大规模MIMO系统天线选择安全算法研究.pdfVIP

摘要

5G

随着第五代移动通信技术（）的发展，终端用户对于网络的稳定性、信号质量和传输

速率的需求日益增加。这种需求的增加源于多方面因素，例如海量设备连接、数据量的急速

增长、新型通信业务的出现以及更加复杂的应用场景等。大规模多输入多输出（Multi-Input

Multi-Output，MIMO）技术通过配备大量天线充分利用空间资源，能够在不消耗额外频谱资

源的条件下提供更多的复用增益，进而提高系统容量，已成为下一代通信网络的关键技术之

MIMORadio

一。然而，传统的大规模系统中需要为每根天线配备一个专用的射频（

Frequency,RF）链，这导致系统在实际部署时存在硬件成本和能量消耗过高的问题。天线选

择通过选择部分天线进行信号传输，能大幅度减少射频链路开销，降低系统成本与损耗。随

MachineLearningML

着机器学习（，）的应用越来越广泛，将机器学习应用到天线选择对提升

系统的性能和降低计算复杂度有着重大意义。本文针对大规模MIMO天线选择算法进行了研

究，主要完成以下工作：

首先，本文介绍了MIMO系统窃听信道模型，介绍了信道保密容量和保密中断概率作为

系统的性能评价指标；介绍了五种经典的天线选择算法并仿真对比了各算法的可实现信道保

密容量和计算复杂度；接着阐述了机器学习的工作流程并介绍了深度学习特别是卷积神经网

络的结构构成。

其次，本文提出一种基于梯度提升决策树（GradientBoostingDecisionTree,GBDT）的发

射单边天线选择算法。该算法将发射天线选择最优化问题转化成多类分类问题，并构建GBDT

分类器求解该问题。借助机器学习解决多类分类问题的能力，对信道矩阵提取特征并做归一

化处理，基于推导的信道保密容量为信道矩阵样本定义标签，生成完整数据集用于训练GBDT

分类器。仿真实验验证了该算法能够在信道保密容量上逼近传统穷举天线选择算法的同时保

证较高的天线选择准确率。

再次，为了保证收发两端通信的连贯性，本文提出一种基于卷积神经网络（Convolutional

NeuralNetwork,CNN）的联合收发天线选择算法。借助卷积神经网络多通道网络结构可以同

时处理多个特征的优势，结合收发两端的天线选择目标，本文构建了双通道CNN进行收发两

端同时天线选择，针对双通道设计两种卷积核分别用于提取发射端和接收端的特征，并采用

多标签方式重新为信道矩阵样本定义标签。实验结果表明其可实现信道保密容量逼近传统穷

举搜索算法，且优于基于GBDT的发射单边天线选择算法。此外，仿真了双通道卷积神经网

络的损失函数情况与分类准确率，其所实现的分类准确率最高可达97.6%，能够较好地选择

出目标天线，同时保证了收发两端通信的连贯性。

最后，考虑了多天线多用户的系统模型，提出一种联合发射天线和用户调度选择算法。

该算法以系统和速率最大化作为优化目标，最终同时选择出发射天线子集和用户子集。此外，

为了让更多用户有机会参与通信，提出了基于比例公平的改进算法，在保证用户公平参与通

信的前提下尽可能小地牺牲通信速率。仿真结果表明提出的算法在不同发射天线数量和不同

用户数情况下均能获得较好的系统性能；结合公平调度的改进算法在可实现和速率方面与无

公平比例算法几乎没有差别，且能够让更多的用户有公平的机会参与通信。

关键词:大规模MIMO，天线选择，机器学习，深度学习，无线通信

Abstract

Withthedevelopmentoffifth-generationmobilecommunicationtechnology5G,terminalusers