波束选择的神经网络

这个例子使用了:

打开实时脚本

这个例子展示了如何使用神经网络来减少波束选择任务中的开销。在本例中，您只使用接收者的位置，而不使用通信通道的知识。你可以通过在选定的光束对中搜索来减少头顶上的光束扫描，而不是对所有光束对进行详尽的光束搜索 $K$ 梁对。本例中的仿真结果表明，所设计的机器学习算法仅对一半的光束对进行穷举搜索，就可以实现90%的精度。

简介

为了实现毫米波(mmWave)通信，必须使用波束管理技术，因为在高频时会出现高路径损耗和阻塞。波束管理是一套第1层(物理层)和第2层(介质访问控制)程序，用以建立和保持最佳的波束对(发射波束和相应的接收波束)，以实现良好的连通性[1］．有关5G新无线电(NR)波束管理程序的模拟，请参见NR SSB光束扫描而且基于CSI-RS的NR下行传输端波束细化的例子。

本例考虑在用户设备(UE)和接入网节点(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过程包括波束扫描，这需要对发射机和接收机侧的所有波束进行彻底搜索，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，意味着许多波束，对所有波束进行详尽的搜索将变得计算昂贵，并增加初始访问时间。

为了避免重复执行穷尽搜索和减少通信开销，将机器学习应用于波束选择问题。通常，波束选择问题被作为一个分类任务，其中目标输出是最佳波束对索引。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 $K$ 好梁对。模拟不是对所有的波束对进行详尽的搜索，而是通过只在选定的波束对中搜索来减少波束扫描开销 $K$ 梁对。

本例使用神经网络仅使用接收机的GPS坐标来执行波束选择。固定发射器和散射器的位置，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索引(通过在发射端和接收端对所有波束对执行穷举搜索得到)组成。本例设计并训练了一个神经网络，该神经网络使用接收器的位置作为输入，真正的最优波束对索引作为正确的标签。在测试阶段，神经网络首先输出 $K$ 好梁对。详尽的搜索 $K$ 神经网络选择平均RSRP最高的梁对作为最终预测梁对。

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

rng (211);为可重复性设置RNG状态

生成培训数据

在预先录制的数据中，接收机随机分布在一个6米正方形的周长上，并配置了16个波束对(每端4个波束，模拟波束由1个射频链组成)。在设置了MIMO散射信道后，该示例考虑了训练集中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。预先录制的数据使用二维位置坐标。具体来说，每个样本的第三个GPS坐标始终为零。就像NR SSB光束扫描例如，对于每个位置，执行基于ssb的波束扫描，对所有16对波束进行详尽搜索。由于在穷举搜索过程中添加了AWGN，对于每个位置，示例运行四次不同的试验，并通过选择具有最高平均RSRP的梁对来确定真正的最佳梁对。

要生成新的训练集和测试集，可以调整useSavedData而且SaveData逻辑值。请注意，重新生成数据需要大量的时间。

useSavedData = true;saveData = false;如果useSavedData负载nnBS_prm.mat；负载梁选择系统参数负载nnBS_TrainingData.mat；装入预先录制的训练样本%(输入:接收方位置;输出:最优光束对指数)负载nnBS_TestData.mat；装入预先录制的测试样品其他的

配置频率和波束扫描角度

人口、难民和移民事务局。NCellID = 1;单元格ID人口、难民和移民事务局。FreqRange =“FR1”；%频率范围:'FR1'或'FR2'人口、难民和移民事务局。CenterFreq = 2.5e9;%赫兹人口、难民和移民事务局。SSBlockPattern =“案例B”；%箱子A/B/C/D/E人口、难民和移民事务局。SSBTransmitted = [1 (1,4) 0 (1,0)];% 4/8或64的长度人口、难民和移民事务局。TxArraySize = [8 8];%传输数组大小，[rows cols]人口、难民和移民事务局。TxAZlim = [-163 177];发送方位扫描限制人口、难民和移民事务局。TxELlim = [-90 0];发送仰角扫描限制人口、难民和移民事务局。RxArraySize = [2 2];%接收数组大小，[rows cols]人口、难民和移民事务局。RxAZlim = [-177 157];接收方位扫描限制人口、难民和移民事务局。RxELlim = [0 90];接收高度扫描限制人口、难民和移民事务局。ElevationSweep = false;启用/禁用仰角扫描人口、难民和移民事务局。SNRdB = 30;%信噪比，dB人口、难民和移民事务局。RSRPMode =“SSSwDMRS”；% {'SSSwDMRS'， 'SSSonly'}prm =验证params (prm);

同步信号突发配置

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

散射体配置

C = physconst(“光速”）;%传播速度人口、难民和移民事务局。lambda = c/prm.CenterFreq;%的波长人口、难民和移民事务局。rightCoorMax = 10;最大x坐标人口、难民和移民事务局。topCoorMax = 10;最大y坐标人口、难民和移民事务局。posTx = [3.5;4.2;0];%发射阵列位置，[x;y;z]，米%分散位置%在随机位置生成散射体Nscat = 10;%散射体数目azRange = prm.TxAZlim(1):prm.TxAZlim(2);elRange = -90:90;%更多均匀分布的散射体randAzOrder = round(linspace(1, length(azRange)， Nscat));azAngInSph = azRange(randAzOrder(1:Nscat));%考虑一个二维区域，即仰角为零elAngInSph = 0 (size(azAngInSph));R = 2;%半径[x,y,z] = sph2cart(deg2rad(azAngInSph)，deg2rad(elAngInSph)，r);人口、难民和移民事务局。ScatPos = [x;y;z] + [prm.rightCoorMax/2;prm.topCoorMax/2;0];

天线阵列配置

%发射阵列如果人口、难民和移民事务局。IsTxURA均匀矩形阵列arrayTx = phase . ura (prm.TxArraySize,0.5*prm.lambda，.．.“元素”,分阶段。IsotropicAntennaElement (“BackBaffled”,真的));其他的均匀线阵数组tx = phase . ula (prm.NumTx，.．.“ElementSpacing”0.5 * prm.lambda.．.“元素”,分阶段。IsotropicAntennaElement (“BackBaffled”,真的));结束%接收数组如果人口、难民和移民事务局。IsRxURA均匀矩形阵列arrayRx = phase . ura (prm.RxArraySize,0.5*prm.lambda，.．.“元素”, phased.IsotropicAntennaElement);其他的均匀线阵arrayRx = phase . ula (prm.NumRx，.．.“ElementSpacing”0.5 * prm.lambda.．.“元素”, phased.IsotropicAntennaElement);结束

确定Tx/Rx位置

%接收方位置%训练数据:矩形周围有X个点:每边有X/4个随机点% X: X/4为约平方，X/10为验证=> lcm(4,10) = 20最小NDiffLocTrain = 200;pointsEachSideTrain = NDiffLocTrain/4;人口、难民和移民事务局。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 * 1 (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];确定接收器的位置，运行重复的模拟来考虑%不同的AWGN实现人口、难民和移民事务局。NRepeatSameLoc = 4;locationMatTrain = repelem(locationMat,prm。NRepeatSameLoc, 1);%测试数据:矩形周围有Y个点:每边有Y/4个随机点%与测试数据不同，但数值较小NDiffLocTest = 100;pointsEachSideTest = NDiffLocTest/4;人口、难民和移民事务局。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 * 1 (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(“培训”人口、难民和移民事务局,locationMatTrain txBurst、arrayTx arrayRx, 311);[optBeamPairIdxMatTest,rsrpMatTest] = hGenDataMIMOScatterChan(“测试”人口、难民和移民事务局,locationMatTest txBurst、arrayTx arrayRx, 411);保存生成的数据如果saveData保存(“nnBS_prm.mat”，人口、难民和移民事务局的）;保存(“nnBS_TrainingData.mat”，“optBeamPairIdxMatTrain”，“rsrpMatTrain”，“locationMatTrain”）;保存(“nnBS_TestData.mat”，“optBeamPairIdxMatTest”，“rsrpMatTest”，“locationMatTest”）;结束结束

绘制发射机和散射器位置

图散射(prm.posTx (1) prm.posTx(2), 100年,“r ^”，“填充”）;持有在；scatter(prm.ScatPos(1，:)，prm.ScatPos(2，:)，100，[0.9290 0.6940 0.1250]，，“年代”，“填充”）;Xlim ([0 10]) ylim([0 10]) title(“发射机和散射器位置”)传说(“发射器”，“散射”)包含(“x (m)”) ylabel (“y (m)”）

图中包含一个轴对象。标题为Transmitter和Scatterers Positions的axis对象包含2个类型为scatter的对象。这些物体代表发射机、散射器。

数据处理与可视化

接下来，将平均RSRP最高的光束对标记为真正的最优光束对。将单热编码标签转换为用于分类的分类数据。最后，增加分类数据，使其总共有16个类，以匹配可能的束对数量(尽管类的元素数量可能不相等)。增强是为了确保神经网络的输出具有所需的维数16。

流程培训数据

通过选择平均RSRP最高的光束对来选择最佳光束对%(在每个位置的NRepeatSameLoc不同试验中取平均值)avgOptBeamPairIdxCellTrain = cell(size(optBeamPairIdxMatTrain, 1)/prm。NRepeatSameLoc, 1);avgOptBeamPairIdxScalarTrain = zeros(size(optBeamPairIdxMatTrain, 1)/prm。NRepeatSameLoc, 1);为locIdx = 1:size(optBeamPairIdxMatTrain, 1)/prm. locIdx = 1:NRepeatSameLoc avgRsrp = squeeze(rsrpMatTrain(:，:，locIdx));[~， targetBeamIdx] = max(avgRsrp(:));avgOptBeamPairIdxScalarTrain(locIdx) = targetBeamIdx;avgOptBeamPairIdxCellTrain{locIdx} = num2str(targetBeamIdx);结束尽管总共有16对光束，由于固定的拓扑结构%(发射机/散射器/接收机位置)，这是可能的%，某些光束对从未被选为最优光束对％因此，我们增加了类别，数据中总共有16个类别%(尽管有些类可能没有元素)allBeamPairIdxCell = cellstr(string((1:prm.numBeams^2)'));avgOptBeamPairIdxCellTrain = categorical(avgOptBeamPairIdxCellTrain, allBeamPairIdxCell);NBeamPairInTrainData = number (categories(avgoptbeampairridxcelltrain));%应为16

工艺测试数据

通过选择平均RSRP最高的光束来决定最佳光束对avgOptBeamPairIdxCellTest = cell(size(optBeamPairIdxMatTest, 1)/prm。NRepeatSameLoc, 1);avgOptBeamPairIdxScalarTest = 0 (size(optBeamPairIdxMatTest, 1)/prm.;NRepeatSameLoc, 1);为locIdx = 1:size(optBeamPairIdxMatTest, 1)/prm。NRepeatSameLoc avgRsrp = squeeze(rsrpMatTest(:，:，locIdx));[~， targetBeamIdx] = max(avgRsrp(:));avgOptBeamPairIdxScalarTest(locIdx) = targetBeamIdx;avgOptBeamPairIdxCellTest{locIdx} = num2str(targetBeamIdx);结束增加类别，使数据总共有16个类别avgOptBeamPairIdxCellTest = categorical(avgOptBeamPairIdxCellTest, allBeamPairIdxCell);nbeampairntestdata = number(类别(avgoptbeampairridxcelltest));%应为16

为神经网络创建输入/输出数据

trainDataLen = size(locationMatTrain, 1)/prm.NRepeatSameLoc;trainOut = avgOptBeamPairIdxCellTrain;sampledLocMatTrain = locationMatTrain(1:prm.)NRepeatSameLoc:最终,);trainInput = sampledLocMatTrain(1:trainDataLen，:);从测试数据中抽取10%作为验证数据valTestDataLen = size(locationMatTest, 1)/prm.NRepeatSameLoc;valDataLen = round(0.1*size(locationMatTest, 1))/prm.NRepeatSameLoc;testDataLen = valTestDataLen-valDataLen;随机打乱测试数据，使其分布%提取的验证数据更接近测试数据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:最终,);sampledLocMatTest = sampledLocMatTest(shuffledIdx，:);valInput = sampledLocMatTest(1:valDataLen，:);testInput = sampledLocMatTest(valDataLen+1:end，:);

为训练数据绘制最佳光束对分布图

为每个训练样本(总共200个)绘制位置和最佳光束对。每种颜色代表一个光束对指数。换句话说，相同颜色的数据点属于同一个类。增加训练数据集，尽可能包括每个波束对的值，尽管波束对的实际分布将取决于散射器和发射机的位置。

图rng (111)%表示图形中的颜色color = rand(NBeamPairInTrainData, 3);uniqueOptBeamPairIdx = unique(avgOptBeamPairIdxScalarTrain);为n = 1:length(uniqueOptBeamPairIdx) beamPairIdx = find(avgOptBeamPairIdxScalarTrain == uniqueOptBeamPairIdx(n));locX = sampledLocMatTrain(beamPairIdx, 1);loy = sampledLocMatTrain(beamPairIdx, 2);scatter(locX, locY， []， color(n，:));持有在；结束散射(prm.posTx (1) prm.posTx(2), 100年,“r ^”，“填充”）;scatter(prm.ScatPos(1，:)，prm.ScatPos(2，:)，100，[0.9290 0.6940 0.1250]，，“年代”，“填充”）;持有从包含(“x (m)”) ylabel (“y (m)”xlim([0 10]) ylim([0 10])“最佳光束对指数(训练数据)”）

图中包含一个轴对象。标题为“最佳光束对指数(训练数据)”的轴对象包含18个散点类型的对象。

数字直方图(trainOut)最优光束对指数直方图(训练数据))包含(“光束对指数”) ylabel (“发生次数”）

图中包含一个轴对象。标题为“最优光束对指数直方图(训练数据)”的坐标轴对象包含一个类别直方图类型的对象。

为验证数据绘制最佳光束对分布图

图rng (111)%表示图形中的颜色color = rand(nbeampairntestdata, 3);uniqueOptBeamPairIdx = unique(avgOptBeamPairIdxScalarTest(1:valDataLen));为n = 1:length(uniqueOptBeamPairIdx) beamPairIdx = find(avgOptBeamPairIdxScalarTest(1:valDataLen) == uniqueOptBeamPairIdx(n));locX = sampledLocMatTest(beamPairIdx, 1);loy = sampledLocMatTest(beamPairIdx, 2);scatter(locX, locY， []， color(n，:));持有在；结束散射(prm.posTx (1) prm.posTx(2), 100年,“r ^”，“填充”）;scatter(prm.ScatPos(1，:)，prm.ScatPos(2，:)，100，[0.9290 0.6940 0.1250]，，“年代”，“填充”）;持有从包含(“x (m)”) ylabel (“y (m)”xlim([0 10]) ylim([0 10])“最佳光束对指数(验证数据)”）

图中包含一个轴对象。标题为“最佳光束对指数(验证数据)”的axis对象包含9个散点类型的对象。

数字直方图(valOut)最佳光束对指数直方图(验证数据))包含(“光束对指数”) ylabel (“发生次数”）

图中包含一个轴对象。标题为“最优光束对指数直方图(验证数据)”的axis对象包含一个类别直方图类型的对象。

为测试数据绘制最佳光束对分布图

图rng (111)%表示图形中的颜色color = rand(nbeampairntestdata, 3);uniqueOptBeamPairIdx = unique(avgOptBeamPairIdxScalarTest(1+valDataLen:end));为n = 1:length(uniqueOptBeamPairIdx) beamPairIdx = find(avgOptBeamPairIdxScalarTest(1+valDataLen:end) == uniqueOptBeamPairIdx(n));locX = sampledLocMatTest(beamPairIdx, 1);loy = sampledLocMatTest(beamPairIdx, 2);scatter(locX, locY， []， color(n，:));持有在；结束散射(prm.posTx (1) prm.posTx(2), 100年,“r ^”，“填充”）;scatter(prm.ScatPos(1，:)，prm.ScatPos(2，:)，100，[0.9290 0.6940 0.1250]，，“年代”，“填充”）;持有从包含(“x (m)”) ylabel (“y (m)”xlim([0 10]) ylim([0 10])最佳光束对指数(测试数据)）

图中包含一个轴对象。标题为“最佳光束对指数(测试数据)”的axis对象包含16个散点类型的对象。

直方图(testOutCat)最佳光束对指数直方图(测试数据))包含(“光束对指数”) ylabel (“发生次数”）

图中包含一个轴对象。标题为“最优光束对指数直方图(测试数据)”的axis对象包含一个类别直方图类型的对象。

神经网络的设计与训练

训练带有四个隐藏层的神经网络。设计的动机是[3.](四个隐藏层)及[5](两层隐层，每层128个神经元)，其中接收器位置也被视为神经网络的输入。若要启用培训，请调整doTraining合乎逻辑的。

这个例子还提供了一个对类进行加权的选项。频繁出现的类具有较小的权重，而不频繁出现的类具有较大的权重。要使用类权重，请调整useDiffClassWeights合乎逻辑的。

修改网络以试验不同的设计。如果您修改了其中一个提供的数据集，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的时间。调整saveNet在后续运行中使用经过训练的网络是合乎逻辑的。

doTraining = false;useDiffClassWeights = false;saveNet = false;如果doTraining如果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);文件名=“nnBS_trainedNetwWeighting.mat”；其他的classWeights = ones(1, nbeampairntestdata);文件名=“nnBS_trainedNet.mat”；结束神经网络设计层= [.．.featureInputLayer (3“名字”，“输入”，“归一化”，“rescale-zero-one”) fullyConnectedLayer (96,“名字”，“linear1”) leakyReluLayer (0.01,“名字”，“leakyRelu1”) fullyConnectedLayer (96,“名字”，“linear2”) leakyReluLayer (0.01,“名字”，“leakyRelu2”) fullyConnectedLayer (96,“名字”，“linear3”) leakyReluLayer (0.01,“名字”，“leakyRelu3”) fullyConnectedLayer (96,“名字”，“linear4”) leakyReluLayer (0.01,“名字”，“leakyRelu4”) fullyConnectedLayer (NBeamPairInTrainData“名字”，“linear5”) softmaxLayer (“名字”，“softmax”) classificationLayer (“ClassWeights”classWeights,“类”allBeamPairIdxCell,“名字”，“输出”));maxEpochs = 1000;miniBatchSize = 256;选项= trainingOptions(“亚当”，.．.“MaxEpochs”maxEpochs,.．.“MiniBatchSize”miniBatchSize,.．.“InitialLearnRate”1的军医,.．.“ValidationData”{valInput, valOut},.．.“ValidationFrequency”, 500,.．.“OutputNetwork”，“best-validation-loss”，.．.“洗牌”，“every-epoch”，.．.“阴谋”，“训练进步”，.．.“ExecutionEnvironment”，“cpu”，.．.“详细”, 0);%培训网络net = trainNetwork(trainInput,trainOut,layers,options);如果saveNet保存(文件名,“净”）;结束其他的如果useDiffClassWeights负载“nnBS_trainedNetwWeighting.mat”；其他的负载“nnBS_trainedNet.mat”；结束结束

比较不同的方法K精度

本节使用不可见的测试数据测试训练网络，考虑top-K精度度量。top-K精度度量已广泛应用于基于神经网络的光束选择任务[2] - [6］．

给定一个接收器位置，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 $K$ 并选择平均RSRP最高的光束对作为最终预测。如果真正的最优光束对是最终选择的光束对，则预测成功。等效地，当真正的最优光束对是其中之一时，成功发生 $K$ 神经网络推荐梁对。

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，该方法首先收集 $K$ 基于GPS坐标的最接近的训练样本。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 $K$ (一些光束对可能是相同的)。
统计资料[5-该方法首先根据训练集中所有波束对的相对频率进行排序，然后总是选择第一个波束对 $K$ 梁对。
随机(5-对于测试样本，该方法随机选择 $K$ 梁对。

这幅图显示了 $K ＝ 8$ ，精度已经超过90%，突出了使用训练过的神经网络进行波束选择任务的有效性。当 $K ＝ 16$ ，每种方案(除KNN外)都松弛到对所有16对光束进行穷举搜索，因此精度达到100%。然而,当 $K ＝ 16 ，$ KNN考虑16个最接近的训练样本，其中截然不同的来自这些样品的光束对通常小于16。因此，KNN没有达到100%的准确率。

rng (111)%表示“随机”策略的可重复性testOut = avgOptBeamPairIdxScalarTest(1+valDataLen:end，:);statisticCount = countcats(testOutCat);predTestOutput = predict(net,testInput，“ExecutionEnvironment”，“cpu”）;K = prm.numBeams^2;accNeural = 0 (1,K);accKNN = 0 (1,K);accStatistic = 0 (1,K);accRandom = 0 (1,K);为k = 1: k predCorrectNeural = 0 (testDataLen,1);predCorrectKNN = 0 (testDataLen,1);predCorrectStats = 0 (testDataLen,1);predCorrectRandom = 0 (testDataLen,1);knnIdx = knnsearch(trainInput,testInput，“K”、k);为n = 1:testDataLen trueoptbeamide = testOut(n);神经网络[~， topKPredOptBeamIdx] = maxk(predTestOutput(n，:)，k);如果sum(topKPredOptBeamIdx == trueOptBeamIdx) > 0%如果为真，则正确的指标属于K个预测指标中的一个predCorrectNeural(n,1) = 1;结束%资讯neighborsIdxInTrainData = knnIdx(n，:);topKPredOptBeamIdx = avgOptBeamPairIdxScalarTrain (neighborsIdxInTrainData);如果sum(topKPredOptBeamIdx == trueOptBeamIdx) > 0%如果为真，则正确的指标属于K个预测指标中的一个predCorrectKNN(n,1) = 1;结束%统计信息[~， topKPredOptBeamIdx] = maxk(statisticCount,k);如果sum(topKPredOptBeamIdx == trueOptBeamIdx) > 0%如果为真，则正确的指标属于K个预测指标中的一个predCorrectStats(n,1) = 1;结束%随机topKPredOptBeamIdx = randperm(prm.numBeams*prm.numBeams,k);如果sum(topKPredOptBeamIdx == trueOptBeamIdx) > 0%如果为真，则正确的指标属于K个预测指标中的一个predCorrectRandom(n,1) = 1;结束结束accNeural(k) = sum(predCorrectNeural)/testDataLen*100;accKNN(k) = sum(predCorrectKNN)/testDataLen*100;accStatistic(k) = sum(predCorrectStats)/testDataLen*100;accRandom(k) = sum(predCorrectRandom)/testDataLen*100;结束图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];阴谋(1:K accNeural”——*’，“线宽”线宽,“颜色”colorNeural)举行在阴谋(1:K accKNN“- o”，“线宽”线宽,“颜色”colorKNN)阴谋(1:K accStatistic——年代”，“线宽”线宽,“颜色”colorStats)阴谋(1:K accRandom“- d”，“线宽”线宽,“颜色”colorRandom)举行从网格在xticks (1: K)包含(“K美元”，“翻译”，“乳胶”) ylabel (“前K美元准确性”，“翻译”，“乳胶”)标题(不同波束对选择方案的性能比较)传说(“神经网络”，“资讯”，的统计信息，“随机”，“位置”，“最佳”）

图中包含一个轴对象。标题为“不同光束对选择方案的性能比较”的axis对象包含4个类型为line的对象。这些对象代表神经网络，KNN，统计信息，随机。

比较不同的方法:平均RSRP

使用不可见的测试数据，计算神经网络和三个基准所达到的平均RSRP。该图表明，使用训练过的神经网络的结果在一个平均RSRP接近最优穷尽搜索。

rng (111)%表示“随机”策略的可重复性K = prm.numBeams^2;rsrpOptimal = 0 (1,K);rsrpNeural = 0 (1,K);rsrpKNN = 0 (1,K);rsrpStatistic = 0 (1,K);rsrpRandom = 0 (1,K);为k = 1: k rsrpSumOpt = 0;rsrpSumNeural = 0;rsrpSumKNN = 0;rsrpSumStatistic = 0;rsrpSumRandom = 0;knnIdx = knnsearch(trainInput,testInput，“K”、k);为n = 1:testDataLen%穷尽搜索trueOptBeamIdx = testOut(n);rsrp = rsrpMatTest(:，:，valDataLen+n);rsrpSumOpt = rsrpSumOpt + rsrp(trueOptBeamIdx);神经网络[~， topKPredOptCatIdx] = maxk(predTestOutput(n，:)，k);rsrpSumNeural = rsrpSumNeural + max(rsrp(topKPredOptCatIdx));%资讯neighborsIdxInTrainData = knnIdx(n，:);topKPredOptBeamIdxKNN = avgOptBeamPairIdxScalarTrain(neighborsIdxInTrainData);rsrpSumKNN = rsrpSumKNN + max(rsrp(topKPredOptBeamIdxKNN));%统计信息[~， topKPredOptCatIdxStat] = maxk(statisticCount,k);rsrpSumStatistic = rsrpSumStatistic + max(rsrp(topKPredOptCatIdxStat));%随机topKPredOptBeamIdxRand = randperm(prm.numBeams*prm.numBeams,k);rsrpSumRandom = rsrpSumRandom + max(rsrp(topKPredOptBeamIdxRand));结束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;结束图lineWidth = 1.5;阴谋(1:K rsrpOptimal“——h”，“线宽”线宽,“颜色”，[0.6350 0.0780 0.1840]);持有在阴谋(1:K rsrpNeural”——*’，“线宽”线宽,“颜色”colorNeural)阴谋(1:K rsrpKNN“- o”，“线宽”线宽,“颜色”colorKNN)阴谋(1:K rsrpStatistic——年代”，“线宽”线宽,“颜色”colorStats)阴谋(1:K rsrpRandom“- d”，“线宽”线宽,“颜色”colorRandom)举行从网格在xticks (1: K)包含(“K美元”，“翻译”，“乳胶”) ylabel (“平均RSRP”)标题(不同波束对选择方案的性能比较)传说(“穷举搜索”，“神经网络”，“资讯”，的统计信息，“随机”，“位置”，“最佳”）

图中包含一个轴对象。标题为“不同光束对选择方案的性能比较”的axis对象包含5个类型为line的对象。这些对象代表穷举搜索，神经网络，KNN，统计信息，随机。

比较最优、神经网络和KNN方法的最终值。

[rsrpOptimal end-3:结束);rsrpNeural (end-3:结束);rsrpKNN (end-3:结束),)

ans =3×480.7363 80.7363 80.7363 80.7363 80.7363 80.7363 80.7363 80.5067 80.5068 80.5069 80.5212

KNN和最优方法之间的性能差距表明，即使考虑更大的梁对集(例如256)，KNN也可能表现不佳。

情节混乱矩阵

我们观察到，具有较少元素的类受到训练网络的负面影响。为不同的类使用不同的权重可以避免这种情况。探索同样与useDiffClassWeights并为每个类指定自定义权重。

predLabels =分类(net,testInput，“ExecutionEnvironment”，“cpu”）;图;cm = confusionchart(testOutCat,predLabels);标题(混淆矩阵的）

图包含一个confusimatrixchart类型的对象。类型为confusimatrixchart的图表标题为ConfusionMatrix。

结论及进一步探索

本例描述了神经网络在5G NR系统波束选择任务中的应用。你可以设计和训练一个神经网络，输出一组 $K$ 好梁对。通过只对选定的对象进行详尽的搜索，可以减少头顶的波束扫描 $K$ 梁对。

该示例允许您指定MIMO信道中的散射器。为了了解通道对波束选择的影响，可以在不同的场景中进行实验。该示例还提供了预先保存的数据集，可用于实验不同的网络结构和训练超参数。

仿真结果表明，对于预记录的16对波束MIMO散射信道，所提算法可实现最优K准确率90% $K ＝ 8$ ．这表明，神经网络足以对所有波束对的一半执行详尽搜索，将波束扫描开销减少50%。实验改变其他系统参数，通过重新生成数据来查看网络的有效性，然后重新训练和重新测试网络。

参考文献

3GPP TR 38.802，“新型无线接入技术物理层方面的研究”。第三代伙伴计划;技术规范集团无线接入网。
Klautau, A, González-Prelcic, N，和Heath, R. W.，“基于深度学习的毫米波波束选择的激光雷达数据”，IEEE无线通信通讯，第8卷，no. 1。3，页909-912,2019年6月。
Heng, Y.和Andrews, J. G，“毫米波系统的机器学习辅助波束对准”，2019年IEEE全球通信会议(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数据用于机器学习:使用深度学习的波束选择应用”，2018年信息理论与应用研讨会(ITA)， 2018, pp. 1-9, doi: 10.1109/ITA.2018.8503086。
马特奥,Z。< https://github.com/itu - ai - ml - - 5 g - challenge/ps - 012 - ml5g - phy -梁- selection_beamsoup>(这是在2020年国际电联人工智能/机器学习5G挑战赛中获得最高分的团队)。
Sim, M. S.， Lim, Y.， Park, S. H.， Dai, L.和Chae, C.，“基于深度学习的5G NR/6G毫米波波束选择与Sub-6 GHz信道信息:算法和原型验证”，IEEE Access，第8卷，第51634-51646页，2020。

本地函数

函数prm = validateParams(prm)验证用户指定的参数并返回更新后的参数％仅对参数一致性进行交叉依赖检查。。如果strcmpi(人口、难民和移民事务局。FreqRange,“FR1”）如果人口、难民和移民事务局。CenterFreq > 7.125e9 || prm。CenterFreq < 410e6 error(['指定的中心频率在FR1之外'，.．.频率范围(410兆赫- 7.125兆赫)。]）;结束如果strcmpi(人口、难民和移民事务局。SSBlockPattern,“D”) | |.．.strcmpi(人口、难民和移民事务局。SSBlockPattern,“E”)错误(对于所选的FR1频率无效的SSBlockPattern.．.的范围内。SSBlockPattern必须是“Case A”或“.．.' FR1的'情况B'或'情况C']）;结束如果~ (((prm.SSBTransmitted)长度= = 4)| |.．.(长度(prm.SSBTransmitted) = = 8))错误(['SSBTransmitted必须是长度为4或8的向量'，.．.用于FR1频率范围。]）;结束如果(人口、难民和移民事务局。CenterFreq <= 3e9) && (length(prm.SSBTransmitted)~=4) error(['SSBTransmitted必须是一个长度为4的向量'.．.中心频率小于或等于3GHz。]）;结束如果(人口、难民和移民事务局。CenterFreq > 3e9) &&(长度(prm. ssbtransmit)~=8)错误(['SSBTransmitted必须是一个长度为8的向量'，.．.'中心频率大于3GHz且小于'，.．.'或等于7.125GHz。']）;结束其他的%的FR2如果人口、难民和移民事务局。CenterFreq > 52.6e9 || prm。CenterFreq < 24.25e9 error(['指定中心频率在FR2之外'，.．.频率范围(24.25 GHz - 52.6 GHz)。]）;结束如果~ (strcmpi(人口、难民和移民事务局。SSBlockPattern,“D”) | |.．.strcmpi(人口、难民和移民事务局。SSBlockPattern,“E”)错误([所选FR2频率的SSBlockPattern无效.．.的范围内。SSBlockPattern必须是“Case D”或“.．.“FR2的‘E案例’。”]）;结束如果长度(prm.SSBTransmitted) ~ = 64错误(['SSBTransmitted必须是一个长度为64的向量'，.．.“FR2频率范围。”]）;结束结束发送端/接收端的波束数%人口、难民和移民事务局。numBeams = sum(prm.SSBTransmitted);人口、难民和移民事务局。NumTx = prod(prm.TxArraySize);人口、难民和移民事务局。NumRx = prod(prm.RxArraySize);如果人口、难民和移民事务局。NumTx==1 || prm。错误([NumRx = = 1发射或接收天线元件的数量必须为，.．.'大于1。']）;结束人口、难民和移民事务局。IsTxURA = (prm.TxArraySize(1)>1) && (prm.TxArraySize(2)>1);人口、难民和移民事务局。IsRxURA = (prm.RxArraySize(1)>1) && (prm.RxArraySize(2)>1);如果~ (strcmpi(人口、难民和移民事务局。RSRPMode,“SSSonly”) | |.．.strcmpi(人口、难民和移民事务局。RSRPMode,“SSSwDMRS”))错误([无效的RSRP测量模式。指定任意一个'，.．.'SSSonly'或'SSSwDMRS'为模式]）;结束根据SSBlockPattern选择SCS开关低(prm.SSBlockPattern)情况下的情况下SCS = 15;CBW = 10;scsCommon = 15;情况下｛“案例b”，“案例c”} SCS = 30;CBW = 25;scsCommon = 30;情况下“d”SCS = 120;CBW = 100;scsCommon = 120;情况下“e”SCS = 240;CBW = 200;scsCommon = 120;结束人口、难民和移民事务局。SCS = SCS;人口、难民和移民事务局。ChannelBandwidth = cbw;人口、难民和移民事务局。SubcarrierSpacingCommon = scsCommon;结束

另请参阅

功能

trainNetwork(深度学习工具箱)|trainingOptions(深度学习工具箱)

对象

featureInputLayer(深度学习工具箱)|reluLayer(深度学习工具箱)|fullyConnectedLayer(深度学习工具箱)