本发明涉及无线通信领域，特别涉及一种波束成形预编码系统方法及方法。在无线通信网络中预编码策略是决定通信质量的关键技术之一。在无线通信传输网络中提高波束成形主瓣的矢量方向，对准多用户小区内的目标用户，可以有效提高无线通信网络的预编码性能，提高资源利用率。
背景技术：
波束成形技术可以减少无线通信系统中的干扰问题，增强通信网络中的干扰抑制效果，是重要的大规模mimo系统中的重要信号处理方式。目前多用户小区的实际通信系统场景中，有限的物理空间内部部署大规模天线阵列，会导致各个天线阵元之间的相关性增加，从而使由大规模mimo技术所带来的系统增益效果被弱化。同时，大量的天线还会使得各个天线阵元之间的同步变得非常困难。因此，需对大规模天线阵列进行合理的设计，降低各个天线阵元之间的相关性与耦合度，并根据天线阵列的特性，需要对天线进行处理和校准。波束成形技术逐渐成为5g移动通信系统中预编码的关键技术之一。
在基站侧安装大规模天线阵列，使得基站在有限的时间内处理高维度的随机矩阵变得极其困难，同时会增加基站对信号处理的时长，进而影响低时延移动通信系统的正常运行。当系统中所有数据流都在相同的时间、频率和空间上传输时，如果部署大规模天线阵列的基站同时服务大量用户的话，大规模mimo系统就无法避免地会存在严重的多个数据流间干扰(isi)以及多用户之间的干扰(mui)。isi和mui会导致系统性能严重下降。在实际mimo系统中，isi和mui无法被完全消除，而且考虑到复杂度的问题，并非所有的、传统的、已成熟的信号处理和干扰管理技术都能迁移到大规模mimo系统之中。这种独立的信号数据矩阵分解方式有效地提高了网络资源利用率，同时提高了无线通信网络的预编码速率，降低了多用户小区大尺寸天线矩阵的技术复杂度。对于无线通信领域具有十分重要的研究价值。
在大规模mimo系统预编码技术中，正则化迫零技术是解决多小区用户系统用户预编码的关键技术，也是目前无线通信系统中较为常用的技术。目前，按照干扰抑制的不同方式主要可以分成以下几种：基于迫零算法的预编码技术、基于块对角化的预编码技术、基于奇异值分解的预编码技术、基于纽曼级数的预编码技术等，这些算法从一定程度上解决了多小区无线通信系统的预编码问题，但对波束成形的矢量控制未达到良好保证。近年来，提出的正则化迫零算法，保证了较高的预编码传输质量。
为提高无线通信系统的预编码质量，同时保证信号的高质量传输，降低大尺寸矩阵的计算复杂度，本专利提出一种波束成形预编码系统方法，将传输的发送端信号，依次分配至正则化干扰迫零模块、奇异值分解模块、拉格朗日对偶模块，通过对不同波束矢量进行方向加权处理，形成满足约束条件的最优化矩阵。利用分层处理机制可提升系统的预编码质量，提高网络资源利用率。
基于rzf-奇异值-拉格朗日的波束成形预编码方法旨在，保证高传输质量的预编码同时，提高频谱传输效率，减小时延，降低网络阻塞率，避免大尺寸的计算复杂度。
技术实现要素：
本发明所要解决的技术问题：在独立同分布瑞利信道下，随着发射天线数目的不断增加，大规模mimo系统中多用户间的信道趋近于彼此正交。此时，系统的性能仅仅与信道的大尺度衰落相关，与小尺度衰落无关。无线物理信道的随机特性降低，使得多小区之间的干扰能够通过简单的线性预编码和接收机消除。本发明提供了一种基于rzf-奇异值-拉格朗日的波束成形预编码算法，可以减减小时延，降低网络阻塞率，提高网络资源利用率，提高频谱传输效率。
本发明实施例的目的在于提供一种波束成形预编码系统方法，以实现提高无线通信系统的预编码性能。具体技术方案如下：
本发明实施的一方面，提供了一种基于rzf-奇异值-拉格朗日的波束成形预编码算法，所述算法系统包括：正则化干扰迫零模块、奇异值分解模块以及拉格朗日对偶模块，其中，
1、所述正则化迫零模块，在多用户小区无线通信系统的发送端，预编码信号到达正则化迫零模块，用于对无线通信系统中接收端的信号数据做预编码处理，将发送端的信号用正交矩阵天线阵列设计合适的波束向量方向，将主瓣数据对准目标用户信号，旁瓣对准数据信号中的零值部分，消除下行链路中产生的用户间干扰，部分方向上的天线阵列可能会相互削弱直至消失，而有的天线阵列波会相互作用有所增强，发射端信号是以电磁波形式存在的，将天线阵列随着接收端和发送端的位置变化而改变波束的方向，根据调度用户选择的模拟波束信息，模拟出波束方向关联度因子，并以此对用户导频进行合理分配，利用启发式导频分配方法和基于用户分组的导频分配方法，将波束索引以及用户的参考信号功率都可以在实际通信系统中获得，并将所述的正则化迫零处理的预编码矩阵发送至所述的奇异值分解模块；
2、所述奇异值分解模块，用于筛除干扰信息中包含的冗余信号，将预编码矩阵映射到低维度的矩阵空间坐标系中，把输入信号转化为奇异值分解的形式，使得输出矩阵可用奇异值矩阵的特征值与奇异矩阵表示，将正则化预编码的压缩结果做奇异值分解，奇异值可以被看作成一个矩阵的代表值，用该奇异值代表这个预编码矩阵的信息。奇异值的大小，即决定了它代表的信息多少。将前面若干个最大的奇异值去除，就可以基本上还原出数据本身，通过对动态tdd场景中交叉干扰特性处理，设计用户调度约束因子以限制受到严重交叉干扰的下行边缘用户的调度，将较为严重的基站到基站干扰，利用奇异值分解将大维度的基站到基站干扰信道分解为若干个干扰子信道并设计分配方案将干扰子信道分别交由上行基站和下行基站处理，利用了多用户小区大规模mimo系统中基站天线的空间自由度来消除交叉干扰。并将所述的奇异值分解处理后的矩阵发送至所述的拉格朗日对偶模块；
3、所述拉格朗日对偶模块，用于在实际的通信系统传输中产生的物理条件约束，为了避免实际约束场景中波束成形矩阵的大尺寸的预编码矩阵求逆，对代价函数做最优化方式处理，将奇异值分解模块得到的矩阵做强对偶和kkt条件，通过拉格朗日方法重新定义一个无约束问题，该无约束问题等价于原来的约束优化问题，从而将约束问题无约束化。将满足原问题转化为凸优化问题，强对偶成立的情况下，通过求解对偶问题来得到原始问题的解，在支持向量机中可以直接假定强对偶性的成立，至少存在一个绝对可行点。原始问题的最优值不小于对偶问题的最优值，要通过对偶问题来求解原始问题，将原始问题的最优值与对偶问题的最优值相等所得到的拉格朗日对偶优化结果，作为预编码结果矩阵。
上述方法中，步骤1在正则化干扰迫零模块以天线阵列位置做波束矢量的方向调整，进行正则化波束成形预编码。其具体步骤如下：
3.1、可选的，所述干扰迫零机制，用于多天线技术下涉及到的高复杂度信号输入矩阵，在到达预编码模块中的正则迫零步骤时，将尺寸较大的输入信号矩阵传递至rzf进行干扰迫零处理，作用在电磁波天线阵列上，并将信号的方向定位于某一个固定位置上，产生在该方向上的波束阵列，将无线通信系统内的信道分离成若干个并行信道进行处理。并将波束矢量的主瓣对准需传递的目标用户信号、零值和旁瓣对准干扰信号部分，通过很多个天线阵列源再去控制接受和发射两端的相对位置以及幅度，使得天线阵列尽量沿着所需要的方向进行传播，抑制多小区和多用户信号在时空上的干扰，设计出在空间上相隔开的信号。调度出目标用户的信号矢量正交于干扰用户的信道，将多用户小区内发射端与接收端中干扰信号置零处理，对主瓣和旁瓣各自赋予一定的权重值，做加权选择处理，将该部分信号传递至所述波束向量正交化机制模块；
3.2、所述波束向量正交化机制，用于一组相位延迟或者时间延迟与固定的权重形成的组合，利用大规模天线阵列的矩阵相关性，将大规模天线矢量做合理设计，降低彼此之间阵元的耦合度，对传感器的位置波束与目标用户信号波束做正交化处理。利用模拟波束的扫描性质，将基站处的模拟波束码本信息集合作用与通信系统中的目标用户，并在不同时隙内发射出去。并对预编码的发射信号做针对优化，将大维度的基站到基站干扰信道分解为若干个干扰子信道并设计分配方案，将干扰子信道分别交由上行基站和下行基站处理，这使得更多数目的天线参与到干扰置零的过程中，目标用户处利用测量接受到的信号功率，选择功率强的那部分作为使用信号信息数据反馈与基站。利用用户公平性将启发式导频分配方案模拟波束方向关联度因子，并以此对用户导频进行合理分配，将其加权后的信号做正交选择得到正则化迫零模块处理后的预编码矩阵；
上述方法中，步骤2把输入信号转化为奇异值分解的形式，将正则化预编码的压缩结果做奇异值分解，利用奇异值分解将大维度的基站到基站干扰信道分解为若干个干扰子信道并设计分配方案将干扰子信道分别交由上行基站和下行基站处理。其具体步骤包括：
4.1、可选的，所述实对称矩阵机制，用于输入端信号经过干扰迫零处理以后，将基站侧的输入信号矩阵数据做干扰信息迫零处理后，筛除一部分冗余信号，将实际处理的波束成形矩阵复杂度降低。利用预编码矩阵的实对称性质，将其表示成为对应特征值维度的对角矩阵。将预编码信号映射到低维空间，在普通的实对称矩阵场景下，将预编码矩阵分解成为正交矩阵和特征值的表达方式；
4.2、所述实际场景下的非实对称矩阵，用于通信系统中与预编码信号在实际场景下为非实对称矩阵情况中，将多小区用户通信系统输入此号中的矢量奇异值表征做重要性先后排列分布，将该波束成形矩阵做奇异值分解，对正则化预编码矩阵特征值做开方处理，将映射到地位空间的降维信号特征向量补足。并根据参考信号的接受功率做最佳分解结果的采纳，按照整个用户小区的波束服务区域划分矢量信号的方向与奇异值分解的范围，集中信号的作用于目标用户区域，并对系统有能量贡献率的信号分解。矩阵特征值的大小代表涵盖基站侧输入信号的多少，舍弃对小区内用户信号传输作用较小的部分数据，并将奇异值矩阵做特征值分解处理，利用左右一妻制矩阵和预编码矩阵特征值来表示奇异值分解处理后的矩阵，转化为筛除冗余的降维信号矩阵。
上述方法中，步骤3把波束成形矩阵的大尺寸的预编码矩阵求逆，对代价函数做最优化方式处理，将奇异值分解模块得到的矩阵做强对偶和kkt条件。其具体步骤包括：
5.1、可选的，所述原始问题机制，用于处理奇异值的分解结果，运用机器学习算法中的最优化方式，对其加入一定的约束值，对代价函数做约束条件处理基站侧发射端的发射功率限制、小区内可以介入的总用户数以及小区基站能够辐射的范围，根据以上的实际场景约束条件做广义拉格朗日参数最大化，根据通信系统中的香农极限预编码，将大规模尺寸的输入信号矩阵做最优化处理，并运用对偶函数将拉格朗日问题进行分解处理，并将极大最优化问题与极小交换位置，把原始最优化问题转化为极大值求解与极小值求解问题，并定义原始问题的最优值，将引入参数做无穷大处理求偏导数，将约束条件下的最优化结果发送至强弱对偶机制模块；
5.2、所述强弱对偶机制模块，用于求解大尺寸规模的初始信号矩阵，将约束条件用拉格朗日对偶函数设定出下界，将广义拉格朗日函数的极大极小问题表示为约束最优化问题，把约束条件融合到一起得到一个无约束的优化目标。在弱对偶性质下下界函数成立，将强对偶条件下的严格约束满足凸优化对应条件，并将其存在的零值点严格满足5.1中的实际多用户小区场景下的约束条件。对偶问题与原始函数的最优解不相等，但是满足一定的条件关键，当约束条件趋于强对偶时需要严格考虑约束条件，将对偶函数设置为目标用户数量限制问题与基站发射端功率问题的等价；
5.3、所述kkt条件机制，用于满足严格对偶前提下的拉格朗日函数最优化问题，将原始输入预编码信号中的波束约束问题与拉格朗日对偶函数中的零点带入到kkt条件中，把原问题的关于自变量的最小化转化为了对偶问题关于参数的最大化，为不等式找最大的下界函数和对偶互补条件。利用波束成形的可行域和对偶函数极值点做约束转化，在可行域范围内与相切范围内做梯度约束限制。并将约束条件进行简化处理得到可行域，将分情况讨论处理的约束条件限制可行解做限制，得到在实际场景下的预编码结果。
本发明实施的又一方面，还提供了一种机器学习级联最优化模型，所述机器学习级联最优化模型，当其在预编码模块运行时，实现本发明实施例提供的波束成形矢量。
本发明实施例提供的波束成形预编码系统方法，可以获取基站侧预编码输入信号，所获取的预编码信号用于发送至指示正则化迫零指令；生成干扰抑制迫零处理的，并利用奇异值分解模块，用于指示的大尺寸输入矩阵做降维筛选处理；按照生成的代价函数和所对应的约束条件，用于指示的拉格朗日对偶模块，对最优化函数做最优化约束处理。应用本发明实施例提供的方案，能够根据系统中预编码输入信号资源的不足，采用机器学习降维机制，并根据与预编码波束成形矢量方向、输入信号的有用性分析进行算法分解，使无线通信预编码得到完善。并在提高网络资源利用率、提高预编码计算效率、降低计算复杂度等问题上有明显改善。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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中的一些实施例，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一种基于rzf-奇异值-拉格朗日算法系统结构图；
图2为本发明实施例提供的一种干扰抑制迫零方法的结构示意图；
图3为本发明实施例提供的一种奇异值分解降维机制的流程示意图；
图4为本发明实施例提供的一种拉格朗日对偶机制流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有实施例，都属于本发明保护的范围。
参见图1，示出了本发明实施例提供的一种基于rzf-奇异值-拉格朗日算法系统结构图，该系统包括：正则化干扰迫零模块100、奇异值分解模块200以及拉格朗日对偶模块300，其中，
正则化干扰迫零模块100，用于处理基站侧发射信号的输入，对信号数据源做预编码处理，将产生的信道内干扰信号降低最低值，将发送端的信号用正交矩阵天线阵列设计波束向量，消除下行链路中产生的用户间干扰，并将波束成形矢量方向改善后的信号传送到奇异值分解模块200，将该部分输入的预编码矩阵信号做信息压缩处理，将预编码矩阵数据中与目标用户无关的干扰信息滤除，在整个矩阵矢量上做低维映射处理，筛除干扰信息中包含的冗余信号，把输入信号转化为奇异值分解的形式，使得输出矩阵可用奇异值矩阵的特征值与奇异矩阵表示，通过奇异值分解模块，将映射后的预编码矩阵发送至拉格朗日对偶模块300，将低维映射的矩阵信号传递做原始问题分析处理，对代价函数做最优化方式处理，将奇异值分解模块得到的矩阵做强对偶和kkt条件，所得到的拉格朗日对偶优化结果，作为预编码结果矩阵。
上述预编码矩阵通常是指在基站侧发送端传递进入的输入数据信号，利用通信系统内的物理空间内部署大规模天线阵列彼此之间相关性，使由统增益效果被弱化，并将大量的天线中各个天线阵元之间进行同步难，对大规模天线阵列进行合理的设计，降低各个天线阵元之间的相关性与耦合度，根据天线阵列的特性，将天线进行处理和校准，经由预编码模块生成的大尺寸矩阵矢量，预编码矩阵的尺寸越大表示单位时间内传输的数据量越多，相应的，发送端传递指信号的数据量越大。
奇异值分解模块200，用于用于筛除干扰信息中包含的冗余信号，将预编码矩阵映射到低维度的矩阵空间坐标系中，把输入信号转化为奇异值分解的形式，使得输出矩阵可用奇异值矩阵的特征值与奇异矩阵表示，将正则化预编码的压缩结果做奇异值分解，奇异值可以被看作成一个矩阵的代表值，用该奇异值代表这个预编码矩阵的信息。奇异值的大小，即决定了它代表的信息多少。将前面若干个最大的奇异值去除，就可以基本上还原出数据本身，通过对动态tdd场景中交叉干扰特性处理，设计用户调度约束因子以限制受到严重交叉干扰的下行边缘用户的调度，将较为严重的基站到基站干扰，利用奇异值分解将大维度的基站到基站干扰信道分解为若干个干扰子信道并设计分配方案将干扰子信道分别交由上行基站和下行基站处理，利用了多用户小区大规模mimo系统中基站天线的空间自由度来消除交叉干扰。并将所述的奇异值分解处理后的矩阵发送至所述的拉格朗日对偶模块300。
一种实现方式中，无线通信系统中发射端基站可辐射的信号范围限制可以为半径800米，基站发射功率为100w。
拉格朗日对偶模块300，用于接受正则化干扰迫零模块100和奇异值分解模块200发送的信号矩阵，将在实际的通信系统传输中产生的物理条件约束，为了避免实际约束场景中波束成形矩阵的大尺寸的预编码矩阵求逆，将从奇异值分解机制200中得到的矩阵，对代价函数做最优化方式处理，将奇异值分解模块得到的矩阵做强对偶和kkt条件，通过拉格朗日方法重新定义一个无约束问题，该无约束问题等价于原来的约束优化问题，从而将约束问题无约束化。将满足原问题转化为凸优化问题，强对偶成立的情况下，通过求解对偶问题来得到原始问题的解，在支持向量机中可以直接假定强对偶性的成立，至少存在一个绝对可行点。原始问题的最优值不小于对偶问题的最优值，要通过对偶问题来求解原始问题，将原始问题的最优值与对偶问题的最优值相等所得到的拉格朗日对偶优化结果，作为预编码结果矩阵。
对预编码矩阵会区分不同的尺寸进行降维映射，因而，需要在得到的正则化迫零预编码矩阵后进行波束向量尺寸分析，并且，由于输出信号须做对偶性最优化处理，如果筛除对本身目标用户信号无用的冗余数据，则可以对预编码矩阵做降维映射。
参见图2，示出了本发明实施例提供的一种干扰抑制迫零方法机制100的结构示意图，干扰抑制迫零机制系统100可以包括：发射信号加权处理机制201、天线信道正交处理机制202、预编码矩阵参数衡量机制203、波束矩阵伪逆机制204、波束矢量加权处理机制205、干扰迫零机制206，其中，
发射信号加权处理201，用于将无线通信系统中的数字信号传输指预编码模块，做天线阵列的矢量方向主瓣信息与旁瓣信息加权处理，并将加权后的数据信号发送至天线信道正交处理202。
天线信道正交处理机制202，用于利用阵元之间的相关性，对大规模天线阵列进行合理的设计，降低各个天线阵元之间的相关性与耦合度，并根据天线阵列的特性，对天线进行处理和校准，并将正交处理后的矩阵发送至预编码矩阵参数衡量机制203。
一种实现方式中，子载波数目为600，系统带宽是20mhz，每根发射天线的发射功率为100mw，迭代次数为5。
预编码矩阵参数衡量机制203，用于信道模型中的小区干扰参数做参数正交化处理，将信道中无用信号和参数做阵列设计，并将衡量机制结果发送至波束矩阵伪逆机制204。
波束矩阵伪逆机制204，用于生成与目标用户相关的预编码矩阵信道模型求伪逆，转化约束限制下的传输模型，并将伪逆求解后的结果发送至波束矢量加权处理机制205。
波束矢量加权处理机制205，用于在tdd模式下，对信道估计的时间开销严格限定。并在有限的时间内解决完成预编码的波束成形空间方向加权，获得高精度的目标用户对应矢量，将波束矢量预编码信号发送至干扰迫零机制206。
干扰迫零机制206，用于小区内用户矩阵转化为彼此正交的导频序列，系统中消除导频污染和导频复用的无用信号，并将干扰置为零，生成正则化干扰抑制预编码矩阵。
参见图3，示出了本发明实施例提供的一种奇异值分解降维机制的流程示意图，奇异值分解模块200可以包括：低维空间映射机制301、非实对称矩阵机制302、实对称矩阵机制303、奇异值分解机制304、奇异值表征排布机制305、奇异值矩阵表示机制306，其中，
低维空间映射机制301，用于接受来自干扰抑制迫零产输出的预编码矩阵，获得筛除冗余数据信息的信号，对大尺寸天线阵列生成的高维信号做映射处理，并将结果发送至非实对称矩阵机制302、实对称矩阵机制303。
非实对称矩阵机制302，用于实际场景下多用户小区内的波束成形预编码矩阵做奇异值分解，将其预编码结果转化成非方阵的奇异矩阵形式，并将小区通信信号转化成奇异值与特征值的表达方式，将矩阵信号传递至奇异值分解机制304。
实对称矩阵机制303，用于小区内的波束成形预编码矩阵恰好为方阵模型的奇异值分解，将其方阵结果转化奇异矩阵形式，并将小区通信信号转化成奇异值与特征值的表达方式，将矩阵信号传递至奇异值分解机制304。
奇异值分解机制304，用于转化维度不同的矩阵，将奇异值矩阵对角线上的值做一定提取，转化其空间映射结果，并将信号传递至奇异值表征排布机制305。
奇异值表征排布机制305，用于对无线通信系统内输入信号的向量矩阵，做奇异值表征，对其中于目标用户重要的有用信号数据做排列分布处理，同时舍弃无用的部分干扰数据信息，并将数据发送至奇异值矩阵表示机制306。
奇异值矩阵表示机制306，用于对奇异值开方处理后的矩阵数据信息，将预编码矩阵降维剩余后的特征向量补足，并用左右奇异值矩阵与映射后的特征值表示成预编码矩阵。
一种实现方式中，奇异值矩阵计算迭代次数可以为4，信道长度可以为64，导频间隔为6。
参见图4，示处理本发明实施例提供的一种拉格朗日对偶机制流程示意图，该系统包括，原始问题最优化机制401、强对偶机制402、弱对偶机制403、kkt约束条件机制404，其中：
原始问题最优化机制401，用于处理奇异值的分解结果，运用机器学习算法中的最优化方式，对其加入一定的约束值，对代价函数做约束条件处理基站侧发射端的发射功率限制、小区内可以介入的总用户数以及小区基站能够辐射的范围，根据以上的实际场景约束条件做广义拉格朗日参数最大化，根据通信系统中的香农极限预编码，将大规模尺寸的输入信号矩阵做最优化处理，并运用对偶函数将拉格朗日问题进行分解处理，并将极大最优化问题与极小交换位置，把原始最优化问题转化为极大值求解与极小值求解问题，将最大化处理转化为无穷大问题，并定义原始问题的最优值，将引入参数做无穷大处理求偏导数，对广义拉格朗日函数进行分解处理，将约束条件下的最优化结果发送至强对偶机制模块402、弱对偶机制模块403。
强对偶机制模块402，用于求解大尺寸规模的初始信号矩阵，将约束条件用拉格朗日对偶函数设定出下界，将广义拉格朗日函数的极大极小问题表示为约束最优化问题，把约束条件融合到一起得到一个无约束的优化目标。将强对偶条件下的严格约束满足凸优化对应条件，并将其存在的零值点严格满实际多用户小区场景下的约束条件。对偶问题与原始函数的最优解不相等，但是满足一定的条件关键，当约束条件趋于强对偶时需要严格考虑约束条件，将对偶函数设置为目标用户数量限制问题与基站发射端功率问题的等价，并将生成信号矩阵发送至kkt约束条件机制404。
弱对偶机制模块403，用于原始问题最优化处理后的大尺寸规模初始信号矩阵，将广义拉格朗日函数的极大极小问题表示为约束最优化问题，把约束条件融合到一起得到一个无约束的优化目标。将约束条件用拉格朗日对偶函数设定出下界。在弱对偶性质下下界函数成立，并且不受实际多用户小区场景下的约束条件束缚。对偶问题与原始函数的最优解不相等，将对偶函数设置为目标用户数量限制问题与基站发射端功率问题的等价，弱对偶机制生成的预编码矩阵发送至kkt约束条件机制404。
在本发明提供的又一实施例中，还提供了一种还提供了一种机器学习级联最优化模型，该机器学习级联最优化模型，当其在预编码模块运行时，实现本发明实施例提供的波束成形矢量。
具体的，上述机器学习级联最优化模型，包括：
获取无线通信系统发射端的输入信号；
根据所获得的输入信号尺寸大小，确定实施降维空间映射机制；
生成正则化干扰迫零机制下的预编码矩阵；
按照干扰抑制后的预编码矩阵做奇异值分解处理，生成特征值与左右奇异矩阵表示的波束矩阵；
对奇异值处理后的预编码矩阵，在拉格朗日对偶模块做原始问题最优化、强弱对偶机制和kkt约束处理，生成预编码后的波束矩阵。
本发明实施例提供的各个方案中，能够根据无线通信系统中的输入数据信号矩阵尺寸大小调整生成的降维映射空间，并通过奇异值分解机制，实现特征值与左右奇异矩阵表示下的预编码矩阵，因而能够提升网络资源利用率和预编码计算效率。
综上所述，本发明针对无线通信系统中的干扰增多、传输距离远、增益效果被弱化、预编码性能差的问题，提出一种波束成形预编码系统方法。在基站侧发射端，实现预编码干扰正则化置零，在波束预编码模块，利用代价函数最优化，实现约束条件下预编码矩阵的转化。同时，保证高质量的波束矢量信号在信道中传输，同时降低网络阻塞和避免大尺寸的计算复杂度。为保证预编码波束矢量准确的情况下，处理发射端的波束矩阵阵列方向权重；在输入的预编码矩阵尺寸过大或信息含量过多时，级联模块根据小区基站传输距离、小区基站发射率以及子载波数等条件，选取对于目标用户有用的波束矢量预留。保证发射信号能够在干扰存在的信道内良好传输，可有效提高网络资源利用率、降低计算复杂度。
基于rzf-奇异值-拉格朗日的波束成形预编码算法特点是利用正则化预编码与降维映射技术，在保证高质量的波束矢量信号在信道中传输的同时，提高网络资源利用率，使波束矢量对准目标用户信号。当信号矩阵尺寸过大时，波束矢量的加权处理进一步保证了最优化和约束条件问题，有效提高了预编码效率。
该方法的主要创新点是在信号传输中产生干扰问题时，以正则化预编码的方式对相位延迟和权重形成组合，降低波束矢量维度，改善天线阵列源控制的接受发射两端的信号幅度与位置，抑制其他数据的时空干扰；在无线网络系统波束方向不均矩阵尺寸过大时，利用波束权重处理、奇异值分解的降维空间映射和对偶级联形式的模块，对矢量奇异值表征做重要性先后排列分布，将预编码矩阵转化为特征值与左右奇异值的表达方式，解决计算复杂度大的问题；同时利用原始问题以及强弱对偶性的选取，将严格对偶定义下的下界函数与互补问题做可行化处理，将约束条件归属至可行域内处理，保证高质量的波束矢量信号在信道中传输。该方法有效改善了由于无线通信系统中信道存在干扰，预编码能力较差、计算复杂度较高带来的用户端存在冗余数据信息问题，在多用户小区系统中避免波束矢量主瓣旁瓣的方向问题。减小网络时延，降低计算复杂度和信道干扰情况，提高星上无线通信网络的资源利用率和预编码效率。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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，并排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于方法、电子设备、计算机可读存储介质以及计算机程序产品实施例而言，由于其基本相似于系统实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
1.一种波束成形预编码系统方法，其特征在于，该算法包括：正则化迫零模块、奇异值分解模块以及拉格朗日对偶模块，其中，
1)所述正则化迫零模块，用于对无线通信系统中接收端的信号数据做预编码处理，将发送端的信号用正交矩阵天线阵列设计波束向量，消除下行链路中产生的用户间干扰，并将所述的正则化迫零处理的预编码矩阵发送至所述的奇异值分解模块；
2)所述奇异值分解模块，用于筛除干扰信息中包含的冗余信号，将预编码矩阵映射到低维度的矩阵空间坐标系中，把输入信号转化为奇异值分解的形式，使得输出矩阵可用奇异值矩阵的特征值与奇异矩阵表示，并将所述的奇异值分解处理后的矩阵发送至所述的拉格朗日对偶模块；
3)所述拉格朗日对偶模块，用于在实际的通信系统传输中产生的物理条件约束，为了避免实际约束场景中波束成形矩阵的大尺寸的预编码矩阵求逆，对代价函数做最优化方式处理，将奇异值分解模块得到的矩阵做强对偶和kkt条件，所得到的拉格朗日对偶优化结果，作为预编码结果矩阵。
2.根据权利要求1所述的方法，其特征在于，步骤1)所述正则化迫零模块装置包括预编码矩阵的干扰迫零机制、波束向量正交化机制，其中：
1)所述干扰迫零机制，用于多天线技术下涉及到的高复杂度信号输入矩阵，在到达预编码模块中的正则迫零步骤时，将尺寸较大的输入信号矩阵传递至rzf进行干扰迫零处理，并将波束矢量的主瓣对准需传递的目标用户信号、零值和旁瓣对准干扰信号部分，对主瓣和旁瓣各自赋予一定的权重值，做加权选择处理，将该部分信号传递至所述波束向量正交化机制模块；
2)所述波束向量正交化机制，用于一组相位延迟或者时间延迟与固定的权重形成的组合，对传感器的位置波束与目标用户信号波束做正交化处理，并对预编码的发射信号做针对优化，将其加权后的信号做正交选择得到正则化迫零模块处理后的预编码矩阵：
w＝hh(hhh αi)-1。
3.根据权利要求1所述的方法，其特征在于，步骤2)所述生成奇异值分解模块包括：实对称矩阵、实际场景下的非实对称矩阵，其中，
1)所述实对称矩阵机制，用于输入端信号经过干扰迫零处理以后，将预编码信号映射到低维空间，在普通的实对称矩阵场景下，将预编码矩阵分解成为正交矩阵和特征值的表达方式；
2)所述实际场景下的非实对称矩阵，用于通信系统中与预编码信号在实际场景下为非实对称矩阵情况中，将该波束成形矩阵做奇异值分解，并将奇异值矩阵做特征值分解处理，转化为筛除冗余的降维信号矩阵：
w＝λ1u1v1t λ2u2v2t ... λnunvnt。
4.根据权利要求1所述的方法，其特征在于，步骤3)所述拉格朗日对偶模块包括原始问题机制、强弱对偶机制、kkt条件机制，其中：
1)所述原始问题机制，用于处理奇异值的分解结果，对代价函数做约束条件处理基站侧发射端的发射功率限制、小区内可以介入的总用户数以及小区基站能够辐射的范围，根据以上的实际场景约束条件做广义拉格朗日参数最大化，并运用对偶函数将拉格朗日问题进行分解处理，将约束条件下的最优化结果发送至强弱对偶机制模块；
2)所述强弱对偶机制模块，用于求解大尺寸规模的初始信号矩阵，将约束条件用拉格朗日对偶函数设定出下界，当约束条件趋于强对偶时需要严格考虑约束条件，将对偶函数设置为目标用户数量限制问题与基站发射端功率问题的等价；
3)所述kkt条件机制，用于满足严格对偶前提下的拉格朗日函数最优化问题，将原始输入预编码信号中的波束约束问题与拉格朗日对偶函数中的零点带入到kkt条件中，并将约束条件进行简化处理得到可行域，将分情况讨论处理的约束条件限制可行解做限制，得到在实际场景下的预编码结果。
技术总结