CNN based beamforming

1. DEEP LEARNING-BASED BEAM ALIGNMENT IN MMWAVE VEHICULAR NETWORKS

ICCASP 2020 的一篇文章
作者提出一种端到端的DL方法 设计了一个结构化的CS矩阵，这个矩阵非常适合底层通道分布，利用了车辆通道中出现的稀疏性和特定的空间结构。 这个信道测量需要设计的压缩感知矩阵 被用于预测最好的波束。
Introduction
mmwave radios中，Beam alignment 是一个具有挑战性的问题 这是由于系统使用了大量的天线列阵和远少于天线数量的射频链。mmwave中，基于完全搜查的beam alignment会导致大量的系统开销。一个可能减少开销的方法是利用基于压缩感知的方法获得一个低纬度的信道表示。使用随机压缩通道投影以及利用毫米波通道稀疏性的算法可实现快速、准确的beam alignment.
卷积压缩感知是一个结构化的压缩感知技术，其中感兴趣的信号被投影到跟少的已知信号的循环位移信号上。

作者调查了基于 2D-CCS的beam alignment中 发射端采用少量的天线矩阵的2d循环位移矩阵用于接收端获取压缩信道测量。之后 可以通过使用优化算法对压缩测量进行计算从而估计出发射端最好的beam。在2d-ccs中 基础矩阵决定着系统的成功。 在典型的车辆通讯场景中，信道有稀疏性。因此可以使用cs技术。
本篇文章作者提出利用深度学习去寻找最适合这个信道的2d-ccs基础矩阵。
2. BEAMALIGNMENTWITHCONVOLUTIONALCS
作者考虑窄带 UPA 下（N*N） 接收端单天线的情况，未来作者会考虑接收端多天线的情况。
发射端是q比特相控的天线列阵，使用蛋RF链，安装在路边 （road side unit RSU），接收端安装在汽车的顶部。

H 为TX和RX间的信道，Q_q 代表可能设置的相移。 RX接受到的信道测量可以表示为，

v是AWGN P是相移矩阵，
作者定义F为标准的2d-DFT码本，则beam alignment问题被变为在
的情况下 估计P_BF的值。

由于mmwave 车辆信道的稀疏结构，因此 在没有明确的信道估计的情况下是可以对 best beam进行估计的。 例如 基于随机相移的稀疏信道CS测量。
在图1考虑的场景下，当接收端在RSU覆盖范围内时，最好的发射波束可能性如图2a所示

3. BASEMATRIXDESIGNWITHDEEPLEARNING

作者提出的dnn机构 中 第一部分是一个卷积层，用于仿真基于2D-CCS的压缩信道感知。filter的权重作为基础矩阵P的实部和虚部的元素。 DNN的第二部分是几个全连接层，用于预测最好的波束。

（ つづく