基于深度學習的毫米波系統波束成形*

龍 懇，王亞領，陳 興，王 奕，譚路垚

(重慶郵電大學 通信與信息工程學院，重慶 400065)

0 引 言

目前，毫米波大規模多輸入多輸出(Multiple-Input Multiple-Output,MIMO)的瓶頸問題是如何快速準確地獲取上行信道和下行信道的信道狀態信息。近幾年來，深度學習已經成功應用于無線通信系統，例如毫米波信道估計[1]、信道狀態信息反饋與信號檢測等。對于信道估計，深度學習方法尚未得到全面的研究，尤其是在毫米波大規模MIMO系統中。

傳統的信道估計主要分為時域信道估計和頻域信道估計。文獻[2]研究了時分雙工(Time Division Duplexing,TDD)模式下毫米波大規模MIMO訓練序列設計和信道估計優化算法，在提高估計精度的同時降低訓練開銷和算法復雜度。如何快速高效地獲取下行信道狀態信息成為了當前硏究的主要熱點。為了解決系統信道估計問題，現有文獻多釆用了閉環的信道估計結構[3]或者基于稀疏壓縮感知的信道表示方法[4]，通過利用信道矩陣的空時相關特性來減小有效信道維數。然而這些方法仍然依賴于高維的信道統計信息，因此訓練和反饋開銷仍然龐大。文獻[5]提出了一種基于波束訓練的信道跟蹤算法，克服了文獻[6]中幾何模型對信道跟蹤的限制。簡而言之，如何根據毫米波大規模MIMO天線的架構特征和特殊的信道特性，設計普適于時分雙工/頻分雙工系統的準確高效的信道估計算法是提升毫米波大規模MIMO系統頻譜有效率和能量效率的關鍵所在[7]。毫米波大規模MIMO系統相比于傳統的MIMO系統，在天線架構和信道建模方面有著很大的不同。天線數量的增多使得信道估計、預編碼設計、信號檢測等方面的計算復雜度都大大增加，系統效率的提升是目前所面臨的難題。因此，必須設計低開銷、低復雜度的算法來克服毫米波大規模MIMO系統所帶來的這些問題。

本文提出一種新穎的集成深度學習協調波束成形(Deep Learning Coordinated Beamforming,DLCBF)解決方案來代替傳統方法估計下行信道，通過訓練學習上行鏈路獲取下行鏈路的波束成形向量信息。采用多個基站同時對一個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、終端移動速度等)協調多個基站(Base Station,BS)波束成形，解決BS與移動用戶之間頻繁切換影響信道速率的問題。應對時變場景，使訓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的兼容性。仿真結果表明，所提出的DLCBF與傳統的毫米波波束成形策略相比有更高的頻譜效率(接近上限)，并且比現有的傳統方案具有更好的性能。

1 系統模型與問題描述

1.1 系統模型

如圖1的毫米波通信系統，有N個BS同時服務于同一個終端(Terminal,TE)，每個BS都有M個天線，且所有的BS都連接到云服務器端。此處只考慮每個BS只有一個射頻(Radio Frequency,RF)鏈路，并且使用移相器網絡應用模擬波束成形。為簡單起見，假設用戶只有一個天線，但是開發的算法和研究解決方案可以擴展到多天線用戶。

圖1 毫米波波束成形系統模型

(1)

(2)

1.2 問題描述

在高速移動(High Speed Mobile,HSM)場景，高速移動的用戶會帶來不可忽略的多普勒頻移，從而導致了額外的載波間干擾。為了簡化模型，沒有考慮來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轉換。信道模型如圖2所示。

圖2 高速移動場景下MIMO信道模型

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

(3)

(4)

2 問題求解

文獻[11]研究了一種在高速移動情況下的MIMO系統的稀疏信道估計方法，極大地避免了利用時域的稀疏性來估計大量的信道系數。本文主要對移動場景下設計出一種更加有效的波束成形方案降低計算復雜度，提高頻譜有效率。

如圖3所示，終端先在上行鏈路發送導頻信號，基站處通過全向接收模式和預定義碼本通過基站處理后發送到云端，在云處理器端訓練出一個合適的協調波束成形模型，然后基站處只通過全向接收模式接收上行導頻信號即可以得到合適的下行鏈路波束向量，使系統有更好的頻譜有效率。

圖3 協調波束成形系統模型

根據上述信道模型，用戶的頻譜有效率可以表示為

(5)

(6)

(7)

即產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性對實際信道數據速率的影響。本文主要目的是研究一種較為有效的信道訓練和波束成形的設計策略，以達到補償信道中多重因素的影響并最大化系統頻譜有效率，即最終問題解決方案可以表示為

(10)

2.1 深度學習協調波束成形

針對傳統的通信系統，文獻[12]提出了一種基線協調波束成形(Baseline Coordinated Beamforming,BLCBF)解決方案。在過去幾年里機器學習開始逐漸應用于很多場景下，其優點主要是能夠做出成功的預判。本文介紹毫米波系統下協調波束成形中機器學習的一種新穎的應用方案，該方案具有較低的復雜度，能減小訓練開銷，降低延遲。

2.1.1 訓練學習階段

(11)

(12)

然后將所有的波束成形碼本的組合信號從基站反饋到云服務器端，云服務器端根據每個RF波束成形矢量計算接收功率，并根據計算功率選擇BS的下行鏈路波束成形向量：

(13)

2.1.2 預測階段

將波束訓練導頻序列時間表示為Tp，頻譜有效率表示為

(14)

系統依賴于訓練的深度學習模型和從基站處捕獲的全向接收信號來預測RF波束成形向量。簡單來說，基站側使用全向接收每個波束相干時間內用戶發送上行導頻序列和預處理的碼本進行組合，反饋到云處理器；云處理器通過深度學習模型預測最佳的RF波束成形向量，以最大化每個基站中頻譜有效率；預測的RF波束成形向量在基站處組合下行導頻序列，并估計有效信道。深度學習預測階段，系統的頻譜有效率為

(15)

2.2 深度學習模型

本文所提出的DLCBF依賴于全向接收信號來預測波束成形方向?；诖?，將神經網絡模型的輸入定義為從N個基站收集的正交頻分復用全向接收序列，輸出為每個RF波束成形向量所預測的速率。本方法采用卷積神經網絡(Convolutional Neural Networks,CNN)模型，結構如圖4所示。

圖4 CNN模型結構

卷積層利用卷積核進行局部感知，通過反復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，直接學習這些特征分析容易出現過擬合的問題，使用池化層進一步調整卷積層的輸出。這樣能夠降低特征冗余度、運算量和網絡參數，過擬合問題也會在一定程度上得到改善。然后通過全連接層進行預測每個基站具有最高的速率所對應的最佳波束成形向量，此處采用回歸學習模型，神經網絡進行訓練以最小化損失函數，定義為

(16)

3 仿真與分析

3.1 仿真設置

由于DLCBF依賴于數據收發器的位置、位置幾何形狀與波束成形之間的相關性，即信道參數生成數據是非常重要的，所以，采用射線追蹤模式來仿真該場景，具體參數如表1所示。

表1 系統仿真參數

深度學習模型采用簡單的全連接層模型，每個基站有2N個輸入，它是N個基站的全向接收序列的實部和虛部，且有Ntr個輸出，模型的輸出代表的是頻譜有效率的波束成形向量。神經網絡模型具有6個全連接層，每層設置512個節點，完全連接層使用ReLU激活單元節點，并且將每層的drop-out設置為0.5%，在實驗過程中使用Keras庫和TensorFlow。

3.2 仿真分析

本節通過仿真對DLCBF、BLCBF和F-ChanEstNet方案的性能進行評估并與其性能最優上界Genie-Aided進行對比。

圖5展示了幾種不同方案中系統頻譜有效率與數據集大小之間的變化關系，該圖考慮了4個基站的視距場景下，服務于一個以50 m/h速度移動的車輛。通過仿真分析可以發現，隨著數據集的增多，BLCBF方案中系統頻譜有效率緩慢增長，但增長趨勢不明顯，這是因為此方案需要進行詳盡的波束訓練，會消耗大量的訓練資源并顯著降低傳輸速率。F-ChanEstNet方案中系統的頻譜有效率逐步增加，但并沒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景，而本文方案可以適應不同速度對用戶信道所帶來的影響，增長變化趨勢是先快后慢，然后趨于平穩，并接近性能上限。Genie-Aided表示在特定系統中信道模型的任何其他信道訓練和波束成形策略的性能上限，接近此界限說明了所提出的解決方案的最優性。

圖5 不同方案的比較

圖6展示了深度學習模型系統中4個基站為不同速度的終端服務,系統的頻譜有效率的變化趨勢。從圖6可以看出，同一模型下，不同終端速度所帶來的信道影響在該模型處理下系統效率差別很小，系統速率隨著數據集增大而增大，變化趨勢都是先快后慢，然后趨于平穩，但增幅很小，這也正說明了此模型對終端用戶信道中由速度所帶來的影響的適用性，同時也可以說明該方案適用于現在的很多高速移動的場景。

圖6 DLCBF系統中終端速度的影響

圖7展示了深度學習波束成形方案中不同基站數對同一用戶服務。通過仿真分析可以發現，隨著基站數量的增多，系統的頻譜有效率相應提升。多基站協調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，相應地系統頻譜有效率會提高。但是隨著數據集的增大，基站數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遠的基站信號傳輸衰減比較嚴重，而且基站數量的增加必定使系統的能耗增加。

圖7 DLCBF系統中基站數量的影響

4 結束語

本文提出了一種集成機器學習和協調波束成形策略的方案，可以實現大陣列天線毫米波系統中的高移動性應用。本文只考慮了單個用戶與基站之間的通信，實際場景中會涉及多用戶多基站之間的通信，因此本文可以作為后續研究的基礎，且本文算法同樣適用于多用戶多基站系統。下一步的研究可以擴展到多用戶系統中，并考慮用戶之間的干擾，研究更為復雜的毫米波波束成形機器學習模型，以及不同波束成形方案各個性能的最優解。