انتخاب پرتو در ارتباطات مخابراتی با شبکه عصبی در MATLAB

دوشنبه 18 جولای 2022
بازدید ۹۷۲ نفر
سعید سیفی زاده
(10 امتیاز از 2 رای)
Loading...

تصویر beam-selection-neural-network-matlab_5263_1 انتخاب پرتو در ارتباطات مخابراتی با شبکه عصبی در MATLAB

انتخاب پرتو در ارتباطات مخابراتی با شبکه عصبی در متلب

در این مقاله آموزشی متلب مثال پیش رو نشان می دهد که چگونه از یک شبکه عصبی برای کاهش سربار در انتخاب پرتو (Beam Selection) استفاده کنیم به طور مثال، شما به جای دانش کانال های ارتباطی ، تنها از مکان گیرنده استفاده می کنید. به جای جستجوی کامل پرتو بر روی تمامی زوج های پرتو، می توانید با جستجو در بین جفت پرتو K سربار پرتو را کاهش دهید. با در نظر گرفتن یک سیستم با مجموع ۱۶ جفت پرتو، نتایج شبیه سازی با نرم افزار MATLAB نشان می دهد که الگوریتم یادگیری ماشین طراحی شده می تواند با انجام یک جستجوی جامع تنها بر روی نیمی از جفت های پرتو، به دقت 90 درصد دست یابد.

مقدمه

برای فعال کردن ارتباطات موج میلی متری (mmWave) باید از تکنیک های مدیریت پرتو به دلیل گذر و انسداد زیاد در فرکانس های بالا استفاده کرد. مدیریت پرتو مجموعه ای از رویه های لایه 1 (لایه فیزیکی) و لایه 2 (کنترل دسترسی متوسط) برای ایجاد و حفظ یک جفت پرتو بهینه (پرتو ارسال و یک پرتو دریافت متناظر) برای اتصال مناسب است [1]. برای مشاهده و بررسی مثال هایی از روش های مدیریت پرتو در نسل پنجم امواج رادیویی جدید (5G NR) ، به مقاله آموزشی NR SSB Beam Sweeping و مقاله آموزشی NR Downlink Transmit-End Beam Refinement Using CSI-RS در جعبه ابزار 5G مراجعه کنید. این مثال رویه های انتخاب پرتو را زمانی در نظر می گیرد که یک اتصال بین تجهیزات کاربر (UE) و گره دسترسی به شبکه (gNB) برقرار شود. در نسل پنجم امواج رادیویی جدید (5G NR) روش انتخاب پرتو برای دسترسی اولیه شامل جاروب پرتو است که به جستجوی جامع در تمام پرتو های طرف فرستنده و گیرنده نیاز دارد، و سپس انتخاب جفت پرتویی که قوی ترین قدرت دریافت سیگنال مرجع (RSRP) را ارائه می دهد. با توجه به اینکه که ارتباطات mmWave به بسیاری از آلمان های آنتن نیاز دارد، شامل پرتو های زیادی می شود، از این رو جستجوی جامع بر روی همه پرتو ها از نظر محاسباتی گران تمام می شود و زمان دسترسی اولیه را نیز افزایش می دهد.

تصویر beam-selection-neural-network-matlab_5263_13 انتخاب پرتو در ارتباطات مخابراتی با شبکه عصبی در MATLAB

شکل مکاتبات پرتو (Beam Correspondence)

برای جلوگیری از انجام مکرر جستجوی جامع و کاهش هزینه های ارتباطی، در این مثال آموزشی متلب ، یادگیری ماشین برای مشکل انتخاب پرتو اعمال شده است. به طور معمول، مسئله انتخاب پرتو به عنوان یک وظیفه طبقه بندی مطرح می شود، که در آن خروجی هدف بهترین شاخص جفت پرتو می باشد. اطلاعات بیرونی، از جمله لیدار (فناوری‌ سنجش از راه دور)، سیگنال های GPS و تصاویر دوربین کنار جاده ای، به عنوان ورودی برای الگوریتم های یادگیری ماشین استفاده می‌شوند [2]-[6]. به طور خاص، با توجه به این اطلاعات خارج از باند، یک مدل یادگیری ماشین آموزش دیده، مجموعه ای از جفت پرتو K مناسب را توصیه می کند. به جای جستجوی جامع بر روی تمام جفت های پرتو، شبیه سازی با جستجو فقط در بین جفت های پرتو K انتخاب شده، سربار پرتو را کاهش می دهد.

در این مثال برای انجام انتخاب پرتو به کمک مختصات GPS گیرنده ، از یک شبکه عصبی استفاده می شود. با ثابت کردن مکان های فرستنده و پراکنده ‌ها، این مثال مجموعه ‌ای از نمونه‌ های آموزشی را تولید می کند: هر نمونه شامل یک مکان گیرنده (داده‌ های GPS) و شاخص جفت پرتو بهینه واقعی (که با انجام جستجوی جامع در تمام جفت های پرتو در انتهای ارسال و دریافت یافت می‌ شود) است. همچنین این مثال یک شبکه عصبی را طراحی و آموزش می دهد که از مکان گیرنده به عنوان ورودی و شاخص بهینه جفت پرتو واقعی به عنوان برچسب صحیح استفاده می کند. در طول مرحله آزمایش، شبکه عصبی ابتدا جفت پرتو K خوب را خروجی می دهد. یک جستجوی جامع بر روی این جفت پرتو K دنبال می شود و جفت پرتو با بالاترین میانگین RSRP به عنوان جفت پرتوی پیش بینی شده نهایی توسط شبکه عصبی انتخاب می شود. این مثال اثر بخشی روش پیشنهادی را با استفاده از دو معیار اندازه گیری می کند که شامل میانگین RSRP و دقت بالاترین K می باشد [2]-[6]. این شکل مراحل اصلی پردازش را نشان می دهد.

تصویر beam-selection-neural-network-matlab_5263_2 انتخاب پرتو در ارتباطات مخابراتی با شبکه عصبی در MATLAB

rng(211); % Set RNG state for repeatability

1	rng(211); % Set RNG state for repeatability

تولید داده های آموزشی

در داده های از پیش ضبط شده، گیرنده ها به طور تصادفی در محیط یک مربع 6 متری توزیع می شوند و با 16 جفت پرتو (چهار پرتو در هر انتها، پرتو آنالوگ با 1 زنجیره RF شکل می گیرند) پیکربندی می شوند. پس از راه اندازی یک کانال پراکندگی MIMO ، به عنوان مثال ۲۰۰ موقعیت گیرنده مختلف در مجموعه آموزشی و ۱۰۰ موقعیت گیرنده مختلف در مجموعه های تست در نظر گرفته می‌شود. داده های از پیش ضبط شده از مختصات مکان 2 بعدی استفاده می کند. به طور خاص، مختصات سوم GPS هر نمونه همیشه صفر است. همانطور که در مثال NR SSB Beam Sweeping، برای هر مکان، جاروب پرتو مبتنی بر SSB برای جستجوی جامع در تمام 16 جفت پرتو انجام می شود. از آنجا که AWGN در جستجوی کامل برای هر مکان به آن اضافه شده، این مثال چهار آزمایش مختلف را اجرا می کند و با انتخاب جفت پرتو با بالاترین میانگین RSRP، جفت پرتو بهینه واقعی را تعیین می کند. برای تولید مجموعه های آموزشی و آزمایشی جدید، می توانید منطق useSavedData و SaveData را تنظیم کنید. توجه داشته باشید که بازسازی داده ها زمان قابل توجهی را می طلبد.

useSavedData = true;
saveData = false;

if useSavedData
load nnBS_prm.mat; % Load beam selection system parameters
load nnBS_TrainingData.mat; % Load prerecorded training samples
% (input: receiver's location; output: optimal beam pair indices)
load nnBS_TestData.mat; % Load prerecorded test samples
else

useSavedData = true;

saveData = false;

if useSavedData

load nnBS_prm.mat; % Load beam selection system parameters

load nnBS_TrainingData.mat; % Load prerecorded training samples

% (input: receiver's location; output: optimal beam pair indices)

load nnBS_TestData.mat; % Load prerecorded test samples

else

فرکانس و زوایای جابجایی پرتو را پیکربندی کنید:

prm.NCellID = 1; % Cell ID
prm.FreqRange = 'FR1'; % Frequency range: 'FR1' or 'FR2'

prm.CenterFreq = 2.5e9; % Hz
prm.SSBlockPattern = 'Case B'; % Case A/B/C/D/E
prm.SSBTransmitted = [ones(1,4) zeros(1,0)]; % 4/8 or 64 in length

prm.TxArraySize = [8 8]; % Transmit array size, [rows cols]
prm.TxAZlim = [-163 177]; % Transmit azimuthal sweep limits
prm.TxELlim = [-90 0]; % Transmit elevation sweep limits

prm.RxArraySize = [2 2]; % Receive array size, [rows cols]
prm.RxAZlim = [-177 157]; % Receive azimuthal sweep limits
prm.RxELlim = [0 90]; % Receive elevation sweep limits

prm.ElevationSweep = false; % Enable/disable elevation sweep
prm.SNRdB = 30; % SNR, dB
prm.RSRPMode = 'SSSwDMRS'; % {'SSSwDMRS', 'SSSonly'}

prm = validateParams(prm);

prm.NCellID = 1; % Cell ID

prm.FreqRange = 'FR1'; % Frequency range: 'FR1' or 'FR2'

prm.CenterFreq = 2.5e9; % Hz

prm.SSBlockPattern = 'Case B'; % Case A/B/C/D/E

prm.SSBTransmitted = [ones(1,4) zeros(1,0)]; % 4/8 or 64 in length

prm.TxArraySize = [8 8]; % Transmit array size, [rows cols]

prm.TxAZlim = [-163 177]; % Transmit azimuthal sweep limits

prm.TxELlim = [-90 0]; % Transmit elevation sweep limits

prm.RxArraySize = [2 2]; % Receive array size, [rows cols]

prm.RxAZlim = [-177 157]; % Receive azimuthal sweep limits

prm.RxELlim = [0 90]; % Receive elevation sweep limits

prm.ElevationSweep = false; % Enable/disable elevation sweep

prm.SNRdB = 30; % SNR, dB

prm.RSRPMode = 'SSSwDMRS'; % {'SSSwDMRS', 'SSSonly'}

prm = validateParams(prm);

پیکربندی پخش سیگنال همگام سازی :

txBurst = nrWavegenSSBurstConfig;
txBurst.BlockPattern = prm.SSBlockPattern;
txBurst.TransmittedBlocks = prm.SSBTransmitted;
txBurst.Period = 20;
txBurst.SubcarrierSpacingCommon = prm.SubcarrierSpacingCommon;

txBurst = nrWavegenSSBurstConfig;

txBurst.BlockPattern = prm.SSBlockPattern;

txBurst.TransmittedBlocks = prm.SSBTransmitted;

txBurst.Period = 20;

txBurst.SubcarrierSpacingCommon = prm.SubcarrierSpacingCommon;

پیکربندی Scatterer :

c = physconst('LightSpeed'); % Propagation speed
prm.lambda = c/prm.CenterFreq; % Wavelength

prm.rightCoorMax = 10; % Maximum x-coordinate
prm.topCoorMax = 10; % Maximum y-coordinate
prm.posTx = [3.5;4.2;0]; % Transmit array position, [x;y;z], meters

% Scatterer locations
% Generate scatterers at random positions
Nscat = 10; % Number of scatterers
azRange = prm.TxAZlim(1):prm.TxAZlim(2);
elRange = -90:90;

% More evenly spaced scatterers
randAzOrder = round(linspace(1, length(azRange), Nscat));
azAngInSph = azRange(randAzOrder(1:Nscat));

% Consider a 2-D area, i.e., the elevation angle is zero
elAngInSph = zeros(size(azAngInSph));
r = 2; % radius
[x,y,z] = sph2cart(deg2rad(azAngInSph),deg2rad(elAngInSph),r);
prm.ScatPos = [x;y;z] + [prm.rightCoorMax/2;prm.topCoorMax/2;0];

c = physconst('LightSpeed'); % Propagation speed

prm.lambda = c/prm.CenterFreq; % Wavelength

prm.rightCoorMax = 10; % Maximum x-coordinate

prm.topCoorMax = 10; % Maximum y-coordinate

prm.posTx = [3.5;4.2;0]; % Transmit array position, [x;y;z], meters

% Scatterer locations

% Generate scatterers at random positions

Nscat = 10; % Number of scatterers

azRange = prm.TxAZlim(1):prm.TxAZlim(2);

elRange = -90:90;

% More evenly spaced scatterers

randAzOrder = round(linspace(1, length(azRange), Nscat));

azAngInSph = azRange(randAzOrder(1:Nscat));

% Consider a 2-D area, i.e., the elevation angle is zero

elAngInSph = zeros(size(azAngInSph));

r = 2; % radius

[x,y,z] = sph2cart(deg2rad(azAngInSph),deg2rad(elAngInSph),r);

prm.ScatPos = [x;y;z] + [prm.rightCoorMax/2;prm.topCoorMax/2;0];

پیکربندی آرایه آنتن :

% Transmit array
if prm.IsTxURA
% Uniform rectangular array
arrayTx = phased.URA(prm.TxArraySize,0.5*prm.lambda, ...
'Element',phased.IsotropicAntennaElement('BackBaffled',true));
else
% Uniform linear array
arrayTx = phased.ULA(prm.NumTx, ...
'ElementSpacing',0.5*prm.lambda, ...
'Element',phased.IsotropicAntennaElement('BackBaffled',true));
end

% Receive array
if prm.IsRxURA
% Uniform rectangular array
arrayRx = phased.URA(prm.RxArraySize,0.5*prm.lambda, ...
'Element',phased.IsotropicAntennaElement);
else
% Uniform linear array
arrayRx = phased.ULA(prm.NumRx, ...
'ElementSpacing',0.5*prm.lambda, ...
'Element',phased.IsotropicAntennaElement);
end

% Transmit array

if prm.IsTxURA

% Uniform rectangular array

arrayTx = phased.URA(prm.TxArraySize,0.5*prm.lambda, ...

'Element',phased.IsotropicAntennaElement('BackBaffled',true));

else

% Uniform linear array

arrayTx = phased.ULA(prm.NumTx, ...

'ElementSpacing',0.5*prm.lambda, ...

'Element',phased.IsotropicAntennaElement('BackBaffled',true));

end

% Receive array

if prm.IsRxURA

% Uniform rectangular array

arrayRx = phased.URA(prm.RxArraySize,0.5*prm.lambda, ...

'Element',phased.IsotropicAntennaElement);

else

% Uniform linear array

arrayRx = phased.ULA(prm.NumRx, ...

'ElementSpacing',0.5*prm.lambda, ...

'Element',phased.IsotropicAntennaElement);

end

موقعیت های Tx/Rx را تعیین کنید :

% Receiver locations
% Training data: X points around a rectangle: each side has X/4 random points
% X: X/4 for around square, X/10 for validation => lcm(4,10) = 20 smallest
NDiffLocTrain = 200;
pointsEachSideTrain = NDiffLocTrain/4;
prm.NDiffLocTrain = NDiffLocTrain;

locationX = 2*ones(pointsEachSideTrain, 1);
locationY = 2 + (8-2)*rand(pointsEachSideTrain, 1);

locationX = [locationX; 2 + (8-2)*rand(pointsEachSideTrain, 1)];
locationY = [locationY; 8*ones(pointsEachSideTrain, 1)];

locationX = [locationX; 8*ones(pointsEachSideTrain, 1)];
locationY = [locationY; 2 + (8-2)*rand(pointsEachSideTrain, 1)];

locationX = [locationX; 2 + (8-2)*rand(pointsEachSideTrain, 1)];
locationY = [locationY; 2*ones(pointsEachSideTrain, 1)];

locationZ = zeros(size(locationX));
locationMat = [locationX locationY locationZ];

% Fixing receiver's location, run repeated simulations to consider
% different realizations of AWGN
prm.NRepeatSameLoc = 4;

locationMatTrain = repelem(locationMat,prm.NRepeatSameLoc, 1);

% Test data: Y points around a rectangle: each side has Y/4 random points
% Different data than test, but a smaller number
NDiffLocTest = 100;
pointsEachSideTest = NDiffLocTest/4;
prm.NDiffLocTest = NDiffLocTest;

locationX = 2*ones(pointsEachSideTest, 1);
locationY = 2 + (8-2)*rand(pointsEachSideTest, 1);

locationX = [locationX; 2 + (8-2)*rand(pointsEachSideTest, 1)];
locationY = [locationY; 8*ones(pointsEachSideTest, 1)];

locationX = [locationX; 8*ones(pointsEachSideTest, 1)];
locationY = [locationY; 2 + (8-2)*rand(pointsEachSideTest, 1)];

locationX = [locationX; 2 + (8-2)*rand(pointsEachSideTest, 1)];
locationY = [locationY; 2*ones(pointsEachSideTest, 1)];

locationZ = zeros(size(locationX));
locationMat = [locationX locationY locationZ];

locationMatTest = repelem(locationMat,prm.NRepeatSameLoc,1);

[optBeamPairIdxMatTrain,rsrpMatTrain] = hGenDataMIMOScatterChan('training',locationMatTrain,prm,txBurst,arrayTx,arrayRx,311);
[optBeamPairIdxMatTest,rsrpMatTest] = hGenDataMIMOScatterChan('test',locationMatTest,prm,txBurst,arrayTx,arrayRx,411);

% Save generated data
if saveData
save('nnBS_prm.mat','prm');
save('nnBS_TrainingData.mat','optBeamPairIdxMatTrain','rsrpMatTrain','locationMatTrain');
save('nnBS_TestData.mat','optBeamPairIdxMatTest','rsrpMatTest','locationMatTest');
end
end

% Receiver locations

% Training data: X points around a rectangle: each side has X/4 random points

% X: X/4 for around square, X/10 for validation => lcm(4,10) = 20 smallest

NDiffLocTrain = 200;

pointsEachSideTrain = NDiffLocTrain/4;

prm.NDiffLocTrain = NDiffLocTrain;

locationX = 2*ones(pointsEachSideTrain, 1);

locationY = 2 + (8-2)*rand(pointsEachSideTrain, 1);

locationX = [locationX; 2 + (8-2)*rand(pointsEachSideTrain, 1)];

locationY = [locationY; 8*ones(pointsEachSideTrain, 1)];

locationX = [locationX; 8*ones(pointsEachSideTrain, 1)];

locationY = [locationY; 2 + (8-2)*rand(pointsEachSideTrain, 1)];

locationX = [locationX; 2 + (8-2)*rand(pointsEachSideTrain, 1)];

locationY = [locationY; 2*ones(pointsEachSideTrain, 1)];

locationZ = zeros(size(locationX));

locationMat = [locationX locationY locationZ];

% Fixing receiver's location, run repeated simulations to consider

% different realizations of AWGN

prm.NRepeatSameLoc = 4;

locationMatTrain = repelem(locationMat,prm.NRepeatSameLoc, 1);

% Test data: Y points around a rectangle: each side has Y/4 random points

% Different data than test, but a smaller number

NDiffLocTest = 100;

pointsEachSideTest = NDiffLocTest/4;

prm.NDiffLocTest = NDiffLocTest;

locationX = 2*ones(pointsEachSideTest, 1);

locationY = 2 + (8-2)*rand(pointsEachSideTest, 1);

locationX = [locationX; 2 + (8-2)*rand(pointsEachSideTest, 1)];

locationY = [locationY; 8*ones(pointsEachSideTest, 1)];

locationX = [locationX; 8*ones(pointsEachSideTest, 1)];

locationY = [locationY; 2 + (8-2)*rand(pointsEachSideTest, 1)];

locationX = [locationX; 2 + (8-2)*rand(pointsEachSideTest, 1)];

locationY = [locationY; 2*ones(pointsEachSideTest, 1)];

locationZ = zeros(size(locationX));

locationMat = [locationX locationY locationZ];

locationMatTest = repelem(locationMat,prm.NRepeatSameLoc,1);

[optBeamPairIdxMatTrain,rsrpMatTrain] = hGenDataMIMOScatterChan('training',locationMatTrain,prm,txBurst,arrayTx,arrayRx,311);

[optBeamPairIdxMatTest,rsrpMatTest] = hGenDataMIMOScatterChan('test',locationMatTest,prm,txBurst,arrayTx,arrayRx,411);

% Save generated data

if saveData

save('nnBS_prm.mat','prm');

save('nnBS_TrainingData.mat','optBeamPairIdxMatTrain','rsrpMatTrain','locationMatTrain');

save('nnBS_TestData.mat','optBeamPairIdxMatTest','rsrpMatTest','locationMatTest');

end

نمودار مکان و پراکنده ساز :

figure
scatter(prm.posTx(1),prm.posTx(2),100,'r^','filled');
hold on;
scatter(prm.ScatPos(1,:),prm.ScatPos(2,:),100,[0.9290 0.6940 0.1250],'s','filled');
xlim([0 10])
ylim([0 10])
title('Transmitter and Scatterers Positions')
legend('Transmitter','Scatterers')
xlabel('x (m)')
ylabel('y (m)')

figure

scatter(prm.posTx(1),prm.posTx(2),100,'r^','filled');

hold on;

scatter(prm.ScatPos(1,:),prm.ScatPos(2,:),100,[0.9290 0.6940 0.1250],'s','filled');

xlim([0 10])

ylim([0 10])

title('Transmitter and Scatterers Positions')

legend('Transmitter','Scatterers')

xlabel('x (m)')

ylabel('y (m)')

تصویر beam-selection-neural-network-matlab_5263_3 انتخاب پرتو در ارتباطات مخابراتی با شبکه عصبی در MATLAB

پردازش و تجسم داده ها

جفت پرتو با بالاترین میانگین RSRP را به عنوان جفت پرتو بهینه واقعی برچسب گذاری کنید. برچسب های رمزگذاری یک طرفه را به داده های طبقه بندی برای استفاده جهت طبقه بندی تبدیل کنید. در نهایت، داده های طبقه بندی را طوری افزایش دهید که در مجموع دارای 16 کلاس باشد تا با تعداد احتمالی جفت پرتو مطابقت داشته باشد (اگرچه کلاس ها تعداد عناصر نامساوی داشته باشند). افزایش برای اطمینان از این است که خروجی شبکه عصبی دارای ابعاد مطلوب 16 می باشد.

پردازش داده های آموزشی :

% Choose the best beam pair by picking the one with the highest average RSRP
% (taking average over NRepeatSameLoc different trials at each location)
avgOptBeamPairIdxCellTrain = cell(size(optBeamPairIdxMatTrain, 1)/prm.NRepeatSameLoc, 1);
avgOptBeamPairIdxScalarTrain = zeros(size(optBeamPairIdxMatTrain, 1)/prm.NRepeatSameLoc, 1);
for locIdx = 1:size(optBeamPairIdxMatTrain, 1)/prm.NRepeatSameLoc
avgRsrp = squeeze(rsrpMatTrain(:,:,locIdx));
[~, targetBeamIdx] = max(avgRsrp(:));
avgOptBeamPairIdxScalarTrain(locIdx) = targetBeamIdx;
avgOptBeamPairIdxCellTrain{locIdx} = num2str(targetBeamIdx);
end

% Even though there are a total of 16 beam pairs, due to the fixed topology
% (transmitter/scatterers/receiver locations), it is possible
% that some beam pairs are never selected as an optimal beam pair
%
% Therefore, we augment the categories so 16 classes total are in the data
% (although some classes may have zero elements)
allBeamPairIdxCell = cellstr(string((1:prm.numBeams^2)'));
avgOptBeamPairIdxCellTrain = categorical(avgOptBeamPairIdxCellTrain, allBeamPairIdxCell);
NBeamPairInTrainData = numel(categories(avgOptBeamPairIdxCellTrain)); % Should be 16

% Choose the best beam pair by picking the one with the highest average RSRP

% (taking average over NRepeatSameLoc different trials at each location)

avgOptBeamPairIdxCellTrain = cell(size(optBeamPairIdxMatTrain, 1)/prm.NRepeatSameLoc, 1);

avgOptBeamPairIdxScalarTrain = zeros(size(optBeamPairIdxMatTrain, 1)/prm.NRepeatSameLoc, 1);

for locIdx = 1:size(optBeamPairIdxMatTrain, 1)/prm.NRepeatSameLoc

avgRsrp = squeeze(rsrpMatTrain(:,:,locIdx));

[~, targetBeamIdx] = max(avgRsrp(:));

avgOptBeamPairIdxScalarTrain(locIdx) = targetBeamIdx;

avgOptBeamPairIdxCellTrain{locIdx} = num2str(targetBeamIdx);

end

% Even though there are a total of 16 beam pairs, due to the fixed topology

% (transmitter/scatterers/receiver locations), it is possible

% that some beam pairs are never selected as an optimal beam pair

% Therefore, we augment the categories so 16 classes total are in the data

% (although some classes may have zero elements)

allBeamPairIdxCell = cellstr(string((1:prm.numBeams^2)'));

avgOptBeamPairIdxCellTrain = categorical(avgOptBeamPairIdxCellTrain, allBeamPairIdxCell);

NBeamPairInTrainData = numel(categories(avgOptBeamPairIdxCellTrain)); % Should be 16

فرآیند داده های تست :

% Decide the best beam pair by picking the one with the highest avg. RSRP
avgOptBeamPairIdxCellTest = cell(size(optBeamPairIdxMatTest, 1)/prm.NRepeatSameLoc, 1);
avgOptBeamPairIdxScalarTest = zeros(size(optBeamPairIdxMatTest, 1)/prm.NRepeatSameLoc, 1);
for locIdx = 1:size(optBeamPairIdxMatTest, 1)/prm.NRepeatSameLoc
avgRsrp = squeeze(rsrpMatTest(:,:,locIdx));
[~, targetBeamIdx] = max(avgRsrp(:));
avgOptBeamPairIdxScalarTest(locIdx) = targetBeamIdx;
avgOptBeamPairIdxCellTest{locIdx} = num2str(targetBeamIdx);
end
% Augment the categories such that the data has 16 classes total
avgOptBeamPairIdxCellTest = categorical(avgOptBeamPairIdxCellTest, allBeamPairIdxCell);
NBeamPairInTestData = numel(categories(avgOptBeamPairIdxCellTest)); % Should be 16

% Decide the best beam pair by picking the one with the highest avg. RSRP

avgOptBeamPairIdxCellTest = cell(size(optBeamPairIdxMatTest, 1)/prm.NRepeatSameLoc, 1);

avgOptBeamPairIdxScalarTest = zeros(size(optBeamPairIdxMatTest, 1)/prm.NRepeatSameLoc, 1);

for locIdx = 1:size(optBeamPairIdxMatTest, 1)/prm.NRepeatSameLoc

avgRsrp = squeeze(rsrpMatTest(:,:,locIdx));

[~, targetBeamIdx] = max(avgRsrp(:));

avgOptBeamPairIdxScalarTest(locIdx) = targetBeamIdx;

avgOptBeamPairIdxCellTest{locIdx} = num2str(targetBeamIdx);

end

% Augment the categories such that the data has 16 classes total

avgOptBeamPairIdxCellTest = categorical(avgOptBeamPairIdxCellTest, allBeamPairIdxCell);

NBeamPairInTestData = numel(categories(avgOptBeamPairIdxCellTest)); % Should be 16

ایجاد داده های ورودی/خروجی برای شبکه عصبی :

trainDataLen = size(locationMatTrain, 1)/prm.NRepeatSameLoc;
trainOut = avgOptBeamPairIdxCellTrain;
sampledLocMatTrain = locationMatTrain(1:prm.NRepeatSameLoc:end, :);
trainInput = sampledLocMatTrain(1:trainDataLen, :);

% Take 10% data out of test data as validation data
valTestDataLen = size(locationMatTest, 1)/prm.NRepeatSameLoc;
valDataLen = round(0.1*size(locationMatTest, 1))/prm.NRepeatSameLoc;
testDataLen = valTestDataLen-valDataLen;

% Randomly shuffle the test data such that the distribution of the
% extracted validation data is closer to test data
rng(111)
shuffledIdx = randperm(prm.NDiffLocTest);
avgOptBeamPairIdxCellTest = avgOptBeamPairIdxCellTest(shuffledIdx);
avgOptBeamPairIdxScalarTest = avgOptBeamPairIdxScalarTest(shuffledIdx);
rsrpMatTest = rsrpMatTest(:,:,shuffledIdx);

valOut = avgOptBeamPairIdxCellTest(1:valDataLen, :);
testOutCat = avgOptBeamPairIdxCellTest(1+valDataLen:end, :);

sampledLocMatTest = locationMatTest(1:prm.NRepeatSameLoc:end, :);
sampledLocMatTest = sampledLocMatTest(shuffledIdx, :);

valInput = sampledLocMatTest(1:valDataLen, :);
testInput = sampledLocMatTest(valDataLen+1:end, :);

trainDataLen = size(locationMatTrain, 1)/prm.NRepeatSameLoc;

trainOut = avgOptBeamPairIdxCellTrain;

sampledLocMatTrain = locationMatTrain(1:prm.NRepeatSameLoc:end, :);

trainInput = sampledLocMatTrain(1:trainDataLen, :);

% Take 10% data out of test data as validation data

valTestDataLen = size(locationMatTest, 1)/prm.NRepeatSameLoc;

valDataLen = round(0.1*size(locationMatTest, 1))/prm.NRepeatSameLoc;

testDataLen = valTestDataLen-valDataLen;

% Randomly shuffle the test data such that the distribution of the

% extracted validation data is closer to test data

rng(111)

shuffledIdx = randperm(prm.NDiffLocTest);

avgOptBeamPairIdxCellTest = avgOptBeamPairIdxCellTest(shuffledIdx);

avgOptBeamPairIdxScalarTest = avgOptBeamPairIdxScalarTest(shuffledIdx);

rsrpMatTest = rsrpMatTest(:,:,shuffledIdx);

valOut = avgOptBeamPairIdxCellTest(1:valDataLen, :);

testOutCat = avgOptBeamPairIdxCellTest(1+valDataLen:end, :);

sampledLocMatTest = locationMatTest(1:prm.NRepeatSameLoc:end, :);

sampledLocMatTest = sampledLocMatTest(shuffledIdx, :);

valInput = sampledLocMatTest(1:valDataLen, :);

testInput = sampledLocMatTest(valDataLen+1:end, :);

نمودار توزیع بهینه جفت پرتو برای داده های آموزشی :

مکان و جفت پرتو بهینه را برای هر نمونه آموزشی (در مجموع 200) ترسیم کنید. هر رنگ نشان دهنده یک شاخص جفت پرتو است. به عبارت دیگر، نقاط داده با همان رنگ متعلق به یک کلاس هستند. مجموعه داده ‌های آموزشی را افزایش دهید تا هر مقدار جفت پرتو را شامل شود، اگرچه توزیع واقعی جفت های پرتو به مکان های پراکنده ساز و فرستنده بستگی دارد.

figure
rng(111) % for colors in plot
color = rand(NBeamPairInTrainData, 3);
uniqueOptBeamPairIdx = unique(avgOptBeamPairIdxScalarTrain);
for n = 1:length(uniqueOptBeamPairIdx)
beamPairIdx = find(avgOptBeamPairIdxScalarTrain == uniqueOptBeamPairIdx(n));
locX = sampledLocMatTrain(beamPairIdx, 1);
locY = sampledLocMatTrain(beamPairIdx, 2);
scatter(locX, locY, [], color(n, :));
hold on;
end
scatter(prm.posTx(1),prm.posTx(2),100,'r^','filled');
scatter(prm.ScatPos(1,:),prm.ScatPos(2,:),100,[0.9290 0.6940 0.1250],'s','filled');
hold off
xlabel('x (m)')
ylabel('y (m)')
xlim([0 10])
ylim([0 10])
title('Optimal Beam Pair Indices (Training Data)')

figure

rng(111) % for colors in plot

color = rand(NBeamPairInTrainData, 3);

uniqueOptBeamPairIdx = unique(avgOptBeamPairIdxScalarTrain);

for n = 1:length(uniqueOptBeamPairIdx)

beamPairIdx = find(avgOptBeamPairIdxScalarTrain == uniqueOptBeamPairIdx(n));

locX = sampledLocMatTrain(beamPairIdx, 1);

locY = sampledLocMatTrain(beamPairIdx, 2);

scatter(locX, locY, [], color(n, :));

hold on;

end

scatter(prm.posTx(1),prm.posTx(2),100,'r^','filled');

scatter(prm.ScatPos(1,:),prm.ScatPos(2,:),100,[0.9290 0.6940 0.1250],'s','filled');

hold off

xlabel('x (m)')

ylabel('y (m)')

xlim([0 10])

ylim([0 10])

title('Optimal Beam Pair Indices (Training Data)')

تصویر beam-selection-neural-network-matlab_5263_4 انتخاب پرتو در ارتباطات مخابراتی با شبکه عصبی در MATLAB

figure
histogram(trainOut)
title('Histogram of Optimal Beam Pair Indices (Training Data)')
xlabel('Beam Pair Index')
ylabel('Number of Occurrences')

figure

histogram(trainOut)

title('Histogram of Optimal Beam Pair Indices (Training Data)')

xlabel('Beam Pair Index')

ylabel('Number of Occurrences')

تصویر beam-selection-neural-network-matlab_5263_5 انتخاب پرتو در ارتباطات مخابراتی با شبکه عصبی در MATLAB

توزیع بهینه جفت پرتو برای داده های اعتبار سنجی را ترسیم کنید :

figure
rng(111) % for colors in plot
color = rand(NBeamPairInTestData, 3);
uniqueOptBeamPairIdx = unique(avgOptBeamPairIdxScalarTest(1:valDataLen));
for n = 1:length(uniqueOptBeamPairIdx)
beamPairIdx = find(avgOptBeamPairIdxScalarTest(1:valDataLen) == uniqueOptBeamPairIdx(n));
locX = sampledLocMatTest(beamPairIdx, 1);
locY = sampledLocMatTest(beamPairIdx, 2);
scatter(locX, locY, [], color(n, :));
hold on;
end
scatter(prm.posTx(1),prm.posTx(2),100,'r^','filled');
scatter(prm.ScatPos(1,:),prm.ScatPos(2,:),100,[0.9290 0.6940 0.1250],'s','filled');
hold off
xlabel('x (m)')
ylabel('y (m)')
xlim([0 10])
ylim([0 10])
title('Optimal Beam Pair Indices (Validation Data)')

figure

rng(111) % for colors in plot

color = rand(NBeamPairInTestData, 3);

uniqueOptBeamPairIdx = unique(avgOptBeamPairIdxScalarTest(1:valDataLen));

for n = 1:length(uniqueOptBeamPairIdx)

beamPairIdx = find(avgOptBeamPairIdxScalarTest(1:valDataLen) == uniqueOptBeamPairIdx(n));

locX = sampledLocMatTest(beamPairIdx, 1);

locY = sampledLocMatTest(beamPairIdx, 2);

scatter(locX, locY, [], color(n, :));

hold on;

end

scatter(prm.posTx(1),prm.posTx(2),100,'r^','filled');

scatter(prm.ScatPos(1,:),prm.ScatPos(2,:),100,[0.9290 0.6940 0.1250],'s','filled');

hold off

xlabel('x (m)')

ylabel('y (m)')

xlim([0 10])

ylim([0 10])

title('Optimal Beam Pair Indices (Validation Data)')

تصویر beam-selection-neural-network-matlab_5263_6 انتخاب پرتو در ارتباطات مخابراتی با شبکه عصبی در MATLAB

figure
histogram(valOut)
title('Histogram of Optimal Beam Pair Indices (Validation Data)')
xlabel('Beam Pair Index')
ylabel('Number of Occurrences')

figure

histogram(valOut)

title('Histogram of Optimal Beam Pair Indices (Validation Data)')

xlabel('Beam Pair Index')

ylabel('Number of Occurrences')

تصویر beam-selection-neural-network-matlab_5263_7 انتخاب پرتو در ارتباطات مخابراتی با شبکه عصبی در MATLAB

توزیع بهینه جفت پرتو برای داده های آزمایشی را ترسیم کنید :

figure
rng(111) % for colors in plots
color = rand(NBeamPairInTestData, 3);
uniqueOptBeamPairIdx = unique(avgOptBeamPairIdxScalarTest(1+valDataLen:end));
for n = 1:length(uniqueOptBeamPairIdx)
beamPairIdx = find(avgOptBeamPairIdxScalarTest(1+valDataLen:end) == uniqueOptBeamPairIdx(n));
locX = sampledLocMatTest(beamPairIdx, 1);
locY = sampledLocMatTest(beamPairIdx, 2);
scatter(locX, locY, [], color(n, :));
hold on;
end
scatter(prm.posTx(1),prm.posTx(2),100,'r^','filled');
scatter(prm.ScatPos(1,:),prm.ScatPos(2,:),100,[0.9290 0.6940 0.1250],'s','filled');
hold off
xlabel('x (m)')
ylabel('y (m)')
xlim([0 10])
ylim([0 10])
title('Optimal Beam Pair Indices (Test Data)')

figure

rng(111) % for colors in plots

color = rand(NBeamPairInTestData, 3);

uniqueOptBeamPairIdx = unique(avgOptBeamPairIdxScalarTest(1+valDataLen:end));

for n = 1:length(uniqueOptBeamPairIdx)

beamPairIdx = find(avgOptBeamPairIdxScalarTest(1+valDataLen:end) == uniqueOptBeamPairIdx(n));

locX = sampledLocMatTest(beamPairIdx, 1);

locY = sampledLocMatTest(beamPairIdx, 2);

scatter(locX, locY, [], color(n, :));

hold on;

end

scatter(prm.posTx(1),prm.posTx(2),100,'r^','filled');

scatter(prm.ScatPos(1,:),prm.ScatPos(2,:),100,[0.9290 0.6940 0.1250],'s','filled');

hold off

xlabel('x (m)')

ylabel('y (m)')

xlim([0 10])

ylim([0 10])

title('Optimal Beam Pair Indices (Test Data)')

تصویر beam-selection-neural-network-matlab_5263_8 انتخاب پرتو در ارتباطات مخابراتی با شبکه عصبی در MATLAB

figure
histogram(testOutCat)
title('Histogram of Optimal Beam Pair Indices (Test Data)')
xlabel('Beam Pair Index')
ylabel('Number of Occurrences')

figure

histogram(testOutCat)

title('Histogram of Optimal Beam Pair Indices (Test Data)')

xlabel('Beam Pair Index')

ylabel('Number of Occurrences')

تصویر beam-selection-neural-network-matlab_5263_9 انتخاب پرتو در ارتباطات مخابراتی با شبکه عصبی در MATLAB

طراحی و آموزش شبکه عصبی

یک شبکه عصبی با چهار لایه پنهان آموزش دهید. این طرح با [3] (چهار لایه پنهان) و [5] (دو لایه پنهان با 128 نورون در هر لایه) طراحی شده است که در آن مکان های گیرنده نیز به عنوان ورودی شبکه عصبی در نظر گرفته می شوند. برای فعال کردن آموزش، DoTraining منطقی را تنظیم کنید. این مثال همچنین گزینه ای را برای وزن دهی به کلاس ها ارائه می دهد. کلاس هایی که بیشتر اتفاق می افتند وزن های کوچک تری دارند و کلاس هایی که کمتر اتفاق می‌افتند وزن های بزرگ تری دارند. برای استفاده از وزن بندی کلاس، منطق useDiffClassWeights را تنظیم کنید. شبکه را برای آزمایش با طرح های مختلف تغییر دهید. اگر یکی از مجموعه داده های ارائه شده را تغییر دهید، باید شبکه را با مجموعه داده های اصلاح شده دوباره آموزش دهید. بازآموزی شبکه می تواند زمان قابل توجهی را ببرد. SaveNet منطقی را برای استفاده از شبکه آموزش دیده در اجرا های بعدی تنظیم کنید.

doTraining = false;
useDiffClassWeights = false;
saveNet = false;

if doTraining
if useDiffClassWeights
catCount = countcats(trainOut);
catFreq = catCount/length(trainOut);
nnzIdx = (catFreq ~= 0);
medianCount = median(catFreq(nnzIdx));
classWeights = 10*ones(size(catFreq));
classWeights(nnzIdx) = medianCount./catFreq(nnzIdx);
filename = 'nnBS_trainedNetwWeighting.mat';
else
classWeights = ones(1,NBeamPairInTestData);
filename = 'nnBS_trainedNet.mat';
end

% Neural network design
layers = [ ...
featureInputLayer(3,'Name','input','Normalization','rescale-zero-one')

fullyConnectedLayer(96,'Name','linear1')
leakyReluLayer(0.01,'Name','leakyRelu1')

fullyConnectedLayer(96,'Name','linear2')
leakyReluLayer(0.01,'Name','leakyRelu2')

fullyConnectedLayer(96,'Name','linear3')
leakyReluLayer(0.01,'Name','leakyRelu3')

fullyConnectedLayer(96,'Name','linear4')
leakyReluLayer(0.01,'Name','leakyRelu4')

fullyConnectedLayer(NBeamPairInTrainData,'Name','linear5')
softmaxLayer('Name','softmax')
classificationLayer('ClassWeights',classWeights,'Classes',allBeamPairIdxCell,'Name','output')];

maxEpochs = 10000;
miniBatchSize = 256;

options = trainingOptions('adam', ...
'MaxEpochs',maxEpochs, ...
'MiniBatchSize',miniBatchSize, ...
'InitialLearnRate',1e-4, ...
'ValidationData',{valInput,valOut}, ...
'ValidationFrequency',500, ...
'OutputNetwork', 'best-validation-loss', ...
'Shuffle','every-epoch', ...
'Plots','training-progress', ...
'ExecutionEnvironment','cpu', ...
'Verbose',0);

% Train the network
net = trainNetwork(trainInput,trainOut,layers,options);

if saveNet
save(filename,'net');
end
else
if useDiffClassWeights
load 'nnBS_trainedNetwWeighting.mat';
else
load 'nnBS_trainedNet.mat';
end
end

doTraining = false;

useDiffClassWeights = false;

saveNet = false;

if doTraining

if useDiffClassWeights

catCount = countcats(trainOut);

catFreq = catCount/length(trainOut);

nnzIdx = (catFreq ~= 0);

medianCount = median(catFreq(nnzIdx));

classWeights = 10*ones(size(catFreq));

classWeights(nnzIdx) = medianCount./catFreq(nnzIdx);

filename = 'nnBS_trainedNetwWeighting.mat';

else

classWeights = ones(1,NBeamPairInTestData);

filename = 'nnBS_trainedNet.mat';

end

% Neural network design

layers = [ ...

featureInputLayer(3,'Name','input','Normalization','rescale-zero-one')

fullyConnectedLayer(96,'Name','linear1')

leakyReluLayer(0.01,'Name','leakyRelu1')

fullyConnectedLayer(96,'Name','linear2')

leakyReluLayer(0.01,'Name','leakyRelu2')

fullyConnectedLayer(96,'Name','linear3')

leakyReluLayer(0.01,'Name','leakyRelu3')

fullyConnectedLayer(96,'Name','linear4')

leakyReluLayer(0.01,'Name','leakyRelu4')

fullyConnectedLayer(NBeamPairInTrainData,'Name','linear5')

softmaxLayer('Name','softmax')

classificationLayer('ClassWeights',classWeights,'Classes',allBeamPairIdxCell,'Name','output')];

maxEpochs = 10000;

miniBatchSize = 256;

options = trainingOptions('adam', ...

'MaxEpochs',maxEpochs, ...

'MiniBatchSize',miniBatchSize, ...

'InitialLearnRate',1e-4, ...

'ValidationData',{valInput,valOut}, ...

'ValidationFrequency',500, ...

'OutputNetwork', 'best-validation-loss', ...

'Shuffle','every-epoch', ...

'Plots','training-progress', ...

'ExecutionEnvironment','cpu', ...

'Verbose',0);

% Train the network

net = trainNetwork(trainInput,trainOut,layers,options);

if saveNet

save(filename,'net');

end

else

if useDiffClassWeights

load 'nnBS_trainedNetwWeighting.mat';

else

load 'nnBS_trainedNet.mat';

end

مقایسه رویکردهای مختلف: دقت بالای K

این بخش شبکه آموزش دیده را با داده های آزمایشی دیده نشده با در نظر گرفتن متریک دقت بالای K آزمایش می کند. متریک دقت top-K به طور گسترده در کار انتخاب پرتو مبتنی بر شبکه عصبی استفاده شده است [2]-[6]. با توجه به موقعیت گیرنده، شبکه عصبی ابتدا K جفت پرتو توصیه شده را در خروجی تولید می کند. سپس یک جستجوی متوالی جامع بر روی این جفت پرتوهای K انجام می دهد و یکی را با بالاترین میانگین RSRP به عنوان پیش بینی نهایی انتخاب می کند. اگر جفت پرتو بهینه واقعی، همان جفت پرتو انتخابی نهایی باشد، یک پیش بینی موفق اتفاق می افتد. همینطور موفقیت زمانی نیز رخ می دهد که می بایست جفت پرتو بهینه واقعی یکی از جفت پرتوهای توصیه شده K توسط شبکه عصبی باشد.

در این خروجی سه معیار مقایسه می شوند که هر طرح جفت پرتو توصیه شده K را تولید می کند :

روش KNN برای نمونه آزمایشی، این روش ابتدا K نزدیکترین نمونه آموزشی را بر اساس مختصات GPS جمع آوری می کند. سپس اتمام جفت های پرتوهای مرتبط با این نمونه های آموزشی K را توصیه می کند. از آنجایی که هر نمونه آموزشی دارای یک چفت پرتو بهینه متناظراست، تعداد جفت پرتو های توصیه شده حداکثر K است (برخی از جفت پرتو ها ممکن است یکسان باشند).
روش اطلاعات آماری [5] ، این روش ابتدا تمام جفت پرتوها را با توجه به فرکانس نسبی آنها در مجموعه داده آموزشی رتبه بندی می کند و همیشه اولین جفت پرتوهای K را انتخاب می کند.
روش تصادفی [5] ، برای نمونه آزمایشی، این روش به طور تصادفی جفت پرتوهای K را انتخاب می کند.

نمودار نشان می دهد که برای K=8، دقت در حال حاضر بیش از 90٪ است که اثر بخشی استفاده از شبکه عصبی آموزش دیده برای کار انتخاب پرتو را برجسته می کند. هنگامی که K=16، هر طرح (به جز KNN) ، برای جستجوی جامع در تمام 16 جفت پرتو طبیعی می شود و از این رو به دقت 100٪ دست می یابد. با این حال، زمانی که K=16، KNN 16 نمونه آموزشی نزدیک را در نظر می گیرد، و تعداد جفت پرتوهای متمایز از این نمونه ها اغلب کمتر از 16 است. بنابراین، KNN به دقت 100 درصد دست نمی یابد.

rng(111) % for repeatability of the "Random" policy
testOut = avgOptBeamPairIdxScalarTest(1+valDataLen:end, :);
statisticCount = countcats(testOutCat);
predTestOutput = predict(net,testInput,'ExecutionEnvironment','cpu');

K = prm.numBeams^2;
accNeural = zeros(1,K);
accKNN = zeros(1,K);
accStatistic = zeros(1,K);
accRandom = zeros(1,K);
for k = 1:K
predCorrectNeural = zeros(testDataLen,1);
predCorrectKNN = zeros(testDataLen,1);
predCorrectStats = zeros(testDataLen,1);
predCorrectRandom = zeros(testDataLen,1);
knnIdx = knnsearch(trainInput,testInput,'K',k);

for n = 1:testDataLen
trueOptBeamIdx = testOut(n);

% Neural Network
[~, topKPredOptBeamIdx] = maxk(predTestOutput(n, :),k);
if sum(topKPredOptBeamIdx == trueOptBeamIdx) > 0
% if true, then the true correct index belongs to one of the K predicted indices
predCorrectNeural(n,1) = 1;
end

% KNN
neighborsIdxInTrainData = knnIdx(n,:);
topKPredOptBeamIdx= avgOptBeamPairIdxScalarTrain(neighborsIdxInTrainData);
if sum(topKPredOptBeamIdx == trueOptBeamIdx) > 0
% if true, then the true correct index belongs to one of the K predicted indices
predCorrectKNN(n,1) = 1;
end

% Statistical Info
[~, topKPredOptBeamIdx] = maxk(statisticCount,k);
if sum(topKPredOptBeamIdx == trueOptBeamIdx) > 0
% if true, then the true correct index belongs to one of the K predicted indices
predCorrectStats(n,1) = 1;
end

% Random
topKPredOptBeamIdx = randperm(prm.numBeams*prm.numBeams,k);
if sum(topKPredOptBeamIdx == trueOptBeamIdx) > 0
% if true, then the true correct index belongs to one of the K predicted indices
predCorrectRandom(n,1) = 1;
end

end

accNeural(k) = sum(predCorrectNeural)/testDataLen*100;
accKNN(k) = sum(predCorrectKNN)/testDataLen*100;
accStatistic(k) = sum(predCorrectStats)/testDataLen*100;
accRandom(k) = sum(predCorrectRandom)/testDataLen*100;

end

figure
lineWidth = 1.5;
colorNeural = [0 0.4470 0.7410];
colorKNN = [0.8500 0.3250 0.0980];
colorStats = [0.4940 0.1840 0.5560];
colorRandom = [0.4660 0.6740 0.1880];
plot(1:K,accNeural,'--*','LineWidth',lineWidth,'Color',colorNeural)
hold on
plot(1:K,accKNN,'--o','LineWidth',lineWidth,'Color',colorKNN)
plot(1:K,accStatistic,'--s','LineWidth',lineWidth,'Color',colorStats)
plot(1:K,accRandom,'--d','LineWidth',lineWidth,'Color',colorRandom)
hold off
grid on
xticks(1:K)
xlabel('$K$','interpreter','latex')
ylabel('Top-$K$ Accuracy','interpreter','latex')
title('Performance Comparison of Different Beam Pair Selection Schemes')
legend('Neural Network','KNN','Statistical Info','Random','Location','best')

rng(111) % for repeatability of the "Random" policy

testOut = avgOptBeamPairIdxScalarTest(1+valDataLen:end, :);

statisticCount = countcats(testOutCat);

predTestOutput = predict(net,testInput,'ExecutionEnvironment','cpu');

K = prm.numBeams^2;

accNeural = zeros(1,K);

accKNN = zeros(1,K);

accStatistic = zeros(1,K);

accRandom = zeros(1,K);

for k = 1:K

predCorrectNeural = zeros(testDataLen,1);

predCorrectKNN = zeros(testDataLen,1);

predCorrectStats = zeros(testDataLen,1);

predCorrectRandom = zeros(testDataLen,1);

knnIdx = knnsearch(trainInput,testInput,'K',k);

for n = 1:testDataLen

trueOptBeamIdx = testOut(n);

% Neural Network

[~, topKPredOptBeamIdx] = maxk(predTestOutput(n, :),k);

if sum(topKPredOptBeamIdx == trueOptBeamIdx) > 0

% if true, then the true correct index belongs to one of the K predicted indices

predCorrectNeural(n,1) = 1;

end

% KNN

neighborsIdxInTrainData = knnIdx(n,:);

topKPredOptBeamIdx= avgOptBeamPairIdxScalarTrain(neighborsIdxInTrainData);

if sum(topKPredOptBeamIdx == trueOptBeamIdx) > 0

% if true, then the true correct index belongs to one of the K predicted indices

predCorrectKNN(n,1) = 1;

end

% Statistical Info

[~, topKPredOptBeamIdx] = maxk(statisticCount,k);

if sum(topKPredOptBeamIdx == trueOptBeamIdx) > 0

% if true, then the true correct index belongs to one of the K predicted indices

predCorrectStats(n,1) = 1;

end

% Random

topKPredOptBeamIdx = randperm(prm.numBeams*prm.numBeams,k);

if sum(topKPredOptBeamIdx == trueOptBeamIdx) > 0

% if true, then the true correct index belongs to one of the K predicted indices

predCorrectRandom(n,1) = 1;

end

accNeural(k) = sum(predCorrectNeural)/testDataLen*100;

accKNN(k) = sum(predCorrectKNN)/testDataLen*100;

accStatistic(k) = sum(predCorrectStats)/testDataLen*100;

accRandom(k) = sum(predCorrectRandom)/testDataLen*100;

end

figure

lineWidth = 1.5;

colorNeural = [0 0.4470 0.7410];

colorKNN = [0.8500 0.3250 0.0980];

colorStats = [0.4940 0.1840 0.5560];

colorRandom = [0.4660 0.6740 0.1880];

plot(1:K,accNeural,'--*','LineWidth',lineWidth,'Color',colorNeural)

hold on

plot(1:K,accKNN,'--o','LineWidth',lineWidth,'Color',colorKNN)

plot(1:K,accStatistic,'--s','LineWidth',lineWidth,'Color',colorStats)

plot(1:K,accRandom,'--d','LineWidth',lineWidth,'Color',colorRandom)

hold off

grid on

xticks(1:K)

xlabel('$K$','interpreter','latex')

ylabel('Top-$K$ Accuracy','interpreter','latex')

title('Performance Comparison of Different Beam Pair Selection Schemes')

legend('Neural Network','KNN','Statistical Info','Random','Location','best')

تصویر beam-selection-neural-network-matlab_5263_10 انتخاب پرتو در ارتباطات مخابراتی با شبکه عصبی در MATLAB

مقایسه رویکرد های مختلف: میانگین RSRP

با استفاده از داده های تست نشده، میانگین RSRP به دست آمده توسط شبکه عصبی و سه معیار را محاسبه کنید. نمودار نشان می دهد که با استفاده از شبکه عصبی آموزش دیده، میانگین RSRP نزدیک به جستجوی جامع بهینه می باشد.

rng(111) % for repeatability of the "Random" policy
K = prm.numBeams^2;
rsrpOptimal = zeros(1,K);
rsrpNeural = zeros(1,K);
rsrpKNN = zeros(1,K);
rsrpStatistic = zeros(1,K);
rsrpRandom = zeros(1,K);
for k = 1:K
rsrpSumOpt = 0;
rsrpSumNeural = 0;
rsrpSumKNN = 0;
rsrpSumStatistic = 0;
rsrpSumRandom = 0;

knnIdx = knnsearch(trainInput,testInput,'K',k);

for n = 1:testDataLen
% Exhaustive Search
trueOptBeamIdx = testOut(n);
rsrp = rsrpMatTest(:,:,valDataLen+n);
rsrpSumOpt = rsrpSumOpt + rsrp(trueOptBeamIdx);

% Neural Network
[~, topKPredOptCatIdx] = maxk(predTestOutput(n, :),k);
rsrpSumNeural = rsrpSumNeural + max(rsrp(topKPredOptCatIdx));

% KNN
neighborsIdxInTrainData = knnIdx(n,:);
topKPredOptBeamIdxKNN = avgOptBeamPairIdxScalarTrain(neighborsIdxInTrainData);
rsrpSumKNN = rsrpSumKNN + max(rsrp(topKPredOptBeamIdxKNN));

% Statistical Info
[~, topKPredOptCatIdxStat] = maxk(statisticCount,k);
rsrpSumStatistic = rsrpSumStatistic + max(rsrp(topKPredOptCatIdxStat));

% Random
topKPredOptBeamIdxRand = randperm(prm.numBeams*prm.numBeams,k);
rsrpSumRandom = rsrpSumRandom + max(rsrp(topKPredOptBeamIdxRand));
end
rsrpOptimal(k) = rsrpSumOpt/testDataLen/prm.NRepeatSameLoc;
rsrpNeural(k) = rsrpSumNeural/testDataLen/prm.NRepeatSameLoc;
rsrpKNN(k) = rsrpSumKNN/testDataLen/prm.NRepeatSameLoc;
rsrpStatistic(k) = rsrpSumStatistic/testDataLen/prm.NRepeatSameLoc;
rsrpRandom(k) = rsrpSumRandom/testDataLen/prm.NRepeatSameLoc;
end

figure
lineWidth = 1.5;
plot(1:K,rsrpOptimal,'--h','LineWidth',lineWidth,'Color',[0.6350 0.0780 0.1840]);
hold on
plot(1:K,rsrpNeural,'--*','LineWidth',lineWidth,'Color',colorNeural)
plot(1:K,rsrpKNN,'--o','LineWidth',lineWidth,'Color',colorKNN)
plot(1:K,rsrpStatistic,'--s','LineWidth',lineWidth,'Color',colorStats)
plot(1:K,rsrpRandom,'--d','LineWidth',lineWidth, 'Color',colorRandom)
hold off
grid on
xticks(1:K)
xlabel('$K$','interpreter','latex')
ylabel('Average RSRP')
title('Performance Comparison of Different Beam Pair Selection Schemes')
legend('Exhaustive Search','Neural Network','KNN','Statistical Info','Random','Location','best')

rng(111) % for repeatability of the "Random" policy

K = prm.numBeams^2;

rsrpOptimal = zeros(1,K);

rsrpNeural = zeros(1,K);

rsrpKNN = zeros(1,K);

rsrpStatistic = zeros(1,K);

rsrpRandom = zeros(1,K);

for k = 1:K

rsrpSumOpt = 0;

rsrpSumNeural = 0;

rsrpSumKNN = 0;

rsrpSumStatistic = 0;

rsrpSumRandom = 0;

knnIdx = knnsearch(trainInput,testInput,'K',k);

for n = 1:testDataLen

% Exhaustive Search

trueOptBeamIdx = testOut(n);

rsrp = rsrpMatTest(:,:,valDataLen+n);

rsrpSumOpt = rsrpSumOpt + rsrp(trueOptBeamIdx);

% Neural Network

[~, topKPredOptCatIdx] = maxk(predTestOutput(n, :),k);

rsrpSumNeural = rsrpSumNeural + max(rsrp(topKPredOptCatIdx));

% KNN

neighborsIdxInTrainData = knnIdx(n,:);

topKPredOptBeamIdxKNN = avgOptBeamPairIdxScalarTrain(neighborsIdxInTrainData);

rsrpSumKNN = rsrpSumKNN + max(rsrp(topKPredOptBeamIdxKNN));

% Statistical Info

[~, topKPredOptCatIdxStat] = maxk(statisticCount,k);

rsrpSumStatistic = rsrpSumStatistic + max(rsrp(topKPredOptCatIdxStat));

% Random

topKPredOptBeamIdxRand = randperm(prm.numBeams*prm.numBeams,k);

rsrpSumRandom = rsrpSumRandom + max(rsrp(topKPredOptBeamIdxRand));

end

rsrpOptimal(k) = rsrpSumOpt/testDataLen/prm.NRepeatSameLoc;

rsrpNeural(k) = rsrpSumNeural/testDataLen/prm.NRepeatSameLoc;

rsrpKNN(k) = rsrpSumKNN/testDataLen/prm.NRepeatSameLoc;

rsrpStatistic(k) = rsrpSumStatistic/testDataLen/prm.NRepeatSameLoc;

rsrpRandom(k) = rsrpSumRandom/testDataLen/prm.NRepeatSameLoc;

end

figure

lineWidth = 1.5;

plot(1:K,rsrpOptimal,'--h','LineWidth',lineWidth,'Color',[0.6350 0.0780 0.1840]);

hold on

plot(1:K,rsrpNeural,'--*','LineWidth',lineWidth,'Color',colorNeural)

plot(1:K,rsrpKNN,'--o','LineWidth',lineWidth,'Color',colorKNN)

plot(1:K,rsrpStatistic,'--s','LineWidth',lineWidth,'Color',colorStats)

plot(1:K,rsrpRandom,'--d','LineWidth',lineWidth, 'Color',colorRandom)

hold off

grid on

xticks(1:K)

xlabel('$K$','interpreter','latex')

ylabel('Average RSRP')

title('Performance Comparison of Different Beam Pair Selection Schemes')

legend('Exhaustive Search','Neural Network','KNN','Statistical Info','Random','Location','best')

تصویر beam-selection-neural-network-matlab_5263_11 انتخاب پرتو در ارتباطات مخابراتی با شبکه عصبی در MATLAB

مقادیر نهایی را برای رویکرد های بهینه، شبکه عصبی و KNN مقایسه کنید :

[rsrpOptimal(end-3:end); rsrpNeural(end-3:end); rsrpKNN(end-3:end);]

ans = 3×4

80.7363 80.7363 80.7363 80.7363
80.7363 80.7363 80.7363 80.7363
80.5067 80.5068 80.5069 80.5212

[rsrpOptimal(end-3:end); rsrpNeural(end-3:end); rsrpKNN(end-3:end);]

ans = 3×4

80.7363 80.7363 80.7363 80.7363

80.5067 80.5068 80.5069 80.5212

شکاف عملکرد بین KNN و روش های بهینه نشان می دهد که روش KNN ممکن است عملکرد خوبی نداشته باشد، حتی زمانی که مجموعه بزرگ‌ تری از جفت پرتوها مثلا 256 در نظر گرفته شود.

شکل ماتریس درهم ریختگی

مشاهده می کنیم که کلاس هایی که عناصر کمتری دارند، تحت تأثیر منفی شبکه آموزش دیده قرار می گیرند. استفاده از وزنه های مختلف برای کلاس های مختلف می تواند از این امر جلوگیری کند. همان را با useDiffClassWeights منطقی کاوش کنید و وزن های سفارشی را برای هر کلاس مشخص کنید.

predLabels = classify(net,testInput,'ExecutionEnvironment','cpu');
figure;
cm = confusionchart(testOutCat,predLabels);
title('Confusion Matrix')

predLabels = classify(net,testInput,'ExecutionEnvironment','cpu');

figure;

cm = confusionchart(testOutCat,predLabels);

title('Confusion Matrix')

تصویر beam-selection-neural-network-matlab_5263_12 انتخاب پرتو در ارتباطات مخابراتی با شبکه عصبی در MATLAB

نتیجه گیری و کاوش بیشتر

این مثال کاربرد یک شبکه عصبی را برای انتخاب پرتو برای یک سیستم 5G NR توصیف می کند. شما می توانید یک شبکه عصبی را طراحی و آموزش دهید که مجموعه ای از جفت پرتوهای خوب K را در خروجی نشان می دهد. تنها با جستجوی جامع روی آن جفت پرتوهای K انتخاب شده، می توان سربار پرتو را کاهش داد. این مثال به شما اجازه می دهد تا پراکنده ساز ها را در یک کانال MIMO مشخص کنید. برای مشاهده تاثیر کانال در انتخاب پرتو، سناریو های مختلف را آزمایش کنید. این مثال همچنین مجموعه داده های از پیش ذخیره شده ای را ارائه می دهد که می توانند برای آزمایش ساختارهای مختلف شبکه و ابرپارامتر (hyperparameters) آموزشی مورد استفاده قرار گیرند. از نتایج شبیه سازی، برای کانال پراکندگی MIMO از قبل ضبظ شده برای 16 جفت پرتو، الگوریتم پیشنهادی می تواند به دقت بالای K 90 درصد در زمانی که K=8 است، دست یابد. این موضوع نشان می دهد که کافی است با شبکه عصبی فقط نیمی از جفت های پرتو را جستجوی جامع انجام دهیم و 50% از سربار پرتو را کاهش دهیم. برای مشاهده کارآیی شبکه با تولید مجدد داده ها، آموزش مجدد و آزمایش مجدد شبکه را انجام دهید و پارامتر های مختلف سیستم را آزمایش کنید.

تابع محلی (Local Function)

function prm = validateParams(prm)
% Validate user specified parameters and return updated parameters
%
% Only cross-dependent checks are made for parameter consistency.

if strcmpi(prm.FreqRange,'FR1')
if prm.CenterFreq > 7.125e9 || prm.CenterFreq < 410e6
error(['Specified center frequency is outside the FR1 ', ...
'frequency range (410 MHz - 7.125 GHz).']);
end
if strcmpi(prm.SSBlockPattern,'Case D') || ...
strcmpi(prm.SSBlockPattern,'Case E')
error(['Invalid SSBlockPattern for selected FR1 frequency ' ...
'range. SSBlockPattern must be one of ''Case A'' or ' ...
'''Case B'' or ''Case C'' for FR1.']);
end
if ~((length(prm.SSBTransmitted)==4) || ...
(length(prm.SSBTransmitted)==8))
error(['SSBTransmitted must be a vector of length 4 or 8', ...
'for FR1 frequency range.']);
end
if (prm.CenterFreq <= 3e9) && (length(prm.SSBTransmitted)~=4)
error(['SSBTransmitted must be a vector of length 4 for ' ...
'center frequency less than or equal to 3GHz.']);
end
if (prm.CenterFreq > 3e9) && (length(prm.SSBTransmitted)~=8)
error(['SSBTransmitted must be a vector of length 8 for ', ...
'center frequency greater than 3GHz and less than ', ...
'or equal to 7.125GHz.']);
end
else % 'FR2'
if prm.CenterFreq > 52.6e9 || prm.CenterFreq < 24.25e9
error(['Specified center frequency is outside the FR2 ', ...
'frequency range (24.25 GHz - 52.6 GHz).']);
end
if ~(strcmpi(prm.SSBlockPattern,'Case D') || ...
strcmpi(prm.SSBlockPattern,'Case E'))
error(['Invalid SSBlockPattern for selected FR2 frequency ' ...
'range. SSBlockPattern must be either ''Case D'' or ' ...
'''Case E'' for FR2.']);
end
if length(prm.SSBTransmitted)~=64
error(['SSBTransmitted must be a vector of length 64 for ', ...
'FR2 frequency range.']);
end
end

% Number of beams at transmit/receive ends
prm.numBeams = sum(prm.SSBTransmitted);

prm.NumTx = prod(prm.TxArraySize);
prm.NumRx = prod(prm.RxArraySize);
if prm.NumTx==1 || prm.NumRx==1
error(['Number of transmit or receive antenna elements must be', ...
' greater than 1.']);
end
prm.IsTxURA = (prm.TxArraySize(1)>1) && (prm.TxArraySize(2)>1);
prm.IsRxURA = (prm.RxArraySize(1)>1) && (prm.RxArraySize(2)>1);

if ~( strcmpi(prm.RSRPMode,'SSSonly') || ...
strcmpi(prm.RSRPMode,'SSSwDMRS') )
error(['Invalid RSRP measuring mode. Specify either ', ...
'''SSSonly'' or ''SSSwDMRS'' as the mode.']);
end

% Select SCS based on SSBlockPattern
switch lower(prm.SSBlockPattern)
case 'case a'
scs = 15;
cbw = 10;
scsCommon = 15;
case {'case b', 'case c'}
scs = 30;
cbw = 25;
scsCommon = 30;
case 'case d'
scs = 120;
cbw = 100;
scsCommon = 120;
case 'case e'
scs = 240;
cbw = 200;
scsCommon = 120;
end
prm.SCS = scs;
prm.ChannelBandwidth = cbw;
prm.SubcarrierSpacingCommon = scsCommon;
end

function prm = validateParams(prm)

% Validate user specified parameters and return updated parameters

% Only cross-dependent checks are made for parameter consistency.

if strcmpi(prm.FreqRange,'FR1')

if prm.CenterFreq > 7.125e9 || prm.CenterFreq < 410e6

error(['Specified center frequency is outside the FR1 ', ...

'frequency range (410 MHz - 7.125 GHz).']);

end

if strcmpi(prm.SSBlockPattern,'Case D') || ...

strcmpi(prm.SSBlockPattern,'Case E')

error(['Invalid SSBlockPattern for selected FR1 frequency ' ...

'range. SSBlockPattern must be one of ''Case A'' or ' ...

'''Case B'' or ''Case C'' for FR1.']);

end

if ~((length(prm.SSBTransmitted)==4) || ...

(length(prm.SSBTransmitted)==8))

error(['SSBTransmitted must be a vector of length 4 or 8', ...

'for FR1 frequency range.']);

end

if (prm.CenterFreq <= 3e9) && (length(prm.SSBTransmitted)~=4)

error(['SSBTransmitted must be a vector of length 4 for ' ...

'center frequency less than or equal to 3GHz.']);

end

if (prm.CenterFreq > 3e9) && (length(prm.SSBTransmitted)~=8)

error(['SSBTransmitted must be a vector of length 8 for ', ...

'center frequency greater than 3GHz and less than ', ...

'or equal to 7.125GHz.']);

end

else % 'FR2'

if prm.CenterFreq > 52.6e9 || prm.CenterFreq < 24.25e9

error(['Specified center frequency is outside the FR2 ', ...

'frequency range (24.25 GHz - 52.6 GHz).']);

end

if ~(strcmpi(prm.SSBlockPattern,'Case D') || ...

strcmpi(prm.SSBlockPattern,'Case E'))

error(['Invalid SSBlockPattern for selected FR2 frequency ' ...

'range. SSBlockPattern must be either ''Case D'' or ' ...

'''Case E'' for FR2.']);

end

if length(prm.SSBTransmitted)~=64

error(['SSBTransmitted must be a vector of length 64 for ', ...

'FR2 frequency range.']);

end

% Number of beams at transmit/receive ends

prm.numBeams = sum(prm.SSBTransmitted);

prm.NumTx = prod(prm.TxArraySize);

prm.NumRx = prod(prm.RxArraySize);

if prm.NumTx==1 || prm.NumRx==1

error(['Number of transmit or receive antenna elements must be', ...

' greater than 1.']);

end

prm.IsTxURA = (prm.TxArraySize(1)>1) && (prm.TxArraySize(2)>1);

prm.IsRxURA = (prm.RxArraySize(1)>1) && (prm.RxArraySize(2)>1);

if ~( strcmpi(prm.RSRPMode,'SSSonly') || ...

strcmpi(prm.RSRPMode,'SSSwDMRS') )

error(['Invalid RSRP measuring mode. Specify either ', ...

'''SSSonly'' or ''SSSwDMRS'' as the mode.']);

end

% Select SCS based on SSBlockPattern

switch lower(prm.SSBlockPattern)

case 'case a'

scs = 15;

cbw = 10;

scsCommon = 15;

case {'case b', 'case c'}

scs = 30;

cbw = 25;

scsCommon = 30;

case 'case d'

scs = 120;

cbw = 100;

scsCommon = 120;

case 'case e'

scs = 240;

cbw = 200;

scsCommon = 120;

end

prm.SCS = scs;

prm.ChannelBandwidth = cbw;

prm.SubcarrierSpacingCommon = scsCommon;

end

نکته پایانی: این مقاله آموزشی MATLAB از مثال های آماده خود نرم افزار MATLAB است که اگر تولباکس های 5G Toolbox , Deep Learning Toolbox , Phased Array System Toolbox , Statistics and Machine Learning Toolbox بر روی متلب شما نصب باشد، می توانید با تایپ دستور زیر در پنجره کامند متلب به این کدها دسترسی داشته باشید.

openExample('deeplearning_shared/NeuralNetworkBeamSelectionExample')

1	openExample('deeplearning_shared/NeuralNetworkBeamSelectionExample')

منبع: mathworks

مقاله های مرجع

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., (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.