毫米波车载系统中基于深度学习的压缩波束对齐

毫米波车载信道呈现出一定的结构，与穷举波束搜索相比，可利用该结构以更少的信道测量实现波束对齐。由于路边建筑布局固定且车辆运动轨迹规则，信道的主导路径方向很可能位于波束方向的一个子集内，而非随机分布于整个波束空间。本文提出一种基于深度学习的技术，用于设计结构化压缩感知（CS）矩阵，该矩阵非常契合毫米波车载波束对齐的底层信道分布。所提方法同时利用了车载信道中的稀疏性及其特有的空间结构。我们将压缩信道获取建模为一个二维（2D）卷积层后接 dropout。我们设计全连接层以优化信道获取与波束对齐。在神经网络训练过程中，我们通过使用投影梯度下降进行权重更新，从而纳入低分辨率相移器的约束。此外，我们利用信道频谱结构来优化分配给不同子载波的功率。仿真表明，我们基于深度学习的方法比使用基于随机相移设计的常规 CS 技术实现了更好的波束对齐。数值实验还表明，单个子载波即足以提供波束对齐所需的信息。