基于太赫兹MIMO系统的混合预编码方法

电子通信装置的制造及其应用技术基于太赫兹mimo系统的混合预编码方法技术领域1.本发明涉及数据处理技术领域，尤其涉及基于太赫兹mimo系统的混合预编码方法。背景技术：2.随着不同通信场景中数据流量和用户设备的爆炸式增长，对更高数据速率的传输需求变得急剧增加。太赫兹(terahertz，thz)是指频段在0.1～10thz之间，波长在30um～3000um之间的电磁波，其丰富的频谱资源和超高的传输速率使它在未来的宽带无线通信领域中具有巨大的优势。然而高频下严重的路径衰减是thz通信的主要障碍之一。而由于太赫兹信号的波长短，大量的天线可以被紧密地封装在一个小区域内，在信号收发端形成大规模mimo天线阵列系统，通过混合预编码技术产生高增益的定向波束以补偿高路径损耗并且能够提高系统频谱效率。然而，由于太赫兹信号的带宽要宽得多，要使用的天线数量也要多得多，会导致天线阵列上出现不可忽略的传播延迟，传统混合预编码结构中与频率无关的移相器产生的波束在不同子载波上将分裂成完全分开的物理方向，不能与目标用户物理方向对准。这种现象被称为波束分裂效应，会导致严重的阵列增益损失，给太赫兹通信带来了新的根本挑战。3.目前有几种现有的解决方案可以降低波束分裂的影响：4.1、一种虚拟子阵列划分方案以得到更宽的波束并为所有子载波的用户提供均匀分布的阵列增益，该方法可以在波束分裂效应较弱的情况下提高可达速率。然而，由于太赫兹系统中的信号带宽更大、基站配备的天线数量更多，该方案并不能完全缓解波束分裂效应。5.2、一种适用于thz大规模mimo的延迟相位混合预编码算法，使用真实时间延迟器(true-time-delay，ttd)提供时延来实现与频率相关的相移；一种使用ttd和虚拟阵列划分的波束分裂补偿策略，其中虚拟阵列划分有效减少了为缓解波束分裂效应所需的ttd元件的数量；一种将波束分裂效应产生的相位变化转化到与频率相关的数字预编码器上以实现波束的相位校正。然而，以上所述方案设计仅限于基于完美信道状态信息(channel state information，csi)的情况，没有明确地估计信道。而完美的csi在现实中获取非常困难，因此，在不完美csi的情况下研究减轻波束分裂效应的太赫兹大规模mimo系统下的混合预编码至关重要。6.随着深度学习的快速发展，许多学者开始致力于研究基于深度学习的混合预编码技术，并且在不完美csi和解决混合预编码的复杂问题上表现出了优秀的能力。基于学习风格的深度学习方法一般可以分为基于监督学习的方法和基于非监督学习的方法两大类。利用监督学习的方法提出了三种不同复杂度的cnn结构来获得奇异值分解的近似值，并将其用于混合预编码的设计。然而，基于监督学习的方法的性能一般都会受到传统优化算法的限制，并且需要大量的标签数据，很难再获得性能的提升。针对此缺陷，不同于有监督的深度学习方法，基于无监督学习的深度学习方法，在不设标签的情况下学习最优模拟预编码矩阵。在这种情况下，无监督学习方法直接以和速率的负数作为损失函数来训练dl模型。然而，现有的工作大多都是在毫米波大规模mimo系统下实现的，太赫兹大规模mimo系统由于天线和用户数目增多、信道规模非常大，这些方案存在训练数据量大、训练周期长的问题。而且，这些方案还没有考虑太赫兹频段的信道特性和多用户干扰，因此在太赫兹大规模mimo系统中基于深度学习方法来进行混合预编码的设计仍值得进一步探索。技术实现要素：7.本发明提供了一种基于太赫兹mimo系统的混合预编码方法，包括：8.创建太赫兹大规模mimo系统模型，采用ttd混合预编码硬件结构进行太赫兹大规模mimo系统下的混合预编码工作；9.根据数字预编码矩阵和模拟波束形成矩阵建立最大化可达速率的优化问题；10.采用基于无监督学习的深度学习和注意力机制的混合预编码cnn模型，求解优化问题。11.如上所述的一种基于太赫兹mimo系统的混合预编码方法，其中，多用户宽带太赫兹大规模mimo系统，具有m个子载波的正交频分复用系统；基站端配备一个具有nt根天线的均匀线性阵列，射频链路数量为nrf，服务于k个单天线用户，设置nrf＝k。12.如上所述的一种基于太赫兹mimo系统的混合预编码方法，其中，采用基于射线的宽带太赫兹通信信道模型，将fc表示为中心频率，b表示为带宽，第m(m＝1,2,...,m)个子载波上的第k(k＝1,2,...,k)个用户的下行链路信道表示为：[0013][0014]其中l表示路径数目，和分别表示第l条路径上用户k的路径增益和时间延迟，fc表示为中心频率，fm是第m个子载波上的频率，表示为为是在第m个子载波上的第k个用户的可视路径的空间信道方向，是在第m个子载波上的第k个用户的非视距径的空间信道方向，表示阵列响应向量。[0015]如上所述的一种基于太赫兹mimo系统的混合预编码方法，其中，采用ttd结构，每条射频链连接到kt个ttd元件，ttd元件通过p＝nt/kt个pss连接到所有天线单元，用户处的接收信号ym表示为：[0016]ym＝hmfrf,mfbb,ms+n[0017]其中，fbb,m∈ck×k表示的是在满足传输功率约束||frf,mfbb,m||f≤ρ的基础上的第m个子载波上的数字预编码器，ρ是每个用户的发射功率，s为发射信号，n表示加性高斯白噪声；是由移相器和ttd实现的与频率相关的模拟预编码器，由两部分组成，其中是由移相器实现的与频率无关的模拟预编码器，是在第k个用户处的模拟预编码器，模拟波束形成向量al,k由于具有恒模约束满足由于具有恒模约束满足表示的是由ttd实现的随频率变化的相移。[0018]如上所述的一种基于太赫兹mimo系统的混合预编码方法，其中，通过设计最优的数字预编码器和模拟预编码器来最大化实现和速率r。[0019]如上所述的一种基于太赫兹mimo系统的混合预编码方法，其中，采用自注意力机制的cnn混合预编码模型，自注意力机制第一个阶段为在所有输入信息上通过注意力打分操作计算注意力得分，第二个阶段为根据得到的注意力得分进行归一化得到注意力分布，最后一个阶段为通过注意力分布来计算输入信息的加权平均并最终得出注意力值。[0020]如上所述的一种基于太赫兹mimo系统的混合预编码方法，其中，cnn模型由输入层、输出层和多个卷积层组成，卷积层是卷积层、批量归一化层和激活层的组合；在激活层中，每个卷积核的输出是卷积核之间的权值矩阵的加权和，卷积核内部具有非线性运算，非线性运算由激活函数实现。[0021]如上所述的一种基于太赫兹mimo系统的混合预编码方法，其中，使用无监督学习方法来训练不带有标签数据的cnn模型；在无监督学习过程中，将目标优化函数的负数定义为损失函数，表示为：[0022][0023]其中x是损失函数的训练样本数，rm表示第m个子载波的可达速率，hm表示第m个子载波上的信道矩阵，frf,m是最终的复值模拟预编码矩阵，fbb,m表示最终的数字预编码，当cnn被训练为最小化损失函数时，负号代表着此时和速率最大。[0024]本发明实现的有益效果如下：本技术提供一个在太赫兹大规模mimo多用户系统中基于注意力机制的无监督cnn混合预编码方案，注意力层通过输出注意力分布矩阵提取出多用户间干扰的特征值，然后，根据用户间干扰的特点，利用cnn最小化损失函数，学习最优模拟预编码器，降低了多用户干扰同时实现了可达速率最大化。附图说明[0025]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。[0026]图1是本发明实施例一提供的一种基于太赫兹mimo系统的混合预编码方法流程图；[0027]图2是ttd相位校正混合预编码结构图；[0028]图3是基于注意力机制的cnn模型结构图；[0029]图4是cnn层结构图；[0030]图5是不同批量大小对可达速率性能的影响仿真图；[0031]图6是不同学习率对可达速率性能的影响仿真图；[0032]图7是不同注意力层数对可达速率性能的影响仿真图；[0033]图8是注意力机制对无监督学习算法的影响仿真图；[0034]图9是不同算法在不同用户数下的可达速率性能对比图；[0035]图10是不同算法在snr变化时的可达速率性能对比图；[0036]图11是不同算法在不完美csi情况下的鲁棒性仿真图。具体实施方式[0037]下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0038]实施例一[0039]如图1所示，本发明实施例一提供一种基于太赫兹mimo系统的混合预编码方法，包括：[0040]步骤110、创建太赫兹大规模mimo系统模型，采用ttd混合预编码硬件结构进行太赫兹大规模mimo系统下的混合预编码工作；[0041]本技术实施例中，创建一种多用户宽带太赫兹大规模mimo系统，是具有m个子载波的正交频分复用系统。基站端配备一个具有nt根天线的均匀线性阵列(ula)，射频链路数量为nrf，服务于k个单天线用户，设置nrf＝k。[0042]采用广泛使用的基于射线的宽带太赫兹通信信道模型，将fc表示为中心频率，b表示为带宽，第m(m＝1,2,...,m)个子载波上的第k(k＝1,2,...,k)个用户的下行链路信道可以表示为：[0043][0044]其中l表示路径数目，和分别表示第l条路径上用户k的路径增益和时间延迟，fc表示为中心频率，fm是第m个子载波上的频率，表示为为是在第m个子载波上的第k个用户的可视(line-of-sight,los)路径的空间信道方向，是在第m个子载波上的第k个用户的非视距(non-los,nlos)路径的空间信道方向，表示阵列响应向量，其形式如下公式所示：[0045][0046]其中空间方向满足其中是第k个用户的第l条路径的物理方向，d是根据中心频率fc波长的一半设置的天线间距，即λ表示中心频率fc处的波长，c表示自由空间中的光速。为简化起见，用来表示用户的物理方向，取值范围为[0047]本实施例中，ttd混合预编码硬件结构如图2所示，基于ttd的混合预编码方案可以将传统的相位控制波束形成器转换为ttd时延和相位联合控制的波束形成器，可以实现频率相关的模拟波束形成，进而解决波束分裂问题。本技术采用的ttd结构，每条射频链连接到kt个ttd元件，这些ttd元件通过p＝nt/kt个pss连接到所有天线单元。那么用户处的接收信号ym可以表示为[0048]ym＝hmfrf,mfbb,ms+nꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(3)[0049]其中，表示第m个子载波上的信道矩阵，fbb,m∈ck×k表示的是在满足传输功率约束||frf,mfbb,m||f≤ρ的基础上的第m个子载波上的数字预编码器，ρ是每个用户的发射功率，s为发射信号，n表示加性高斯白噪声；是由移相器和ttd实现的与频率相关的模拟预编码器，由两部分组成，其中是由移相器实现的与频率无关的模拟预编码器，是在第k个用户处的模拟预编码器，模拟波束形成向量al,k由于具有恒模约束满足由于具有恒模约束满足表示的是由ttd实现的随频率变化的相移，公式可以表示为：[0050][0051]其中，ti＝[t1,t2,...,tk]表示由第i条rf链路上的kt个ttd元件实现的时间延迟。[0052]步骤120、根据数字预编码矩阵和模拟波束形成矩阵建立最大化可达速率的优化问题；[0053]基于上述系统模型和信道模型，本文混合预编码方案的设计目标是最大限度地提高基于thz-mimo系统的可实现的总速率，可以表示为：[0054][0055]其中，rk,m表示在第m个子载波上第k个用户处的可达速率，sinrk,m表示为相应的信干噪比(signal-to-interference-plus-noise ratio,sinr)，公式如下所示：[0056][0057]其中σ2是awgn的方差。[0058]本技术通过设计最优的数字预编码器和模拟预编码器来最大化可实现和速率r。最优化问题可以表示为[0059][0060]本技术基于深度学习的方案由于可以显著降低复杂度而受到了很大的关注，同时利用注意力机制和无需标签数据的无监督学习方法，在太赫兹大规模mimo多用户系统中提出了一种基于注意力机制的无监督cnn混合预编码方案，有效减轻了多用户干扰。[0061]步骤130、采用基于无监督学习的深度学习和注意力机制的混合预编码cnn模型，求解优化问题。[0062]为了减轻太赫兹大规模mimo多用户系统中的多用户干扰，受到注意力机制的启发，采用无监督学习的策略，本技术提出了一种基于注意力机制的cnn混合预编码方案，其中注意力机制用来识别用户间干扰的特征，cnn根据这些特征来学习最优模拟预编码矩阵，实现可达速率的最大化。[0063]注意力机制是在计算能力有限的情况下，将计算资源分配给更重要的任务，同时解决信息超载问题的一种资源分配方案。为了有效的缩短远距离依赖特征之间的距离，高效地进行计算，本技术引入了自注意力机制。[0064]自注意力机制的计算过程可以分为三个阶段，第一个阶段为在所有输入信息上通过注意力打分操作计算注意力得分，第二个阶段为根据得到的注意力得分进行softmax归一化得到注意力分布，最后一个阶段为通过注意力分布来计算输入信息的加权平均并最终得出注意力值。具体来说，元素由键向量key和值向量value组成，这时给定一个查询向量query，通过比较查询向量query与内存中元素的地址key的相似度来决定是否抽取对应的值信息，然后对抽取出的值信息进行加权求和，得到最终的注意力值。[0065]基于注意力机制的cnn模型的结构如图3所示，输入的信道信息为复值矩阵h m，由于神经网络只能处理实值信息，因此通过将虚部执行插入维度操作使转换为维度大小为k×2nt的实值张量信道信息通过三个不同的单层全连接神经网络进行线性变换w(·)，得到了三个注意力机制的基本矩阵，分别为查询向量矩阵q、键向量矩阵k和值向量矩阵v，其中图内省略了进行线性变换的单层全连接神经网络。具体的公式表示形式如下所示：[0066](1)查询向量矩阵：其中d表示在每个用户处的查询向量长度。[0067](2)键向量矩阵：其中d表示在每个用户处的键向量长度。[0068](3)值向量矩阵:值得注意的是，值向量矩阵也可以不用进行线性变换，即[0069]然后，键向量矩阵k和查询向量矩阵q进行注意力打分操作得到注意力得分矩阵score，重要性越大分数越高。为了得到计算效率更高的得分矩阵，应用了缩放点积注意力的形式，通过将点积除以来平衡增加的方差，确保了点积的方差在不考虑向量长度的情况下仍然是1。因此，注意力得分矩阵的公式可以表示为：[0070][0071]那么，就可以根据score来计算注意力分布矩阵，注意力分布矩阵可以衡量用户之间的重要性水平，公式表示为：α＝softmax(score)∈rk×k，αi,j表示为输入分量i对其他分量j的关注度，其公式表示如下所示：[0072][0073]其中，softmax函数可以突出重要元素的权重，重要的部分将被赋予较大的权重系数，scoreij表示在矩阵score第i行第j列的元素。根据注意力分布矩阵α，对值向量进行加权求和，就可以得到注意力值矩阵，其公式可以表示为注意力分布矩阵和值向量矩阵的乘积，即：[0074]att＝αv＝softmax(score)vꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(10)[0075]最后，加入连接层和归一化层，得到带有多用户干扰的特征的信道矩阵，可以表示为：[0076][0077]其中μi和分别表示a的第i行的期望和方差。ò是一个较小的数为了避免分母为零。此外，通过级联多个注意力层可以提高自注意力机制的准确性。[0078]在通过注意力层提取出多用户间干扰的特征之后，把重要性信息传输给cnn层，cnn根据这些特征来学习最优的模拟波束形成矩阵。cnn模型由输入层、输出层和多个卷积层组成，需要说明的一点是这里的卷积层不是只有一层卷积层conv，而是由conv、批量归一化层batchnorm和激活层的组合。此外，与传统的具有池化层的cnn模型不同，该结构忽略了池化层，因为它可能导致信道信息的丢失，从而影响神经网络结构的学习效果。[0079]在激活层中，每个卷积核的输出是卷积核之间的权值矩阵的加权和，其中卷积核内部具有非线性运算，非线性运算由激活函数实现。选择leakyrelu函数作为激活函数。leakyrelu激活函数是relu函数的改进版本，在负值也可以提供非零斜率。其表达公式为：[0080][0081]其中，αi是一个很小的常数，这样保留了一些负轴的值，使得负轴的信息不会全部丢失。[0082]cnn层的结构设计如图4所示。首先将注意力层的输出即cnn层的输入整形为维度为2×k×nt大小的矩阵，这是具有实部信息和虚部信息的双通道矩阵。接下来，进行扩维操作，将双通道扩展为f＞＞2维通道，目的是从输入信息中提取出更多的特征进行低层局部感知。然后，将f维通道特征分成两个信息流，并在卷积层中进行卷积运算来提取两个信息流在不同尺度上的特征。在每个信息流上分别应用了三个卷积模块，其中卷积层有卷积核个数为al，卷积核尺寸为a×a。那么第l个卷积层的输入可以表示为：[0083][0084]其中，rl-1和zl-1表示第l-1个卷积层输出的高度和宽度。当卷积层数为1时，卷积层的输入来自于输入层的输出，即维度为f×k×nt大小的输入信息流。通过卷积运算之后，第l个卷积层的输出可以表示为：[0085]coutput,l＝conv(cinput,l,wconv,bconv)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(14)[0086]其中，和分别表示为权值矩阵和偏移值矩阵，conv(:,:,:)表示卷积层的参数和输入之间的卷积运算。总之，卷积层首先在低层局部感知中感知输入信息的每个特征，然后在高层信息综合中对局部进行操作以获得全局信息。[0087]cnn层之后是一个归一化(batch norm,bn)层，这可以使网络的训练和收敛速度加快，避免发生梯度消失或者梯度爆炸的现象。bn层中有两个可训练参数，即根据卷积层的输出参数coutput,l计算出的平均值和标准差。此外，bn层还向分母中添加了一个较小的值来避免分母为0，目的是为了计算的稳定性，默认大小为1×10-5。需要注意，bn层的操作不会改变各个输入信息的形状大小。[0088]最后将不同尺度上的特征组合成具有实部和虚部的双通道矩阵为了满足模拟预编码矩阵具有的恒模约束，应进行归一化，计算如下公式所示：[0089][0090]其中，frf,m是最终的复值模拟预编码矩阵。数字预编码矩阵根据等效信道heq＝hfrf,m，采用经典的迫零算法设计，数字预编码矩阵fbb,m[k]可以计算为：[0091][0092]则最终的数字预编码可以表示为fbb,m＝[fbb,m[1],fbb,m[2],...,fbb,m[k]]。[0093]由于有监督学习方法一般都是从传统的优化算法来获得神经网络的标签数据，生成这些标签数据的过程拥有很高的复杂性，且性能也会受到传统算法性能的限制。为了进一步提高系统的可达速率性能，本技术使用无监督学习方法来训练不带有标签数据的cnn模型。[0094]在无监督学习过程中，损失函数是决定所构造的cnn模型学习质量的关键。将目标优化函数的负数定义为损失函数，可以表示为：[0095][0096]其中x是损失函数的训练样本数。当cnn被训练为最小化损失函数时，负号代表着此时和速率最大。[0097]实施例二[0098]本发明实施例二是基于太赫兹mimo系统的混合预编码方法的仿真示例。通过仿真结果来评估所提出的基于注意力机制的无监督cnn混合预编码方案在多用户太赫兹大规模mimo系统中的性能。[0099]具有ttd结构的多用户系统的参数描述如下，设置天线数nt＝256，用户数k＝nrf，子载波数m＝128，中心频率fc＝300ghz，信道带宽fs＝15ghz，d＝λ/2。将ttd元件的数目设置为kt＝16。信道路径数l＝1，不同用户的aod服从均匀分布u(-1,1)。神经网络参数设置为：采用adam梯度下降优化算法进行训练，学习率0.0003，批量大小256，正则化因子为0.00001，105个训练样本作为训练集，90％的数据样本将分配给训练样本集，10％分配给验证样本集。为了使网络对不同信噪比的信道数据拥有泛化能力，训练样本与-20db到20db之间的不同信噪比相关联。[0100]图5比较了不同批量大小对神经网络性能的影响。批量大小定义了单次通过网络进行训练的样本数量，一般来说设置的批量大小是小于所有样本数的，如果数据集太大，小批量的网络将会在一个训练周期内使用较少的样本，训练速度更快。此外，批量数也不是越小越好，批量数过小时会发生梯度的估计不准确的问题。因此，合适的批量大小对网络的训练是非常重要的。从图中可以看出，较大的批量值导致性能损失非常严重，这是因为大批量值会需要更多的迭代次数，模型的泛化能力也会下降，所以造成了性能损失。批量数为128和256时系统性能相差不多，说明这两个批量数都在合适的范围之内，在合理范围内增大批量数可以提供更好的梯度估计，因此我们选择批量大小为256。需要注意的是，批量数也不是越大越好，需要在合理的范围内增加并且还要考虑内存容量的问题。[0101]图6比较了不同学习率对神经网络性能的影响。学习率在神经网络中是非常重要的一个超参数，它决定着损失函数的收敛，合适的学习率可以在合适的时间里将损失函数收敛到局部最小值。学习率过大会导致网络找不到最优值，损失函数不能收敛，学习率过小时会使网络收敛的速度变慢，并且会发生只能找到局部最优值的问题，导致了性能损失。因此，设置一个合适的学习率也是训练神经网络重要的一环。此仿真实验进行了学习率为0.003、0.0003和0.00003三种情况时的可达速率性能，从图中可以清楚的看出，当学习率为0.00003时，可达速率性能损失非常严重，当学习率为0.003和0.0003时可达速率性能都较为良好，说明损失函数在这两种情况下都收敛到了全局最优解，而且从图中还可以发现当学习率为0.0003时可达速率性能更为优越，因此我们选择设置学习率为0.0003。[0102]为了验证所提出的基于注意力机制的无监督cnn混合预编码算法的可达速率与注意力层数的关系，首先进行了在不同注意力层数的情况下可达速率性能的对比，如图7所示。此时，用户数设置为4，从图中可以看出所提出的基于注意力机制的无监督cnn混合预编码算法的可达速率随着snr的升高而升高，当注意力层数增加时，对应的可达速率性能也有所提高，这说明注意力层数越多，越可以更好的识别用户间的干扰，达到可达速率性能提高的目的。[0103]为了可以更清晰的解释基于注意力机制的无监督cnn混合预编码将有效减轻多用户干扰问题，该仿真实验进行了所提出的基于注意力机制的方案与不具备注意力机制的无监督学习算法的波束方向图的仿真。为了通过简单明确的仿真分析来说明注意力机制对减轻用户干扰的有效性，设置用户数为四个，每个用户处l＝1，αl＝1。图8(a)展示了基于无监督学习算法的不加注意力层的波束方向图，从图中可以看出，由于多用户干扰，用户a和用户b之间的旁瓣干扰显著，这说明了该算法将会由于干扰导致可达速率的降低。图8(b)展示了基于注意力机制的无监督学习方案的波束方向图，该仿真实验使用了一层注意力层。从图中可以看出，用户b的旁瓣被抑制，这说明基于注意力机制的算法可以减轻对用户a的干扰，注意力机制通过输出的注意力分布矩阵，降低了用户b对于用户a的关注度，并提高对其他干扰较小的用户的关注度，从而减轻了多用户干扰，达到了提升系统可达速率的目的。[0104]将基于ttd的相位校正混合预编码算法应用到多用户系统作为其中一个对比算法，并且将传统的基于无监督学习的混合预编码算法作为另一个对比算法，全数字预编码算法作为最优算法被绘作系统可达速率的上限。图9展现了在不同用户数的情况下，不同算法之间的可达速率性能对比，其中，设置发射天线nt＝256，子载波数m＝128，snr＝20db。从图中可以看出，随着用户数的增加，所有算法的可达速率也在增加，而且所提出的算法和基于无监督学习的算法的可达速率性能都优于ttd混合预编码方案，说明了在太赫兹信道下算法的有效性。此外，所提出的基于注意力机制的无监督cnn混合预编码算法在用户数越大的情况下性能越优越，与无监督学习方案的性能差异变得越来越明显，说明了所提出的算法可以有效减少多用户干扰，从而提升系统可达速率性能。[0105]为了验证所提出的基于注意力机制的无监督cnn混合预编码算法在多用户系统中的可达速率性能上的优越性，我们在假设获取到完美csi的情况下进行了不同算法的可达速率随snr变化的实验。如图10(a)和(b)是在天线数nt＝256的情况下分别对用户数4和用户数8所进行的仿真实验对比图。从两个仿真图中可以看出，随着snr的增多，各个混合预编码方案的系统可达速率性能也在逐渐提高，所提出的基于注意力机制的混合预编码方案可以达到和全数字预编码方案和基于ttd的混合预编码算法相近的性能，说明了所提出的算法在太赫兹信道下的有效性。且在用户数越大的情况下，所提出的基于注意力机制的混合预编码方案比基于无监督学习的混合预编码方案性能更好，这是因为基于无监督学习的方案没有考虑多用户干扰从而在用户数较多的情况下性能有所下降。该仿真实验证明了所提出的算法可以有效减轻多用户干扰，并在用户数较多的情况下可以表现出更优越的可达速率性能。[0106]为了验证在具有不完美的csi的信道条件下所提算法的稳健性能，本实验进行了对比实验，图11展示了在具有不完美csi的情况下不同算法随snr变化的可达速率性能，其中的两个实验分别为在用户数为4和8的情况下进行的可达速率性能对比。由于基于ttd的方案是在假设已知完美的csi的情况下进行的，当在不完美csi的情况下时性能可能会遭到损失。获取具有不完美csi的信道矩阵，此算法基于ttd混合预编码结构，通过基于波束变焦机制可以灵活地控制与频率相关的波束在整个带宽上的角度覆盖，使基站能够找出具有最大阵列增益的波束，从而获得准确的物理方向。将导频噪声功率比定义为信道估计水平的指标，并且将产生的pnr＝0db的估计信道数据样本作为具有不完美csi的信道矩阵，从两个仿真图可以看出，各个算法的可达速率性能仍然是在随着snr升高而升高，而且所提出的方案一直保持较优的性能，接近于全数字预编码。在用户数较大的情况下，如图11(b)所提出的算法性能明显优于对比算法，验证了所提出的算法拥有良好的鲁棒性，在不完美csi的情况下可以保持较优秀的可达速率性能。[0107]为了进一步验证所提出的基于注意力机制的混合预编码方案的高效性，表1和表2分别给出了在用户数为4和8的情况下的各个方案的运行时间比较，其中ttd混合预编码方案需要在matlab中进行迭代计算，根据仿真实验确定了迭代次数为50次时可以运行平滑。其他两种方案在pycharm软件中进行仿真。从表中可以看出，基于ttd的混合预编码方案运行时间比其他两种混合预编码方案的运行时间长了好几十倍，是因为基于ttd的混合预编码方案需要通过迭代找出目标物理方向使得波束对准，才可以达到优秀的可达速率性能。基于神经网络的两种方案运行时间无论增大测试样本数时也依旧拥有优秀的表现。其中所提出算法的运行时间比基于无监督学习的方案的运行时间稍长，是因为网络中增加了四层注意力层以提取多用户干扰的特征，和算法可以实现的优秀的可达速率性能相比，所增加的几秒运行时间在可以接受的范围之内。[0108]表1用户数为4时不同算法的运行时间比较[0109][0110]表2用户数为8时不同算法的运行时间比较[0111][0112]以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!