混合波束成形| 基于深度学习的大规模天线阵列混合波束成形设计

该论文是实验室师兄最新发表于WCL(IEEE Wireless Communication Letters)的一篇论文(tql ！！！)。这种采用深度学习与BF结合的方法给了我很大的启发。（膜拜，嘿嘿！） IEEE link：https://ieeexplore.ieee.org/document/8847377/ Arxiv link: https://arxiv.org/abs/1904.03657 Code Guithub(记得关注师兄github以及本CSDN账户，博主更新不易，需要支持！): https://github.com/TianLin0509/BF-design-with-DL

背景

混合波束赋形（HBF）已经得到了广泛的研究，它在有效抵消毫米波严重路径损耗与降低大规模MIMO系统开销方面有十分重要的意义。一些传统的方法，大多是基于凸优化、矩阵论、最优化理论等等（可以参考本博主混合波束赋形专栏）的设计。而最近通过深度学习的方法来处理这种传统问题引起了人们的关注。

系统模型

考虑下图的下行窄带MISO系统，采用HBF架构。

重要的一些参数（其余请参照论文）： v R F \mathbf{v}_{\mathrm{RF}} vRF​：维度为 N t × 1 N_{\mathrm{t}} \times 1 Nt​×1的模拟预编码 v D v_D vD​： 数字预编码权值（标量） h \mathbf{h} h ：维度为 1 × N t 1 \times N_{\mathrm{t}} 1×Nt​ 的信道矩阵

该系统的SE（Spectral Efficiency）： R = log ⁡ 2 ( 1 + 1 σ 2 ∥ h H v R F v D ∥ 2 ) R=\log _{2}\left(1+\frac{1}{\sigma^{2}}\left\|\mathbf{h}^{H} \mathbf{v}_{\mathrm{RF}} v_{\mathrm{D}}\right\|^{2}\right) R=log2​(1+σ21​∥∥​hHvRF​vD​∥∥​2) 其中，最大发送功率约束为： ∥ V R F v D ∥ 2 ≤ P \left\|\mathbf{V}_{\mathrm{RF}} v_{\mathrm{D}}\right\|^{2} \leq P ∥VRF​vD​∥2≤P， v R F \mathbf{v}_{\mathrm{RF}} vRF​受到恒定模量约束： ∣ [ v R F ] i ∣ 2 = 1 \left|\left[\mathbf{v}_{\mathrm{RF}}\right]_{i}\right|^{2}=1 ∣[vRF​]i​∣2=1。可以证明，最优 v D v_D vD​是 P / N t \sqrt{P / N_{t}} P/Nt​ ​，即满足最大功率约束。 此时，BF的设计问题可以表示为： maximize ⁡ v R F log ⁡ 2 ( 1 + γ N t ∥ h H v R F ∥ 2 )  subject to  ∣ [ v R F ] i ∣ 2 = 1 ,  for  i = 1 , … , N t \begin{aligned} &\underset{\mathbf{v}_{\mathbf{R F}}}{\operatorname{maximize}} \quad \log _{2}\left(1+\frac{\gamma}{N_{t}}\left\|\mathbf{h}^{H} \mathbf{v}_{\mathbf{R F}}\right\|^{2}\right)\\ &\text { subject to } \quad\left|\left[\mathbf{v}_{\mathrm{RF}}\right]_{i}\right|^{2}=1, \quad \text { for } i=1, \ldots, N_{\mathrm{t}} \end{aligned} ​vRF​maximize​log2​(1+Nt​γ​∥∥​hHvRF​∥∥​2) subject to ∣[vRF​]i​∣2=1, for i=1,…,Nt​​ 其中， γ = P σ 2 \gamma=\frac{P}{\sigma^{2}} γ=σ2P​代表信噪比（SNR）。由于SNR一般认为可以比CSI更加准确的估计，因此作者假设 γ est  = γ \gamma_{\text {est }}=\gamma γest ​=γ。

文章贡献

文章贡献如下：

• 新的设计方法：利用估计的CSI作为BFNN输入，直接输出最优beamforming权值
• 新颖的Loss函数：创新性地提出了与SE十分相关的一个Loss函数
• 对于非理性CSI的鲁棒性：提出了一种两阶段设计方法，利用估计的CSI作为输入，让BFNN学会接近理想CSI下的SE。在线部署阶段，BFNN能够适应非理性CS实现对信道估计误差的鲁棒性。

NN（Neural Network）设计 一些挑战

BFNN的设计存在以下几个挑战：

1. BFNN的输入应该是什么？大多基于深度学习的工作是将接收到的基带信号作为输入，而接收信号本身也是 v R F \mathbf{v}_{\mathrm{RF}} vRF​的函数需要去优化。同时接收信号维度太低。
2. 如何保证BFNN的输出 v R F \mathbf{v}_{\mathrm{RF}} vRF​满足约束？大多深度学习（Deep Learning）如，tensoflow、pytorch框架并不支持复数输出。因此对输出施加恒模约束很困难。
3. 训练BFNN的时候如何打标签？大多传统的智能通信系统设计，标签是设定为传输比特或理想CSI。对于BF设计很难找到一个合适的标签（首先，目前到这篇博文为止无世界上最优的HBF，只有更优的HBF设计…其次，如果采用的传统HBF算法的 v R F \mathbf{v}_{\mathrm{RF}} vRF​为标签，无论怎么设计也不可能优于传统算法）

作者的精彩应对：

1. BFNN的输入：估计的信道矩阵 h e s t \mathbf{h}_{\mathrm{est}} hest​,估计的信噪比 γ est  \gamma_{\text {est }} γest ​作为输入。
2. Lamda层满足恒模约束：经典的、完美的欧拉公式 v R F = exp ⁡ ( j ⋅ θ ) = cos ⁡ ( θ ) + j ⋅ sin ⁡ ( θ ) \mathbf{v}_{\mathrm{RF}}=\exp (\mathrm{j} \cdot \boldsymbol{\theta})=\cos (\boldsymbol{\theta})+\mathbf{j} \cdot \sin (\boldsymbol{\theta}) vRF​=exp(j⋅θ)=cos(θ)+j⋅sin(θ)将相位 θ \boldsymbol{\theta} θ作为在最后一个Dense层的输出，然后添加一个基于欧拉公式的Lamda层满足恒模约束。（虽然理论公式简单…但是这种想法太妙，使得输出自然满足恒模约束！tql）
3. Loss 函数：在作者的设计中不需要标签，直接将Loss函数定义为：  Loss  = − 1 N ∑ n = 1 N log ⁡ 2 ( 1 + γ n N t ∥ h n H v R F , n ∥ 2 ) \text { Loss }=-\frac{1}{N} \sum_{n=1}^{N} \log _{2}\left(1+\frac{\gamma_{n}}{N_{\mathrm{t}}}\left\|\mathbf{h}_{n}^{H} \mathbf{v}_{\mathrm{RF}, n}\right\|^{2}\right)  Loss =−N1​n=1∑N​log2​(1+Nt​γn​​∥∥​hnH​vRF,n​∥∥​2) 其中 N N N是训练样本总个数， γ n \gamma_{n} γn​， h n \mathbf{h}_{n} hn​和 v R F , n , \mathbf{v}_{\mathrm{RF},n}, vRF,n​,分别代表第 n n n个样本的SNR、CSI和输出模拟波束赋形权值。（注意：Loss函数的减少正好对应着平均SE的增加！）

两阶段设计方法

作者提出了两阶段设计方法，如下图所示：

1. 离线训练阶段：通过仿真，产生信道样本（理想CSI）、传输导频信号，噪声样本。然后在BS端实际的毫米波信道估计器利用获得部分的CSI（非理想CSI）。将估计的信道矩阵 h e s t \mathbf{h}_{\mathrm{est}} hest​,估计的信噪比 γ est  \gamma_{\text {est }} γest ​作为BFNN的输入然后输出最优 v R F , n , \mathbf{v}_{\mathrm{RF},n}, vRF,n​,最小化Loss函数。这里直接将理想CSI和SNR作为Loss的输入，这样做的好处是BFNN可以通过训练学会如何尽可能接近基于理想CSI下的SE从而对信道估计误差产生鲁棒性！
2. 在线部署阶段：实际的在线部署，BFNN的所有参数已被训练完毕并且固定，同时接收非理想CSI作为输入，直接输出模拟波束赋形权值。

仿真性能

考虑一个 N t = 64 N_{\mathrm{t}}=64 Nt​=64的MISO系统。将估计的基带等效信道矩阵 h e s t \mathbf{h}_{\mathrm{est}} hest​拆分为实部和虚部同时与 γ est  \gamma_{\text {est }} γest ​串联而成一个 ( 2 N t + 1 ) × 1 \left(2 N_\text{t}+1\right) \times 1 (2Nt​+1)×1实值输入向量。三个Dense层分别有256、128和64个神经元。为了增强收敛性，每个Dense层之前连接一个batch-normalization层。最后，添加一个Lamda层使得最后的输出满足恒模约束，整个BFNN的细节如下图。

在实验中，训练、验证、测试集分别包含了 1 0 5 10^{5} 105， 1 0 4 10^{4} 104和 1 0 4 10^{4} 104个样本。学习速率初始化为0.001，使用Adam优化器。具体的信道生成参照论文。 下图展示了，三种导频信噪比（PNR），即：-20dB,0dB和20dB下,，且估计的信道径数正确。可以看出，在PNR=20dB的时候有一定的增益，在低PNR的时候增加变得更大！

最后一张图考虑了对径数估计存在误差时的情况，实际情况中径数被预设为一个很小的值。同样可以看出，基于BFNN的设计仍然有一个更大的性能改善。

结论

针对采用大规模天线阵列的毫米波系统，作者提出了基于深度学习的BF设计方法。采用自定义的Lamda层和Loss函数很好地处理了存在硬件约束和非理想CSI挑战的毫米波系统设计。仿真结果展示了：相较于传统算法，BFNN设计所带来的性能提升十分具有竞争力！

相关阅读

• 专栏： 混合波束成形
• 专栏： 智能反射面
• 混合波束成形|基础：深入浅出5G，毫米波，大规模MIMO与波束赋形
• 混合波束成形|进阶：深入浅出混合波束赋形
• 混合波束成形| 基于坐标迭代更新法的混合波束赋形算法
• 混合波束成形| 基于正交匹配追踪（Orthogonal Matching Pursuit）法的混合波束赋形算法
• 混合波束成形| 论文：基于MMSE准则的混合波束成形算法
• 混合波束成形| 通过天线空间方向图理解波束成形的物理意义
• 混合波束成形| 基于深度学习的大规模天线阵列混合波束成形设计
• 混合波束成形| MIMO系统的DFT码本
• 混合波束成形| HBF系统的克拉美罗下界