买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：东南大学

摘要：本发明公开了一种基于无监督学习的RIS辅助通信系统预编码与相移方法，该方法首先利用基站到RIS以及RIS到用户的信道信息，经过预处理获得卷积神经网络所需要的训练样本集；接着构建一个两级卷积神经网络模型，初始化模型相关参数，并采用分段的训练方法对卷积网络模型进行离线训练，使得模型预测的基站混合预编码以及RIS相移所对应的损失函数尽可能的小，以获得模型参数。在线预测时，利用待设计的系统中的信道信息，经过预处理后生成模型的归一化输入矩阵，由已训练的模型在线预测获得基站的混合预编码矩阵以及RIS相移矩阵。该方法利用无监督学习进行预编码和RIS相移的设计，可以显著的降低计算复杂度和时延并获得较高的频谱效率。

主权项：1.一种基于无监督学习的RIS辅助通信系统预编码与相移方法，其特征在于，包括以下步骤：步骤一、基站为配置Nt个天线单元的均匀线性天线阵列，其射频链路数为发送Ns路独立数据流，RIS为具有M个反射单元的均匀平面反射表面，用户侧为配备Nr个天线单元的均匀线性天线阵列，其具有条射频链路且基站和RIS均已知基站到RIS以及RIS到用户间的信道矩阵，分别记为G和R，其中G的第i行第j列元素表示基站第j根天线到第i个RIS反射单元之间的信道系数，R的第i行第j列元素则表示第j个RIS反射单元到用户第i根天线的信道系数；对G和R进行预处理得到作为输入的三维矩阵样本，具体为利用R的第i列ri与GT的第i列gi进行运算得到仅与第i个反射单元相关的信道信息，上标·T表示矩阵转置，然后将二维矩阵Ti,i＝1,…,M在第三维堆叠构成Nr,Nt,M的三维矩阵T，最后将复数的三维矩阵T分解为幅度和相位两个实数矩阵[AT,PT]得到输入的一个训练样本，其中A·表示对括号内矩阵取各元素幅度，P·表示对括号内矩阵取各元素相位；采用上述方法，生成N个训练样本；步骤二、构建两级卷积神经网络模型并采用Xaviernormal初始化模型参数，其中第一级卷积神经网络的输入为步骤一中预处理得到的训练样本，输出作为RIS的离散相移向量[φ1,…,φi,…,φM]，根据离散相移向量计算得到离散相移的RIS反射系数矩阵其中φi表示第i个反射单元的相移，i＝1,…,M；第二级的卷积神经网络的输入是将从基站经RIS到用户的等效级联信道H＝RΦG分解为幅度和相位两个实数矩阵[AH,PH]，输出作为模拟预编码矩阵FRF和数字预编码矩阵FBB；步骤三、采用分段训练的方法利用步骤一中生成的训练样本对前述两级卷积神经网络进行训练，直至系统神经网络参数收敛；步骤四、在线预测时，对获得的瞬时基站到RIS以及RIS到用户间的信道矩阵G和R采用步骤一所述方法进行预处理，即利用R的第i列ri与GT的第i列gi进行运算得到仅与第i个反射单元相关的信道信息，上标·T表示矩阵转置，然后将二维矩阵Ti,i＝1,…,M在第三维堆叠构成Nr,Nt,M的三维矩阵T，最后将复数的三维矩阵T分解为幅度和相位两个实数矩阵[AT,PT]得到本次预测所需的输入，此后输入已训练的模型，由第一级卷积神经网络的输出[φ1,…,φi,…,φM]构建得到RIS反射系数矩阵由第二级卷积神经网络输出模拟预编码阵FRF和数字预编码矩阵FBB，再利用已经获得的RIS反射系数矩阵、模拟预编码矩阵和数字预编码矩阵，根据MMSE准则计算获得数字合并矩阵WBB；所述分段训练方法，首先固定第一级神经网络参数不变，仅训练更新第二级神经网络参数，至其收敛；然后固定第二级已经收敛的神经网络参数不变，仅训练更新第一级神经网络参数，至其收敛；最后联合训练两级神经网络，至整个系统参数收敛；在整个训练过程中，采用如下的损失函数 其中B表示一个批次训练样本的大小，Ri表示该批次训练样本中第i个样本的频谱效率，由下式子求计算得到 其中上标表示矩阵的广义逆，上标·H表示矩阵的共轭转置，表示单位矩阵，Hi＝RiΦiGi为该批次训练样本中第i个样本所对应的等效级联信道，Ri和Gi为该批次训练样本中第i个样本所对应的基站到RIS以及RIS到用户间的信道矩阵,Φi为该批次训练样本中第i个样本所对应的前述神经网络输出的RIS反射系数矩阵,σ2为噪声功率，为该批次训练样本中第i个样本所对应的前述神经网络输出的模拟预编码矩阵，为该批次训练样本中第i个样本所对应的前述神经网络输出的数字预编码矩阵，为MMSE方法求得的该批次训练样本中第i个样本所对应的数字合并矩阵，具体计算方法如下 并且步骤四中在线预测时根据MMSE准则计算获得数字合并矩阵WBB的方法也为上述表达式所描述的方法。

全文数据：

权利要求：

百度查询： 东南大学 基于无监督学习的RIS辅助通信系统预编码与相移方法