混合波束赋形|Deep-Learning-Based Millimeter-Wave Massive MIMO for Hybrid Precoding

混合波束赋形|Deep-Learning-Based Millimeter-Wave Massive MIMO for Hybrid Precoding

原文：H. Huang, Y. Song, J. Yang, G. Gui and F. Adachi, "Deep-Learning-Based Millimeter-Wave Massive MIMO for Hybrid Precoding," in IEEE Transactions on Vehicular Technology, vol. 68, no. 3, pp. 3027-3032, March 2019, doi: 10.1109/TVT.2019.2893928.

摘要：

采用数模混合结构的毫米波 Massive MIMO 能够显著降低系统的硬件复杂度和能量消耗。但是其存在的问题是现有的混合波束预编码方法计算复杂度较高。文章提出了一种基于深度学习的混合预编码方法，利用深度神经网络（DNN）建立映射关系。通过仿真验证，文章提出的方法能够有效得提高BER和频谱效率且能一定程度上降低系统的计算复杂度。

一、简介

作为5G最重要的技术之一，毫米波通信能够在利用高频带资源的同时也带来了很高的路径损耗。毫米波 Massive MIMO是一种有效的能够增加系统吞吐量的方法。在现有的方法中，仍然存在模拟预编码器的非凸限制和如何利用毫米波 Massive MIMO结构特征的挑战。最近，利用深度学习的新的预编码方法被提出来解决混合预编码系统中存在的问题。深度学习能够有效的应对大量的数据以及复杂的非线性问题。

本文的主要贡献如下：

1. 将深度学习引入混合预编码过程；设计出一个DNN模型作为预编码器（黑盒子），利用每一层的激活函数建立最终的映射关系。

2. 提出基于深度学习的混合预编码结构；DNN通过模型训练获得混合预编码结构的特征以及降低计算复杂度。

在文章的后几个章节，作者也拿出了仿真结果以验证所设计的混合预编码结构的有效性。

 

二、系统模型

考虑典型的毫米波 Massive MIMO系统，在基站处配置根发射天线以及在移动台处配置根接收天线，数据流数为。RF链数分别为和。他们的约束关系可以表示为。信道模型采用经典的SV模型构造，信道矩阵