全双工毫米波系统中基于学习的混合波束成形设计
信号处理
2020-04-20 v1 机器学习
性能
机器学习
摘要
相对于半双工，全双工(FD)毫米波(mmWave)通信有提升频谱效率的潜力。然而，FD带来的残余自干扰(SI)以及mmWave信号固有的高路径损耗可能降低系统性能。同时，混合波束成形(HBF)是一种以合理复杂度增强信道增益并抑制干扰的有效技术。然而，传统FD mmWave系统的HBF方法基于优化过程，要么过于复杂，要么强烈依赖信道状态信息(CSI)的质量。我们提出两种学习方案为FD mmWave系统设计HBF，即基于极限学习机的HBF(ELM-HBF)和基于卷积神经网络的HBF(CNN-HBF)。具体而言，我们首先提出一种基于交替方向乘子法(ADMM)的算法实现SI消除波束成形，然后使用基于优化最小化(MM)的算法进行收发联合HBF优化。为训练学习网络，我们模拟含噪信道作为输入，并选取所提算法计算的混合波束成形器作为目标。结果表明，两种基于学习的方案均能提供更鲁棒的HBF性能，且相比正交匹配追踪(OMP)算法频谱效率至少提升22.1%。此外，所提基于学习方案的在线预测时间比OMP方案快近20倍。并且，在64根收发天线下，ELM-HBF的训练时间约为CNN-HBF的1/600。
引用
@article{arxiv.2004.08285,
title = {Learning Based Hybrid Beamforming Design for Full-Duplex Millimeter Wave Systems},
author = {Shaocheng Huang and Yu Ye and Ming Xiao},
journal= {arXiv preprint arXiv:2004.08285},
year = {2020}
}
备注
13 pages, 8 figures, 1 table