SCI论文（www.lunwensci.com）:
摘要：本文构建了毫米波无线信道仿真模型,探究了基于机器学习的波束选择技术。以系统的总和传输速率为指标,通过毫米波无线信道进行传输,使用MATLAB分别对其进行了仿真,并分析了所提方案的系统性能。仿真结果表明,基于SVM机器学习的波束选择方法就可以提供接近理论的最佳性能,且该算法实现复杂度要比穷举搜索法低几个数量级。
关键词：毫米波通信；机器学习；波束赋形；波束选择
Simulation of 5G Millimeter Wave Communication Technology Based on Beam Selection
XIAO Liqiang
(Henan University of Science and Technology,Luoyang Henan 471000)
【Abstract】：This paper constructs a millimeter wave wireless channel simulation model,the beam selection technology based on machine learning is explored.Taking the total transmission rate of the system as the index,transmission through millimeter wave wireless channel,they were simulated using MATLAB respectively,the system performance of the proposed scheme is analyzed.The simulation results show that,the beam selection method based on SVM machine learning can provide the best performance close to the theory,and the implementation complexity of the algorithm is several orders of magnitude lower than the exhaustive search method.
【Key words】：millimeter wave communication;machine learning;beamforming;beam selection
0引言
在混合波束成形中,每个RF Chain都配备了移相器以进行模拟波束成形。为了保证HBF系统的总传输速率以及误码率方面的性能,为每个RF Chain选择最佳的模拟波束显得尤为重要。近来许多毫米波通信系统方面的研究都集中在HBF系统中模拟波束的选择上。当候选模拟波束的数量不多时,该方案能够在较高的SNR体制下实现接近理论的频谱效率。文献[1]提出了两种基于Rotman透镜进行波束形成的模拟波束选择算法,能够实现更高的BER性能。文献[2]中,提出了一种穷举方法来选择使SNR或SINR最大的模拟波束。截至目前,所有相关工作都尝试通过计算所有组合方案性能指标来找到最佳的模拟波束组合。
为每个RF链选择合适的模拟波束是一项高度复杂的工作过程。这给实时通信带来了无法接受的延迟。在文献[3]中,引入了压缩感知(Compressive Sensing,CS)来从大尺寸空间中的测量或观测值估计稀疏信号或参数。CS是一种功能强大的工具,可以应用于从图像压缩到雷达应用的许多问题。在无线通信中,CS还应用于各种稀疏多径信道估计问题和CSI反馈。近来,大数据作为一种利用计算机从海量数据中发掘有价值信息的前沿技术已引起广泛关注。大数据使我们能够利用大量信道状态、信息相关数据从数据中预测出未来可行方案。在移动蜂窝通信的研究中,大数据将为我们带来蜂窝通信网前所未有的革新,能为蜂窝网络设计和优化提供新颖有效解决方案。例如,文献[4]中已经研究了包含大数据的蜂窝网络,文献[5]中提出了一种基于大数据的自优化5G网络。正如文献[4]和文献[5]中所述,机器学习能够从海量的信道状态数据中挖掘出隐藏的规律,并对信道传播环境做出判断。
然而,上述文献没有考虑低复杂度。本文探究了一种采用支持向量机(SVM)进行机器学习的解决方案。首先,将波束选择问题抽象为多类分类问题,将大量毫米波信道状态信息作为训练数据。基于这些数据,采用SVM算法来获得最大化总和率性能的统计分类模型。通过模型,实时传输过程中可以在BS处为每个用户选择最佳的模拟波束,且该算法实现复杂度较低。分析和仿真结果表明,与传统的穷举方法相比,所提出的机器学习波束选择算法能够逐渐接近理论的总速率性能,同时其实现复杂度也将大大降低。
本文结构如下：第二部分介绍了基于机器学习的波束；第三部分介绍了仿真分析；第四部分主要对本文内容进行总结。
1基于机器学习的波束
1.1基于SVM的波束选择算法
SVM是一种监督式机器学习算法,由于其采用了内核技巧,因此SVM在处理线性不可分离的样本集和避免过度拟合方面具有优势。在SVM算法中,将每个数据项表示为n维空间中的一个点(其中n是特征向量的维数),每个特征的值是特定坐标的值。通过找到可以很好地区分两个类别的分离超平面进行分类。通过超平面,当出现新的输入数据时,该模型便可以预测新输入数据的类别。
我们分别为正、负样本选择不同的充裕常数,如式(1)所示：
在常规SVM中,优化问题的拉格朗日乘数最优集合可通过顺序最小优化算法(SMO)来快速可靠收敛。SMO是解决公式(2)中描述的优化问题的迭代算法。SMO可以将此问题分解为一系列可能的最小子问题,并通过分析来解决。在提出的支持向量机中,由于拉格朗日乘子的约束条件与常规支持向量机不同,需要分析拉格朗日乘子的新约束条件以用于SMO算法。在SMO算法的每次迭代之后,新的Lagrange乘数必须在约束区域内。
1.2参数优化
如上所示,所提出的支持向量机方法的分类性能主要取决于核函数的参数σ和惩罚常C+和C _。
由于SVM是一种基于核函数的机器学习方法,本文采用了一种根据空间距离确定最佳σ的方法。为了获得较高的分类结果准确性,希望同样本之间的空间距离更小,而不同样本之间的空间距离更远。因此,我们能够基于此准则确定最佳σ,如式(4)所示：
接下来对参数C+和C _进行优化,为了在不平衡数据集中分离超平面的准确性,我们为正样本选择较大的惩罚常数,而为负样本选择较小的惩罚常数。如优化问题式(5)所示,针对一些积极作用类别的错误分类将导致较大惩罚,从而提高了SVM分类器的准确性。基于此标准,采用正样本数和负样本数的倒数分别作为C+和C _。
1.3分类阶段
当确定和设计参数后,波束分类器cn∈F可以表示为如式(10)所示：
其中,tk是需分类的新特征向量,si是支持向量,ν1是支持向量合集。
当g(tk)>0时,认为GHkcn 2的输出优于GHkci 2,其中i≠n,则对于用户k的最佳传输波束为cn。
1.4算法步骤
基于SVM的数据驱动波束选择算法如表1所示步骤实现。
2仿真分析
本节主要对压缩感知波束选择算法和SVM的波束选择进行了仿真和分析,仿真工具采用MATLAB平台。将k用户的路径损耗建模为前述模型,每个小区K中用户数量设置为10,用户与BS之间的距离是以间隔[10、15]均匀分布的变量。对于毫米波信道,我们设置散射路径数L=4,并且用户和BS的离开或到达的方位角均匀地分布在(0,2π),信号波长λ=5mm,天线元件间距λ/2。
假设有5个候选发射模拟波束,可以表示为如式(11)所示：
其中n*=(n−1)F,此外,我们假设在中有三个
候选接收波束,并且每个码字也由此规则构成。
如图1所示展示了在不同SNR下的平均上行链路总速率,该平均总速率是在1000个信道实现上获得的。的数据驱动模拟波束选择方法的总速率与次优化方法非常接近。的数据驱动方法会明显降低上行链路总速率。
如图2所示显示了平均上行链路总速率与训练样本数的关系。随着训练次数的增加,数据驱动模拟波束选择方法的总速率趋于接近次优化方法总速率。例如,当训练样本数为1000时,数据驱动方法的总和比次优化方法的总和低15％,这个性能是不理想的。而当训练样本数为10000时,数据驱动方法的总和与次优化方法的总和几乎相同。因此,图1和图2显示了数据驱动方法高度依赖于训练数据的数量。只要训练数据的数量足够大,基于SVM机器学习的波束选择方法就可以提供接近最佳的理论性能,其实现复杂度要比穷举搜索法低几个数量级。
3结论
本文根据3GPP于2019.12发布的技术报告TR 38.901 V16.1.0构建了毫米波无线信道仿真模型,并在模型中融入了大规模MIMO技术与混合波束赋形技术。通过仿真平台对所提方案进行分析,仿真结果说明基于机器学习的波束选择算法则高度依赖于海量的训练数据。只要训练数据量足够大,基于SVM机器学习的波束选择方法就可以提供接近理论的最佳性能,而且该算法实现复杂度要比穷举搜索法低几个数量级。
参考文献
[1]GAO Y,KHALIEL M,ZHENG F,et al.Rotman Lens Based Hybrid Analog–Digital Beamforming in Massive MIMO Systems:Array Architectures,Beam Selection Algorithms and Experiments[J].IEEE Transactions on Vehicular Technology,2017,66(10):9134-9148.
[2]REN Y,WANG Y,QI C,et al.Multiple-Beam Selection With Limited Feedback for Hybrid Beamforming in Massive MIMO Systems[J].IEEE Access,2017,5:13327-13335.
[3]CANDES E J,WAKIN M B.An Introduction To Compressive Sampling[J].IEEE Signal Processing Magazine,2008,25(2):21-30.
[4]BI S,ZHANG R,DING Z,et al.Wireless Communications in the Era of Big Data[J].IEEE Communications Magazine,2015,53(10):190-199.
[5]IMRAN A,ZOHA A.Challenges in 5G:How to Empower SON with Big Data for Enabling 5G[J].IEEE Network,2014,28(6):27-33.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/45937.html
