本申請涉及近場通信領(lǐng)域，特別是涉及一種基于深度學習的無碼本近場波束賦形方法、裝置、設(shè)備、介質(zhì)及產(chǎn)品。

背景技術(shù)：

1、近場通信具有提高通信覆蓋范圍和信號質(zhì)量的潛力，但也面臨著一系列技術(shù)挑戰(zhàn)：

2、信道建模復(fù)雜：近場信道具有更多的傳播路徑和復(fù)雜的信號衰減特性，傳統(tǒng)的遠場信道模型難以精確描述近場環(huán)境下的信道特征。

3、信道狀態(tài)信息復(fù)雜：近場信道狀態(tài)信息更為復(fù)雜，傳統(tǒng)方法難以充分學習到多樣化的信道特征，導(dǎo)致信道估計不夠準確。

4、波束訓(xùn)練開銷大：由于近場波束碼本包含角度和距離信息，比遠場的僅與角度相關(guān)的碼本復(fù)雜，導(dǎo)致波束訓(xùn)練的開銷大幅增加。

技術(shù)實現(xiàn)思路

1、本申請的目的是提供一種基于深度學習的無碼本近場波束賦形方法、裝置、設(shè)備、介質(zhì)及產(chǎn)品，可對近場信道進行高效特征提取和估計，減少波束訓(xùn)練的開銷。

2、為實現(xiàn)上述目的，本申請?zhí)峁┝巳缦路桨福?/p>

3、第一方面，本申請?zhí)峁┝艘环N基于深度學習的無碼本近場波束賦形方法，包括：

4、構(gòu)建并訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型；所述卷積神經(jīng)網(wǎng)絡(luò)模型包括多個特征提取模塊，每個特征提取模塊均包括兩層卷積層、兩層正則化層和兩層激活層；在第一層卷積時，設(shè)置填充為1，卷積核大小為2×2，在第二層卷積時，設(shè)置填充為0，卷積核大小為2×2；

5、將當前的信道狀態(tài)信息輸入至訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型中，確定最優(yōu)波束賦形矢量；

6、基于所述最優(yōu)賦形矢量調(diào)整天線陣列的發(fā)射信號形成定向波束，完成近場波束賦形。

7、第二方面，本申請?zhí)峁┮环N基于深度學習的無碼本近場波束賦形裝置，包括：

8、模型構(gòu)建和訓(xùn)練模塊，用于構(gòu)建并訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型；所述卷積神經(jīng)網(wǎng)絡(luò)模型包括多個特征提取模塊，每個特征提取模塊均包括兩層卷積層、兩層正則化層和兩層激活層；在第一層卷積時，設(shè)置填充為1，卷積核大小為2×2，在第二層卷積時，設(shè)置填充為0，卷積核大小為2×2；

9、最優(yōu)波束賦形矢量確定模塊，用于將當前的信道狀態(tài)信息輸入至訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型中，確定最優(yōu)波束賦形矢量；

10、近場波束賦形模塊，用于基于所述最優(yōu)賦形矢量調(diào)整天線陣列的發(fā)射信號形成定向波束，完成近場波束賦形。

11、第三方面，本申請?zhí)峁┝艘环N計算機設(shè)備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序以實現(xiàn)上述中任一項所述的基于深度學習的無碼本近場波束賦形方法的步驟。

12、第四方面，本申請?zhí)峁┝艘环N計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)上述中任一項所述的基于深度學習的無碼本近場波束賦形方法的步驟。

13、第五方面，本申請?zhí)峁┝艘环N計算機程序產(chǎn)品，包括計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)上述中任一項所述的基于深度學習的無碼本近場波束賦形方法的步驟。

14、根據(jù)本申請?zhí)峁┑木唧w實施例，本申請公開了以下技術(shù)效果：

15、本申請?zhí)峁┝艘环N基于深度學習的無碼本近場波束賦形方法、裝置、設(shè)備、介質(zhì)及產(chǎn)品，通過對卷積神經(jīng)網(wǎng)絡(luò)模型中卷積核和填充大小的巧妙設(shè)計，使得卷積神經(jīng)網(wǎng)絡(luò)模型能有效提取信道狀態(tài)信息的特征，從而導(dǎo)出最優(yōu)波束賦形矢量。本申請依托于卷積神經(jīng)網(wǎng)絡(luò)模型強大的數(shù)據(jù)處理能力和高效的并行計算能力，不僅能有效減少波束訓(xùn)練的帶來的開銷，而且能獲得更高的波束賦形精度。

技術(shù)特征：

1.一種基于深度學習的無碼本近場波束賦形方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于深度學習的無碼本近場波束賦形方法，其特征在于，在構(gòu)建并訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型之前，還包括：

3.根據(jù)權(quán)利要求2所述的基于深度學習的無碼本近場波束賦形方法，其特征在于，采集到的信道狀態(tài)信息的表達式為：

4.根據(jù)權(quán)利要求2所述的基于深度學習的無碼本近場波束賦形方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程包括：

5.根據(jù)權(quán)利要求2所述的基于深度學習的無碼本近場波束賦形方法，其特征在于，所述用戶可達速率的計算公式為：

6.根據(jù)權(quán)利要求4所述的基于深度學習的無碼本近場波束賦形方法，其特征在于，所述損失函數(shù)loss的表達式為：

7.一種基于深度學習的無碼本近場波束賦形裝置，其特征在于，包括：

8.一種計算機設(shè)備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序以實現(xiàn)權(quán)利要求1-6中任一項所述的基于深度學習的無碼本近場波束賦形方法的步驟。

9.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1-6中任一項所述的基于深度學習的無碼本近場波束賦形方法的步驟。

10.一種計算機程序產(chǎn)品，包括計算機程序，其特征在于，該計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1-6中任一項所述的基于深度學習的無碼本近場波束賦形方法的步驟。

技術(shù)總結(jié)
本申請公開了一種基于深度學習的無碼本近場波束賦形方法、裝置、設(shè)備、介質(zhì)及產(chǎn)品，涉及近場通信領(lǐng)域，該方法包括構(gòu)建并訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型；所述卷積神經(jīng)網(wǎng)絡(luò)模型包括多個特征提取模塊，每個特征提取模塊均包括兩層卷積層、兩層正則化層和兩層激活層；在第一層卷積時，設(shè)置填充為1，卷積核大小為2×2，在第二層卷積時，設(shè)置填充為0，卷積核大小為2×2；將當前的信道狀態(tài)信息輸入至訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型中，確定最優(yōu)波束賦形矢量；基于所述最優(yōu)賦形矢量調(diào)整天線陣列的發(fā)射信號形成定向波束，完成近場波束賦形。本申請不僅能有效減少波束訓(xùn)練的帶來的開銷，而且能獲得更高的波束賦形精度。

技術(shù)研發(fā)人員：崔原豪,聶佳莉,張迪,鞏譯
受保護的技術(shù)使用者：北京破曉云依科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/30