毫米波MIMO的DNN混合预编码梯度优化方法

毫米波多输入多输出的混合预编码是降低硬件复杂度和能量消耗的重要方法。为降低优化处理的复杂性并提升频谱效率,提出了一种支持深度学习的混合预编码优化算法。为了消除子信道之间由信噪比差异导致部分子信道误码率较高进而对整体误码率产生的不良影响,通过基于块对角化的几何均值分解和深度神经网络的训练来选择混合预编码器,将预编码器的优化选择视为深度神经网络中的映射,以优化大规模多输入多输出的混合预编码过程。将频谱效率的优化问题近似归结为全数字预编码器和混合预编码器之间的欧氏距离的最小化问题,利用有限数量的射频链路实现吞吐量的改善。性能分析和仿真结果都表明,由于采用改进的梯度计算算法和单循环迭代结构,基于深度神经网络的方法能够最小化毫米波多输入多输出的误码率并提高频谱效率,同时显著地降低了所需的计算复杂度。当频谱效率为50 bit/(s·Hz)时,信噪比可节省3 dB。不同方案达到相同误码率时,信噪比可节省5 dB以上,并具有更好的稳健性。

多接收子阵下特征波束的角度空间调制方法

基于波束赋形的波束切换空间调制算法,不仅可以提高频谱效率,还可以利用天线阵列增益提高能量效率。该文利用信道响应构造统计平均的协方差矩阵,构造正交特征向量作为阵列的加权矢量,形成相互独立的多个等效传输信道,利用波束赋形增益和分集增益提高无线通信的传输可靠性和传输能力。进一步采用天线子阵分组方法,克服信道相关性带来的不利影响。性能分析和仿真结果表明,特征波束角度空间调制方案可获得更多的波束组合数目,会明显改善译码性能和频谱效率。