CN119496531A 用于优化mimo系统容量和增益的深度学习驱动联合天线选择方法 （厦门理工学院）

用于优化MIMO系统容量和增益的深度学习本发明提出一种用于优化MIMO系统容量和个信道矩阵生成与最优通信性能相关的标签之后，基于生成的标签，训练Shadow_ResNet分类21.一种用于优化MIMO系统容量和增益的深度学习驱动联合天线选择方法，其特征在于：在为每个信道矩阵生成与最优通信性能相关的标签之后，基于生成的标签，训练所述为每个信道矩阵生成与最优通信性能相关的标签具体为：使用穷举个信道矩阵生成与对应最大化信道容量和增益的两个One_Hot编码天线2.根据权利要求1所述的用于优化MIMO系统容量和增益的深度学习驱动联合天线选择3.根据权利要求2所述的用于优化MIMO系统容量和增益的深度学习驱动联合天线选择4.根据权利要求2所述的用于优化MIMO系统容量和增益的深度学习驱动联合天线选择道矩阵作为网络的输入；在输入层之后，第一个卷积层5.根据权利要求4所述的用于优化MIMO系统容量和增益的深度学习驱动联合天线选择36.一种电子设备，包括存储器、处理器及存储在化MIMO系统容量和增益的深度学习驱动联合天线选择方法序被处理器执行时实现如权利要求1_5任一项所述的用于优化MIMO系统容量和增益的深度4[0001]本发明涉及深度学习、通信工程和机器学习等技术领域，尤其是一种用于优化MIMO系统容量和增益的深度学习驱动联合天线选出最佳组合以最大化信道增益并最小化干扰。这不仅能够提高系统性能，还能解算法计算复杂度高的问题。具体来说，研究人员提出了各种基于机器学习和深度学习的天以上方案一方面存在对算力要求入Shadow模块以优化发射和接收天线的举搜索算法为每个信道矩阵生成与对应最大化信道容量和增益的两个One_Hot编码天线组5[0014]相较于现有技术，本发明及其优选方案通过采用Shadow_ResNet优化了信道容量6(1)基于深度学习（DL针对MIMO系统中联合发射和接收天线选择的问题提出了[0015](2)提出了一种新的基于深度学习的天线选择模型——改进的ResNet模型，称为[0016](3)还提出了一种独热编码的多类别标签生成算法。提出了基于信道容量最大化图8为本发明实施例MIMO系统的信道容量比较图1；其中，a:在最优方法配置下图9为本发明实施例MIMO系统的信道容量比较图2；其中，a:在最优方法配置下7[0020]本发明实施例提出了一种基于深度学习的联合发射端_接收端天线选择模型Shadow_ResNet，采用Shadow模块通过利用各种非线性激活函数和通道变换来增强特征提大规模模拟数据训练Shadow_ResNet模型。最后利用训练好的模型分配类别标签并识别最矩阵表示为，其中h,代表第i个发射天线和第j个接收天线之间的信的信道容量可以表示如下：8其中，si和sr分别表示从个发射天线中选择的发射天线数量N和从NY个接收天[0029]算法1是本实施例基于穷举法设计的基于信道容量和增益的多类标签生成算法，9ResNet的优势在于它能够通过残差连接有效缓解深度神经网络中的梯度消失问在Shadow模块的基础上，本发明进一步提出的Shadow_ResNet基于ResNet18的特征图转换成一个一维向量，该向量随后被输入到第十八层的全连接层中，以将特征向量数采用分类交叉熵。于信道增益的不同天线选择方法时，各种性能指标的比较分析。就准确率而言，Shadow_的延迟。本实施例比较了Shadow_ResNet与其他算法的训练和测试时间。数据集包括160,和测试时间。根据表6所示，基于信道增益的每种方法的训练和测试时间的结果表明，276.8s800.1s410.9s87.0s277.5s412.3s86.4s655.8s这是因为增加的RF链提供了更多的空间分集和空间于执行存储器存储的程序指令。处理器可能是中央处理单元(CentralProcessingUnit，体用于加载并执行计算机存储介质内一条或一条以上指机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、