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:浙江大学
摘要:本发明公开了一种基于流形元学习的RIS辅助鲁棒性波束赋形设计方法,通过降维处理基站预编码矩阵以简化计算、提升运行速度。本方法首先初始化RIS相移矩阵和低维基站预编码矩阵,分别计算频谱效率SE关于它们的偏导数,并将其两个小规模神经网络进行处理,再将输出增量与原矩阵相加,施加约束。通过多次循环,计算并累积损失函数,平均后反向传播以更新网络参数。经过多次更新神经网络,再对基站预编码矩阵进行维度还原,得到最终的RIS相移矩阵和基站预编码矩阵。本发明提出的方法较交替迭代复杂度低,性能高,无需预训练,且在非完美信道信息和动态场景下展现出强大鲁棒性。
主权项:1.一种基于流形元学习的RIS辅助鲁棒性波束赋形设计方法,其特征在于,所述方法包括以下步骤:从RIS辅助的波束赋形场景获取信道数据,将基站预编码矩阵通过流形元学习进行降维,得到低维基站预编码矩阵;将参数进行初始化,输入低维基站预编码矩阵和RIS相移矩阵,分别通过预编码矩阵神经网络和RIS相移矩阵神经网络计算得到初次优化后的低维基站预编码矩阵和RIS相移矩阵;通过迭代轮次循环对两个神经网络的参数进行更新;所述迭代轮次循环共有第一预设数量轮次,每一轮的迭代轮次循环均包括第二预设数量轮次的外循环,每一轮的外循环均包括第三预设数量轮次的内循环;每轮迭代轮次循环的损失函数为第二预设数量轮次外循环的损失函数的平均值;在每轮迭代轮次循环的初始都将平均损失函数置为0,更新预编码矩阵神经网络以及RIS相移矩阵神经网络的参数;同时计算频谱效率,如果大于得到的最大速率值,则将得到的最大速率值更新为此值并且记录下对应的低维基站预编码矩阵以及RIS相移矩阵;所述外循环具体为:在第三预设数量轮次的内循环结束后,获取最后一次输出的低维基站预编码矩阵和RIS相移矩阵,计算频谱效率的相反数作为损失函数,且将每次外循环获得的损失函数进行累计;所述内循环的流程和计算初次优化后的基站预编码矩阵和RIS相移矩阵一致,每次外循环开始,在运行第一个内循环计算偏导数的时候,计算基站预编码矩阵的过程继承上一个外循环优化好的RIS相移矩阵而将基站预编码矩阵重置为初始值,计算RIS相移矩阵的过程继承上一个外循环优化好的基站预编码矩阵而将RIS相移矩阵重置为初始值;所述更新预编码矩阵神经网络以及RIS相移矩阵神经网络的参数具体计算为: 其中和为更新后的预编码矩阵神经网络以及RIS相移矩阵神经网络的参数;为平均损失函数;θX和θΘ分别为更新前的预编码矩阵神经网络以及RIS相移矩阵神经网络的参数;Adam代表自适应矩估计优化器,αX和αΘ分别代表预编码矩阵神经网络以及RIS相移矩阵神经网络对应的学习率;根据更新后的神经网络计算得到最终优化的低维基站预编码矩阵,通过流形元学习升维得到最终优化的基站预编码矩阵。
全文数据:
权利要求:
百度查询: 浙江大学 基于流形元学习的RIS辅助鲁棒性波束赋形设计方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。