本发明涉及无线通信技术领域，特别涉及一种面向智慧钢铁的大规模mimo混合预编码方法及装置。
背景技术：
智慧钢铁场景内海量设备需要接入无线网络，远程天车操控、无人机高炉巡检和高清视频实时监控等业务对无线网络提出高速率、低时延的要求。毫米波频段具有丰富的可用频率资源，可以为智慧钢铁场景内的许多业务提供超大带宽；毫米波波束窄的特点适合于在有限的空间内实现设备高密度连接。然而，毫米波信号传输损耗严重，因此需要利用大规模mimo技术通过高方向性增益来弥补毫米波的路径损耗。
在多用户mimo系统的下行链路中，基站在相同时频资源上给多个用户发射信号时会造成用户之间的干扰，而用户侧由于设备体积、天线数目、运算能力等限制而很难独自消除干扰。因此，实际部署多用户mimo系统时，需要在基站侧配备大规模天线并通过预编码技术实现高方向性的波束增益，进而最小化不同用户之间的干扰。
预编码技术分为数字基带预编码、模拟射频预编码和混合预编码。其中，数字预编码性能较好，但是计算复杂度高、硬件开销大；模拟预编码中若干移相器可以连接在同一条射频链上，硬件成本低，但是移相器只能实现相位上的调节，所以性能较差；混合预编码则实现了性能和成本等各方面的折中，其硬件结构分为全连接和部分连接，两者的区别主要在于射频链和移相器之间的数量关系，在天线数量逐渐增加的大规模mimo系统中，基于部分连接结构的混合预编码更具可行性和实用性。变量较多以及恒模约束导致模拟预编码问题难以求得最优闭式解，近年来有学者利用深度学习来求解此问题；数字预编码的常规方法是迫零预编码、正则迫零预编码等公式化的编码方案，在实际应用时往往需要进行矩阵求逆等复杂运算，运算量也会随着用户数和天线数的增加而增大，当基站的数据处理能力有限时，难免在矩阵运算上消耗较长时间，将影响智慧钢铁场景内低时延业务的顺利进行。
技术实现要素：
本发明提供了一种面向智慧钢铁的大规模mimo混合预编码方法及装置，以解决现有预编码方法计算复杂度高、硬件开销大和性能较差的技术问题。
为解决上述技术问题，本发明提供了如下技术方案：
一方面，本发明提供了一种面向智慧钢铁的大规模mimo混合预编码方法，该面向智慧钢铁的大规模mimo混合预编码方法包括：
构建模拟预编码模型和数字预编码模型；其中，所述模拟预编码模型为深度神经网络模型，所述数字预编码模型为生成对抗网络模型；
对所述模拟预编码模型和数字预编码模型分别进行训练；其中，所述模拟预编码模型的输入为天线子阵列到相应用户的信道状态信息，输出为用户对应的移相器子阵列的模拟预编码向量；所述数字预编码模型的训练数据为纯数字预编码矩阵，所述数字预编码模型中生成器的输入为信道状态参数，输出为与纯数字预编码矩阵具有相同形式的混合预编码矩阵；所述数字预编码模型中的判别器用于对纯数字预编码矩阵和生成器输出的混合预编码矩阵进行判别；
获取待预编码的每个天线子阵列与相应用户之间的信道状态信息；
基于获取的信道状态信息，利用训练好的模拟预编码模型生成模拟预编码矩阵；利用训练好的数字预编码模型中的生成器生成数字预编码矩阵。
进一步地，所述模拟预编码模型的倒数第二层输出相位系数向量；其中，所述相位系数向量中每一元素的取值都在[0,1)之间；所述模拟预编码模型的最后一层用于将所述相位系数向量转化为模拟预编码向量，满足恒模约束。
进一步地，所述模拟预编码模型的最后一层的功能表示为：
其中，
进一步地，所述模拟预编码模型的损失函数的表达式为：
其中，loss表示所述模拟预编码模型的损失函数，
进一步地，所述方法还包括：对模拟预编码模型输出的模拟预编码向量中的每个元素值，按最小欧式距离准则在相应移相器的实际可取值中选择替换值。
进一步地，所述数字预编码模型中的生成器输入的信道状态参数包括：基站到所有用户的信号传输路径的路径增益和路径离开角。
进一步地，所述纯数字预编码矩阵为迫零预编码矩阵。
进一步地，数字预编码模型中生成器的倒数第二层输出数字预编码矩阵；最后一层输出模拟预编码矩阵与数字预编码矩阵相乘得到的混合预编码矩阵。
进一步地，所述方法还包括：对所述数字预编码模型中生成器的倒数第二层输出的数字预编码矩阵添加功率约束因子，以满足基站的发射功率约束。
另一方面，本发明还提供了一种面向智慧钢铁的大规模mimo混合预编码装置，该面向智慧钢铁的大规模mimo混合预编码装置包括：
模型构建模块，用于构建模拟预编码模型和数字预编码模型；其中，所述模拟预编码模型为深度神经网络模型，所述数字预编码模型为生成对抗网络模型；
模型训练模块，用于对所述模型构建模块所构建出的模拟预编码模型和数字预编码模型分别进行训练；其中，所述模拟预编码模型的输入为天线子阵列到相应用户的信道状态信息，输出为用户对应的移相器子阵列的模拟预编码向量；所述数字预编码模型的训练数据为纯数字预编码矩阵，所述数字预编码模型中生成器的输入为信道状态参数，输出为与纯数字预编码矩阵具有相同形式的混合预编码矩阵；所述数字预编码模型中的判别器用于对纯数字预编码矩阵和生成器输出的混合预编码矩阵进行判别；
信道状态信息获取模块，用于获取待预编码的每个天线子阵列与相应用户之间的信道状态信息；
预编码矩阵生成模块，用于基于所述信道状态信息获取模块所获取的信道状态信息，利用经所述模型训练模块训练好的模拟预编码模型生成模拟预编码矩阵；并利用训练好的数字预编码模型中的生成器生成数字预编码矩阵。
再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括：
本发明为智慧钢铁场景内的低时延业务提供了一种可以快速获取大规模mimo天线预编码矩阵的方法，适用于多用户mimo(多输入多输出)系统的下行毫米波通信。本发明提供的预编码方法利用深度学习解决预编码问题，将成熟的神经网络模型部署在基站侧装置中，可以通过少量运算直接获得预编码矩阵，减少了数据处理所消耗的时间，降低了智慧钢铁场景内数据传输的时延。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的面向智慧钢铁的大规模mimo混合预编码方法的实现原理示意图；
图2为本发明实施例提供的模拟预编码模型示意图；
图3为本发明实施例提供的数字预编码模型示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
当配备大规模天线的基站向其覆盖范围内的多个单天线用户同时发射信号时，需要利用大规模mimo预编码尽量降低用户之前的相互干扰。为此，本实施例提供了一种面向智慧钢铁的大规模mimo混合预编码方法，主要面向智慧钢铁场景内的低时延业务，是一种适用于多用户大规模mimo系统下行毫米波通信的混合预编码方法。该方法利用神经网络模型实现部分连接结构的混合预编码。如图1所示，该方法主要包括利用深度神经网络(dnn)实现模拟预编码和利用生成对抗网络(gan)实现数字预编码两部分内容。其中，gan是近年来最具前景的深度学习模型，目前主要在图像处理领域对其进行研究，通过生成器和判别器的多轮对抗，最终使生成器可以生成以假乱真的图片。将数字预编码矩阵看作单通道的图片，可以将gan应用在大规模mimo预编码中。
本方法在实际应用前需要建立两个深度学习模型，分别为模拟预编码神经网络(apnn)和数字预编码生成对抗网络(dpgan)，在模型的离线训练阶段完成求解预编码问题所需的大部分复杂运算；在实际应用中，只要获得信道状态信息，便可直接生成预编码向量或预编码矩阵，极大地减少了运算量，可以降低传输时延。本方法的主要的创新点在于：
(1)本方法将gan创新性地应用在数字预编码问题中，选择纯数字预编码(迫零预编码)矩阵作为判别器的训练数据，将预编码矩阵看作单通道图片，利用gan实现数字预编码，将混合预编码矩阵看作“生成图片”，选择纯数字预编码(迫零预编码)矩阵作为“真实图片”，使混合预编码在数据分布上尽量接近效果更好的纯数字预编码。在实际应用中利用gan的生成器部分实现数字预编码，可省去迫零预编码等常规数字预编码方法所需的矩阵求逆等复杂运算；
(2)针对模拟预编码需要通过移相器来实现，恒模约束的存在使模拟预编码问题难以求解的问题，本方法采用深度学习来解决此类复杂问题，以最大化波束增益为目标训练构建的apnn网络，使其可以由信道状态信息直接生成每个天线子阵列对应的模拟预编码向量，使其对相应用户的波束增益最大化，然后将所有子阵列的模拟预编码向量组合为模拟预编码矩阵。
基于上述，本实施例的大规模mimo混合预编码方法，包括以下步骤：
s1，构建模拟预编码模型和数字预编码模型；其中，模拟预编码模型为深度神经网络模型，数字预编码模型为生成对抗网络模型；
s2，对模拟预编码模型和数字预编码模型分别进行训练；其中，模拟预编码模型的输入为天线子阵列到相应用户的信道状态信息，输出为用户对应的移相器子阵列的模拟预编码向量；数字预编码模型的训练数据为纯数字预编码矩阵，数字预编码模型中生成器的输入为信道状态参数，输出为与纯数字预编码矩阵具有相同形式的混合预编码矩阵；数字预编码模型中的判别器用于对纯数字预编码矩阵和生成器输出的混合预编码矩阵进行判别；
s3，获取待预编码的每个天线子阵列与相应用户之间的信道状态信息；
s4，基于获取的信道状态信息，利用训练好的模拟预编码模型生成模拟预编码矩阵；利用训练好的数字预编码模型中的生成器生成数字预编码矩阵。
具体地，本实施例的混合预编码的实现分为训练和应用两个阶段，在训练阶段利用深度学习完成大量复杂运算，建立模拟预编码模型和数字预编码模型；在应用阶段将信道状态信息输入模型，直接输出相应的预编码向量或预编码矩阵，省去复杂的运算过程，降低传输时延。具体实现方式如下：
一、训练阶段：
1、模拟预编码：
模拟预编码的训练结果是建立apnn模型，输入为每个天线子阵列到其相应用户的信道状态向量
(1)训练数据：按照信道模型生成基站所有天线到每个用户的信道状态向量hk(也可以采用实际工程中获得的信道状态信息)，由于部分连接结构中每个天线子阵列只对一个用户进行波束赋形，所以需要从hk中截取出用户对应的天线子阵列到其的信道状态向量
(2)神经网络结构：神经网络结构中的层数、神经元数、激活函数、训练次数、批次大小等参数需要根据用户数、天线数等因素进行调整，本实施例不限定神经网络结构上参数的具体值，但其中有三处关键的地方：①由于神经网络只能使用实数进行训练，所以训练阶段神经网络需要两项输入：信道状态向量中每个元素实部和虚部分解后再拼接成的实数形式、原始的复数形式，分别用于神经网络参数的训练和计算波束增益；②倒数第二层输出相位系数向量，倒数第二层的激活函数为sigmoid，保证相位系数向量中的每一个元素取值都在[0,1)之间；③为了满足恒模约束，神经网络的最后一层为自定义的lambda层，只对流经该层的数据做固定变换，而没有新的参数需要学习，该层实现从相位系数向量到模拟预编码向量的变换，具体变换为
(3)损失函数：模拟预编码的目标是最大化子阵列天线到相应用户方向的波束增益，其损失函数可以定义为波束增益的相反数，即
(4)训练目标：apnn的训练目标是最小化损失函数值，即最大化子阵列天线到相应用户方向的波束增益，属于无监督学习。使用足够多的训练数据经过充分的迭代训练后，训练完毕的apnn可以在输入信道状态向量
2、数字预编码：
数字预编码的训练结果是建立dpgan模型，借鉴利用gan生成图片的思想，将预编码矩阵看作单通道的图片，最大的难点在于“真实图片”如何选取。基于纯数字预编码硬件复杂但性能优于混合预编码的事实，本方法创新性地利用纯数字预编码(迫零预编码)矩阵作为“真实图片”，将模拟预编码矩阵a和数字预编码矩阵d相乘得到的混合预编码矩阵ad作为“生成图片”。此处，需要说明的是，由于生成器的输出矩阵必须和纯数字预编码矩阵保持相同的形状，所以生成器最终的输出为混合预编码矩阵ad，而倒数第二层输出所需的数字预编码矩阵d。dpgan训练阶段的几个关键点如下：
(1)神经网络结构：生成对抗网络的生成器和判别器是两个不同的神经网络，本实施例不限定生成器和判别器两个神经网络结构参数的具体值，但其中有两处关键的地方：①生成器的输入为信道状态参数向量(包括基站到所有用户的信号传输路径的路径增益和路径离开角)；②生成器的倒数第二层输出数字预编码矩阵，最后一层为自定义的lambda层，功能是将模拟预编码矩阵(由apnn生成的模拟预编码向量经过离散化处理后组合而成)与上一层输出的数字预编码矩阵相乘，输出和纯数字预编码具有相同形状的混合预编码矩阵；③判别器的输入为纯数字预编码矩阵和生成器输出的混合预编码矩阵，在这两类矩阵之间做出判别。
(2)训练过程：在每一轮训练中，随机选择固定批次大小(可调整)的训练数据进行以下训练：①固定生成器，训练判别器：可以将判别器的训练过程看作有监督学习，混合预编码矩阵的标签为“0”，纯数字预编码矩阵的标签为“1”，损失函数为交叉熵损失函数。输入混合预编码矩阵和纯数字预编码矩阵时判别器都会输出一个0到1之间的实数值，判别器的训练目标是输入纯数字预编码矩阵时，输出尽量接近1；输入混合预编码矩阵时，输出尽量接近0，可以通过在最小化损失函数值的过程中调整判别器内部的神经网络参数来实现此目标。②固定判别器，训练生成器：将生成的混合预编码矩阵输入判别器，此时混合预编码矩阵的标签为“1”，损失函数为交叉熵损失函数，训练目标是输入混合预编码矩阵时判别器输出值尽量接近1，即让判别器无法区分输入矩阵是混合预编码矩阵还是纯数字预编码矩阵，可以通过在最小化损失函数值的过程中调整生成器内部的神经网络参数来实现此目标。
(3)训练目标：设置判别器的准确率指标，经过足够次数的迭代训练后，当判别器判别结果的准确率稳定在50％左右时，即表示判别器已经无法区分纯数字预编码和生成器生成的混合预编码，此时训练完毕。
二、应用阶段：
实际应用时利用apnn得到模拟预编码矩阵，而数字预编码矩阵只需要利用dpgan的生成器中lambda层之间的部分神经网络，具体步骤如下：
(1)利用信道估计方法估计出基站天线到每个用户的下行信道状态信息(包括信号幅度衰减和相位偏移信息)，保存为矩阵形式(行数等于天线数目，列数等于用户数目)；
(2)截取每个天线子阵列与相应用户之间的信道状态向量，即在(1)的信道状态信息矩阵中按照用户对应行、天线对应列的原则截取出所需要的向量；
(3)将一个天线子阵列与其相应用户之间的信道状态向量输入apnn，得到此子阵列的模拟预编码向量；
(4)由于移相器取值离散，模拟预编码中的每个元素值都不一定可以取到，需要在移相器的取值码本中以最小欧氏距离为准则选择替换值，形成新的模拟预编码向量；
(5)重复步骤(3)和(4)，直到获得所有子阵列的模拟预编码向量，将其组合为模拟预编码矩阵a；
(6)将由信道路径增益和离开角组成的信道状态参数向量输入dpgan的生成器，生成器的倒数第二层直接输出数字预编码矩阵；
(7)为了满足基站的发射功率约束，数字预编码矩阵需要乘以功率约束因子α，得到最终的数字预编码矩阵，
通过以上步骤可以获得基站大规模天线的数字预编码矩阵和模拟预编码矩阵，发送给各用户的信号先后进过数字预编码和模拟预编码，如此一来，信号到达用户时可以使各用户之间的信道干扰尽量小。而且，本实施例提供的方法在获取预编码矩阵的过程中，直接利用了成熟的神经网络模型，无需复杂的运算过程，从而有效降低了传输时延，可适用于智慧钢铁场景内的低时延业务。
第二实施例
本实施例提供了一种面向智慧钢铁的大规模mimo混合预编码装置，该面向智慧钢铁的大规模mimo混合预编码装置包括以下模块：
模型构建模块，用于构建模拟预编码模型和数字预编码模型；其中，所述模拟预编码模型为深度神经网络模型，所述数字预编码模型为生成对抗网络模型；
模型训练模块，用于对所述模型构建模块所构建出的模拟预编码模型和数字预编码模型分别进行训练；其中，所述模拟预编码模型的输入为天线子阵列到相应用户的信道状态信息，输出为用户对应的移相器子阵列的模拟预编码向量；所述数字预编码模型的训练数据为纯数字预编码矩阵，所述数字预编码模型中生成器的输入为信道状态参数，输出为与纯数字预编码矩阵具有相同形式的混合预编码矩阵；所述数字预编码模型中的判别器用于对纯数字预编码矩阵和生成器输出的混合预编码矩阵进行判别；
信道状态信息获取模块，用于获取待预编码的每个天线子阵列与相应用户之间的信道状态信息；
预编码矩阵生成模块，用于基于所述信道状态信息获取模块所获取的信道状态信息，利用经所述模型训练模块训练好的模拟预编码模型生成模拟预编码矩阵；并利用训练好的数字预编码模型中的生成器生成数字预编码矩阵。
本实施例的面向智慧钢铁的大规模mimo混合预编码装置与上述第一实施例的面向智慧钢铁的大规模mimo混合预编码方法相对应；其中，本实施例的面向智慧钢铁的大规模mimo混合预编码装置中的各功能模块实现的功能与上述大规模mimo混合预编码方法中的各流程步骤一一对应；故，在此不再赘述。
第三实施例
本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessingunits，cpu)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。
第四实施例
本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是rom、随机存取存储器、cd-rom、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
1.一种面向智慧钢铁的大规模mimo混合预编码方法，其特征在于，包括：
构建模拟预编码模型和数字预编码模型；其中，所述模拟预编码模型为深度神经网络模型，所述数字预编码模型为生成对抗网络模型；
对所述模拟预编码模型和数字预编码模型分别进行训练；其中，所述模拟预编码模型的输入为天线子阵列到相应用户的信道状态信息，输出为用户对应的移相器子阵列的模拟预编码向量；所述数字预编码模型的训练数据为纯数字预编码矩阵，所述数字预编码模型中生成器的输入为信道状态参数，输出为与纯数字预编码矩阵具有相同形式的混合预编码矩阵；所述数字预编码模型中的判别器用于对纯数字预编码矩阵和生成器输出的混合预编码矩阵进行判别；
获取待预编码的每个天线子阵列与相应用户之间的信道状态信息；
基于获取的信道状态信息，利用训练好的模拟预编码模型生成模拟预编码矩阵；利用训练好的数字预编码模型中的生成器生成数字预编码矩阵。
2.如权利要求1所述的面向智慧钢铁的大规模mimo混合预编码方法，其特征在于，所述模拟预编码模型的倒数第二层输出相位系数向量；其中，所述相位系数向量中每一元素的取值都在[0,1)之间；所述模拟预编码模型的最后一层用于将所述相位系数向量转化为模拟预编码向量，满足恒模约束。
3.如权利要求2所述的面向智慧钢铁的大规模mimo混合预编码方法，其特征在于，所述模拟预编码模型的最后一层的功能表示为：
其中，
4.如权利要求3所述的面向智慧钢铁的大规模mimo混合预编码方法，其特征在于，所述模拟预编码模型的损失函数的表达式为：
其中，loss表示所述模拟预编码模型的损失函数，
5.如权利要求1所述的面向智慧钢铁的大规模mimo混合预编码方法，其特征在于，所述方法还包括：对所述模拟预编码模型输出的模拟预编码向量中的每个元素值，按最小欧式距离准则在相应移相器的实际可取值中选择替换值。
6.如权利要求1所述的面向智慧钢铁的大规模mimo混合预编码方法，其特征在于，所述数字预编码模型中的生成器输入的信道状态参数包括：基站到所有用户的信号传输路径的路径增益和路径离开角。
7.如权利要求1所述的面向智慧钢铁的大规模mimo混合预编码方法，其特征在于，所述纯数字预编码矩阵为迫零预编码矩阵。
8.如权利要求1所述的面向智慧钢铁的大规模mimo混合预编码方法，其特征在于，所述数字预编码模型中生成器的倒数第二层输出数字预编码矩阵；最后一层输出模拟预编码矩阵与数字预编码矩阵相乘得到的混合预编码矩阵。
9.如权利要求8所述的面向智慧钢铁的大规模mimo混合预编码方法，其特征在于，所述方法还包括：对所述数字预编码模型中生成器的倒数第二层输出的数字预编码矩阵添加功率约束因子，以满足基站的发射功率约束。
10.一种面向智慧钢铁的大规模mimo混合预编码装置，其特征在于，包括：
模型构建模块，用于构建模拟预编码模型和数字预编码模型；其中，所述模拟预编码模型为深度神经网络模型，所述数字预编码模型为生成对抗网络模型；
模型训练模块，用于对所述模型构建模块所构建出的模拟预编码模型和数字预编码模型分别进行训练；其中，所述模拟预编码模型的输入为天线子阵列到相应用户的信道状态信息，输出为用户对应的移相器子阵列的模拟预编码向量；所述数字预编码模型的训练数据为纯数字预编码矩阵，所述数字预编码模型中生成器的输入为信道状态参数，输出为与纯数字预编码矩阵具有相同形式的混合预编码矩阵；所述数字预编码模型中的判别器用于对纯数字预编码矩阵和生成器输出的混合预编码矩阵进行判别；
信道状态信息获取模块，用于获取待预编码的每个天线子阵列与相应用户之间的信道状态信息；
预编码矩阵生成模块，用于基于所述信道状态信息获取模块所获取的信道状态信息，利用经所述模型训练模块训练好的模拟预编码模型生成模拟预编码矩阵；并利用训练好的数字预编码模型中的生成器生成数字预编码矩阵。
技术总结