模型,即其中,是加权和截断核范数,其中v=[v1,v2,…,vl]和ω=[ω1,ω2,…,ωl]是奇异值对应的权值向量;
得到式(12)的增广拉格朗日函数为:
其中,Z1,Z2表示为拉格朗日乘子矩阵,c表示为惩罚因子,
对应的神经网络模型如下:
对式(14)和(15)求导,得
对增广拉格朗日函数中的拉格朗日乘子矩阵求导得:
步骤三,利用拉格朗日神经网络算法通过增加惩罚约束项来凸化目标函数;
拉格朗日神经网络解决非凸优化问题,如下的优化问题:这里x=(x1,x2,…,xn)T,目标函数f:Rn→R,约束函数g:Rn→Rm,h:Rn→Rr,其中m≤n,f是非凸函数,g=(g1,g2,…,gm),h=(h1,h2,…,hm)是凸函数且二次连续可微;满足约束条件的可行域定义为S={x∈Rn:g(x)≤0and h(x)=0},这里定义S1={x∈Rn:g(x)≤0},S2={x∈Rn:h(x)=0},显然,S=S1∩S2;
对传统的拉格朗日神经网络模型进行修正,如下优化问题:这里,c是标量且c>0,||·||代表欧几里得范式;若x*是优化问题的最小点,则h(x*)=0,因此对于求取目标函数的最小值并无影响;
定义增广拉格朗日函数:
其中,λ∈Rr,μ∈Rm是拉格朗日乘子,标量c>0;对应的神经网络模型如下:其中,矩阵恢复方法的具体步骤:
输入矩阵Y,训练序列X,初始化参数c,tmax,rH,rG,令t=0,Z1=0,Z2=0;Step1.更新H:Step2.更新G:Step3.更新拉格朗日乘子矩阵Z1:Step4.更新拉格朗日乘子矩阵Z2:Step5.输出信道矩阵