使用matlab基于神经网络进行光束选择

一、前言

此示例说明如何使用神经网络来减少光束选择任务中的开销。在此示例中，您仅使用接收方的位置，而不是通信信道的知识。您可以通过在选定的波束对中进行搜索来减少波束扫掠开销，而不是对所有波束对进行详尽的波束搜索K光束对。考虑到一个总共有16个光束对的系统，本例中的仿真结果表明，所设计的机器学习算法只需对一半的光束对进行详尽搜索，就可以达到90%的准确率。

二、介绍

为了实现毫米波（mmWave）通信，必须使用波束管理技术，因为在高频下会经历高路径损耗和阻塞。波束管理是一组第 1 层（物理层）和第 2 层（介质访问控制）程序，用于建立和保留最佳波束对（发射波束和相应的接收波束）以实现良好的连接 [1]。

此示例考虑在用户设备（UE）和接入网络节点（gNB）之间建立连接时的波束选择过程。在5G NR中，初始接入的波束选择程序包括波束扫描，这需要对发射器和接收器侧的所有波束进行详尽搜索，然后选择提供最强参考信号接收功率（RSRP）的波束对。由于毫米波通信需要许多天线元件，这意味着许多波束，因此对所有波束进行详尽搜索的计算成本很高，并且增加了初始访问时间。

为了避免重复执行详尽搜索并减少通信开销，机器学习已被应用于波束选择问题。通常，波束选择问题被提出为分类任务，其中目标输出是最佳波束对指数。外部信息，包括激光雷达、GPS信号和路边摄像头图像，被用作机器学习算法的输入[2]-[6]。具体来说，给定这些带外信息，经过训练的机器学习模型会推荐一组K良好的光束对。仿真不是对所有光束对进行详尽搜索，而是通过仅在选定的光束对中进行搜索来减少光束扫描开销K光束对。

此示例使用神经网络仅使用接收器的 GPS 坐标来执行波束选择。固定发射器和散射体的位置，该示例生成一组训练样本：每个样本由接收器位置（GPS 数据）和真正的最佳波束对指数（通过在发射端和接收端对所有波束对执行详尽搜索而得出）组成。该示例设计和训练一个神经网络，该神经网络使用接收器的位置作为输入，并使用真正的最佳波束对指数作为正确的标签。在测试阶段，神经网络首先输出K良好的光束对。对这些进行详尽的搜索K跟踪光束对，神经网络选择平均RSRP最高的光束对作为最终预测的光束对。

该示例使用两个指标来衡量所提出的方法的有效性：平均RSRP和top-K准确性[2]-[6]。此图显示了主要的处理步骤。

三、生成训练数据

在预先记录的数据中，接收器随机分布在6米正方形的周长上，并配置有16个波束对（每端四个波束，模拟波束由1个RF链形成）。设置 MIMO 散射通道后，该示例会考虑训练集中 200 个不同的接收机位置和测试集中 100 个不同的接收机位置。预先记录的数据使用 2-D 位置坐标。具体来说，每个样本的第三个GPS坐标始终为零。与示例中一样，对于每个位置，将执行基于 SSB 的波束扫描，以对所有 16 个波束对进行详尽搜索。由于AWGN是在详尽搜索期间添加的，因此对于每个位置，该示例运行四个不同的试验，并通过选择具有最高平均RSRP的光束对来确定真正的最佳光束对。

要生成新的训练集和测试集，重新生成数据需要花费大量时间。

配置频率和波束扫描角度，同步信号突发配置，散射体配置，天线阵列配置，确定发射/接收位置，绘制发射机和散射体位置。

四、数据处理和可视化

接下来，将平均RSRP最高的光束对标记为真正的最佳光束对。将独热编码标签转换为分类数据以用于分类。最后，扩充分类数据，使其总共有 16 个类，以匹配可能的梁对数量（尽管类可能具有不相等数量的单元）。增强是为了确保神经网络的输出具有所需的维度 16。

流程训练数据，过程测试数据，为神经网络创建输入/输出数据，绘制训练数据的最佳光束对分布图。

绘制每个训练样本的位置和最佳光束对（总共 200 个）。每种颜色代表一个光束对指数。换句话说，具有相同颜色的数据点属于同一类。增加训练数据集以可能包括每个光束对值，尽管光束对的实际分布将取决于散射体和发射器位置。

绘制验证数据的最佳光束对分布图

绘制测试数据的最佳光束对分布图

五、设计和训练神经网络

训练具有四个隐藏层的神经网络。该设计的动机是[3]（四个隐藏层）和[5]（两个隐藏层，每层有128个神经元），其中接收器位置也被视为神经网络的输入。要启用训练，请调整逻辑。

此示例还提供了对类进行加权的选项。出现频率较高的类具有较小的权重，而发生频率较低的类具有较大的权重。要使用类权重，请调整逻辑。

修改网络以试验不同的设计。如果修改提供的数据集之一，则必须使用修改后的数据集重新训练网络。重新训练网络可能需要大量时间。调整逻辑以在后续运行中使用经过训练的网络。

六、比较不同的方法：顶级精度

本部分使用考虑 top-K 精度指标的看不见的测试数据测试经过训练的网络。top-K 精度度量已广泛应用于基于神经网络的波束选择任务 [2]-[6]。

给定接收器位置，神经网络首先输出K推荐的光束对。然后，它对这些执行详尽的顺序搜索K光束配对并选择平均RSRP最高的光束作为最终预测。如果真正的最佳光束对是最终选择的光束对，则预测成功。等效地，当真正的最佳光束对是K神经网络推荐的光束对。

比较了三个基准。每个方案产生K推荐的光束对。

KNN - 对于测试样本，此方法首先收集K基于 GPS 坐标的最接近训练样本。然后，该方法推荐与这些相关的所有光束对K训练样本。由于每个训练样本都有相应的最优光束对，因此推荐的光束对数量最多为K（某些光束对可能是相同的）。

统计信息 [5] - 此方法首先根据训练集中的相对频率对所有光束对进行排名，然后始终选择第一个K光束对。

随机 [5] - 对于测试样品，此方法随机选择K光束对。

图显示，对于K=8，准确率已经超过90%，这突出了使用训练好的神经网络进行波束选择任务的有效性。什么时候K=16，每个方案（KNN 除外）都放宽到对所有 16 个波束对的穷举搜索，因此达到了 100% 的精度。但是，当K=16，KNN 考虑 16 个最接近的训练样本，来自这些样本的不同光束对的数量通常小于 16。因此，KNN 无法达到 100% 的精度。

七、比较不同的方法：平均 RSRP

使用看不见的测试数据，计算神经网络和三个基准测试实现的平均 RSRP。该图显示，使用经过训练的神经网络会导致平均 RSRP 接近最佳穷举搜索。

比较最优方法、神经网络方法和 KNN 方法的结束值。

KNN和最佳方法之间的性能差距表明，即使考虑更大的光束对，例如256，KNN也可能表现不佳。

八、绘图混淆矩阵

我们观察到元素较少的类会受到训练网络的负面影响。对不同的类使用不同的权重可以避免这种情况。使用逻辑探索相同的内容，并为每个类指定自定义权重。

九、结论

此示例描述了神经网络在 5G NR 系统的波束选择任务中的应用。您可以设计和训练一个神经网络，该神经网络输出一组K良好的光束对。仅通过对选定的那些进行详尽搜索，可以减少光束扫描开销K光束对。

该示例允许您指定 MIMO 通道中的散射器。要查看通道对波束选择的影响，请尝试不同的方案。该示例还提供了预先保存的数据集，可用于试验不同的网络结构和训练超参数。

从仿真结果来看，对于16个波束对的预记录MIMO散射信道，所提算法在以下情况下可以达到90%的top-K精度。K=8.这表明使用神经网络，只需对所有光束对的一半执行详尽搜索就足够了，从而将光束扫描开销减少了 50%。通过重新生成数据，然后重新训练和重新测试网络，尝试改变其他系统参数以查看网络的有效性。

十、参考文献

3GPP TR 38.802, "Study on New Radio access technology physical layer aspects." 3rd Generation Partnership Project; Technical Specification Group Radio Access Network.

Klautau, A., González-Prelcic, N., and Heath, R. W., "LIDAR data for deep learning-based mmWave beam-selection," IEEE Wireless Communications Letters, vol. 8, no. 3, pp. 909–912, Jun. 2019.

Heng, Y., and Andrews, J. G., "Machine Learning-Assisted Beam Alignment for mmWave Systems," 2019 IEEE Global Communications Conference (GLOBECOM), 2019, pp. 1-6, doi: 10.1109/GLOBECOM38437.2019.9013296.

Klautau, A., Batista, P., González-Prelcic, N., Wang, Y., and Heath, R. W., "5G MIMO Data for Machine Learning: Application to Beam-Selection Using Deep Learning," 2018 Information Theory and Applications Workshop (ITA), 2018, pp. 1-9, doi: 10.1109/ITA.2018.8503086.

Matteo, Z., <https://github.com/ITU-AI-ML-in-5G-Challenge/PS-012-ML5G-PHY-Beam-Selection_BEAMSOUP> (This is the team achieving the highest test score in the ITU Artificial Intelligence/Machine Learning in 5G Challenge in 2020).

Sim, M. S., Lim, Y., Park, S. H., Dai, L., and Chae, C., "Deep Learning-Based mmWave Beam Selection for 5G NR/6G With Sub-6 GHz Channel Information: Algorithms and Prototype Validation," IEEE Access, vol. 8, pp. 51634-51646, 2020.