本发明属于通信，特别是涉及一种基于ofdm的宽带毫米波中继系统混合波束成形设计方法。
背景技术：
1、具有大规模多输入输出(multiple-input multiple-output,mimo)的毫米波通信已经被视为满足第五代及以后系统对更高数据速率日益增长的需求的关键技术。对于传统的全数字波束成形而言，其架构不适合大规模mimo系统，因为它需要为每一个天线配置一条射频链路，这会造成很大的硬件成本和功耗。为了解决这个问题，混合波束成形设计被认为是平衡系统性能和功耗的最佳方案。混合波束成形设计分为两部分，一部分是高纬的模拟波束成形器和低维的数字波束成形器，这样在大大降低硬件成本和功耗的情况下同时可以保持较高的系统性能。
2、针对毫米波信号的大带宽的特点，宽带系统的混合波束成形设计使得系统性能达到了更高的水平，可以提供更高的数据速率。而毫米波的另一个特点是频率高，波长短，自由空间的路径损耗较大，这导致其只能在视距信道下进行传播。而在中继节点的帮助下，传播距离可以大大提升。所以研究毫米波宽带系统混合波束成形研究是有非常重大的实际意义的。
3、对于宽带系统而言，通常采用正交频分复用(ofdm)技术来克服多径衰落。在毫米波ofdm系统中，数字处理器是为每个子载波单独设计的，而模拟预编码器对所有子载波信号都是通用的，这是宽带和窄带系统之间的一个关键区别，也说明窄带系统的混合波束成形设计并不能直接用于宽带系统。目前宽带系统中主要是以直接最大化系统和速率来设计最佳混合波束成形设计算法，这种算法虽然能保证求得局部最优解，但由于迭代优化过程中涉及矩阵反演操作，存在复杂度高的缺点。
4、针对上面描述的高复杂度的缺点，这会导致难以在实时系统中得到应用，所以本发明所研究的一种低复杂度的基于深度展开的毫米波宽带中继系统混合波束成形设计方法是有重大意义的。
技术实现思路
1、为了解决背景技术中存在的问题，本发明提供一种宽带毫米波中继系统混合波束成形智能设计方法，包括：
2、s1：在各节点均为全数字处理器的情况下计算目标节点的接收信号；
3、s2：在目标节点利用最小均方差准则对接收信号进行处理，计算得到mmse矩阵；
4、s3：利用最大化和速率与最小加权均方误差算法之间的等效性，根据mmse矩阵将最大化和速率问题转化为最小加权均方误差问题；
5、s4：基于深度展开神经网络对最小加权均方误差问题进行求解，得到各节点的全数字处理器；
6、s5：基于最小二乘的分解算法将各节点的全数字处理器进行分解，计算得到各节点的混合波束成形矩阵。
7、优选地，所述目标节点的接收信号包括：
8、y[k]＝wfd[k]h2[k]gfd[k]h1[k]ffd[k]s[k]+wfd[k]h2[k]gfd[k]n1[k]+wfd[k]n2[k]
9、其中，y[k]表示目标节点对第k个子载波的接收信号，s[k]表示第k个子载波的输入数据流，ffd[k]表示发射节点的全数字处理器，gfd[k]表示中继节点的全数字处理器，wfd[k]表示目标节点的全数字处理器，h1[k]表示发射节点到中继节点在第k个子载波的信道矩阵；h2[k]表示中继节点到目标节点在第k个子载波的信道矩阵；n1[k]表示发射节点到中继节点在第k个子载波的加性高斯白噪声，且其均值为0，方差为n2[k]中继节点到目标节点在第k各子载波的加性高斯白噪声，其均值为0，方差为
10、优选地，所述计算得到mmse矩阵包括：
11、wfd[k]＝(h2[k]gfd[k]h1[k]ffd[k])h[h2[k]gfd[k]h1[k]ffd[k](h2[k]gfd[k]h1[k]ffd[k])h+φ[k]]-1
12、
13、
14、其中，rh表示矩阵r的共轭转置，则mmse矩阵表示为：
15、emmse[k]＝(i-wfd[k]h2[k]gfd[k]h1[k]ffd[k])(i-wfd[k]h2[k]gfd[k]h1[k]ffd[k])h+wfd[k]φ[k]wfdh[k]
16、＝[i+(h2[k]gfd[k]h1[k]ffd[k])hφ-1[k]h2[k]gfd[k]h1[k]ffd[k]]-1
17、其中，emmse[k]表示第k个子载波对应的mmse矩阵，r-1表示矩阵r的逆矩阵。
18、优选地，所述最小加权均方误差问题包括：
19、
20、
21、
22、其中，v[k]表示第k个子载波对应的权值矩阵，k表示子载波的数量，表示frobenius范数，et表示发射节点的最大发射功率，er表示中继节点的最大发射功率，当时，最小加权均方误差问题与最大和速率问题有相同的kkt条件，tr()表示求矩阵的迹，表示统计期望。
23、优选地，所述步骤s4包括：
24、s41：固定v[k]和ffd[k]，将关于gfd[k]的功率约束项带入到最小加权均方误差问题将最小加权均方误差问题转化为无约束问题，计算gfd[k]的闭式解表达式；
25、s42：固定gfd[k]和v[k]，将关于ffd[k]的功率约束项带入到最小加权均方误差问题将最小加权均方误差问题转化为无约束问题，计算ffd[k]的闭式解表达式；
26、s43：固定ffd[k]和gfd[k]，通过v[k]的表达式求解v[k]的闭式解表达式：
27、s44：将gfd[k]的闭式解表达式、ffd[k]的闭式解表达式和v[k]的闭式解表达式展开为深度神经网络的层结构，且在深度展开神经网络中每一层后添加功率约束归一化函数，构建深度展开神经网络；
28、s45：将信道矩阵h1[k]和h2[k]作为深度展开神经网络的输入进行前向传播，将最小加权均方误差问题作为损失函数，使用pytorch平台中的自动微分结构通过无监督的方法对深度展开神经网络进行训练，直到最小加权均方误差问题收敛，得到各节点的全数字处理器。
29、优选地，所述步骤s5包括：
30、s51：利用最小二乘法构建矩阵gfd[k]的分解优化问题模型，将矩阵gfd[k]的分解优化问题模型转换为关于gtrf、grrf和gbb[k]的无约束问题，通过固定gtrf、grrf和gbb[k]中的两个变量，交替更新求解gtrf、grrf和gbb[k]的闭式解，将矩阵gtrf和grrf的闭式解进行恒模约束归一化得到中继节点的模拟部分处理器，对gbb[k]的闭式解进行功率约束归一化，得到中继节点的数字部分处理器，直至矩阵gfd[k]的分解优化问题模型收敛，根据中继节点的模拟部分处理器gtrf、模拟部分处理器grrf和数字部分处理器gbb[k]计算得到中继节点的混合波束成形矩阵g＝gtrf×gbb[k]×grrf；
31、s52：利用最小二乘法构建矩阵ffd[k]的分解优化问题模型，将矩阵ffd[k]的分解优化问题模型转换为关于frf和fbb[k]的无约束问题，通过固定frf和fbb[k]中的一个变量，交替更新求解frf和fbb[k]的闭式解，将frf的闭式解进行恒模约束归一化得到发射节点的模拟部分处理器；将fbb[k]的闭式解进行功率约束归一化得到发射节点的数字部分处理器；根据发射节点的模拟处理器frf和发射节点的数字处理器fbb[k]计算得到发射节点的混合波束成形矩阵f=frf×fbb[k]；
32、s53：利用最小二乘法构建矩阵wfd[k]的分解优化问题模型，将矩阵wfd[k]的分解优化问题模型转换为关于wbb[k]和wrf的无约束问题，通过固定wbb[k]和wrf中的一个变量，交替更新求解wbb[k]和wrf的闭式解，将wrf的闭式解进行恒模约束归一化得到目标节点的模拟部分处理器；根据目标节点的模拟部分处理器wrf和目标节点的数字部分处理器wbb[k]计算得到目标节点的混合波束成形矩阵w＝wbb[k]×wrf。
33、本发明至少具有以下有益效果
34、首先本发明考虑了传统迭代算法复杂度的情况，采用深度展开神经网络代替了传统网络中的迭代步骤，大大降低了算法的复杂度，可以有效的提高系统的运行时间，使得应用于实时系统成为可能；其次考虑了目前深度神经网络(dnn)因其底层结构难以解释而导致的系统性能下降的情况，区别黑盒的dnn结构，本发明的深度展开神经网络借助传统通信的领域知识，基于数学模型搭建，其底层架构清晰，具有良好的泛化能力，同时能保证与传统算法相同的系统性能；最后将各个节点的模拟处理器矩阵和数字处理器矩阵组成一个新的处理器矩阵，即为本发明所设计的各个节点的混合处理器矩阵。
1.一种基于ofdm的宽带毫米波中继系统混合波束成形设计方法，其特征在于，包括：
2.根据权利要求1所述的一种基于ofdm的宽带毫米波中继系统混合波束成形设计方法，其特征在于，所述目标节点的接收信号包括：
3.根据权利要求2所述的一种基于ofdm的宽带毫米波中继系统混合波束成形设计方法，其特征在于，所述计算得到mmse矩阵包括：
4.根据权利要求3所述的一种基于ofdm的宽带毫米波中继系统混合波束成形设计方法，其特征在于，所述最小加权均方误差问题包括：
5.根据权利要求4述的一种基于ofdm的宽带毫米波中继系统混合波束成形设计方法，其特征在于，所述步骤s4包括：
6.根据权利要求5述的一种基于ofdm的宽带毫米波中继系统混合波束成形设计方法，其特征在于，所述步骤s5包括：
