In millimeter-wave communications, multiple-input-multiple-output (MIMO) systems use large antenna arrays to achieve high gain and spectral efficiency. These massive MIMO systems employ hybrid beamformers to reduce power consumption associated with fully digital beamforming in large arrays. Further savings in cost and power are possible through the use of subarrays. Unlike prior works that resort to large latency methods such as optimization and greedy search for subarray selection, we propose a deep-learning-based approach in order to overcome the complexity issue without causing significant performance loss. We formulate antenna selection and hybrid beamformer design as a classification/prediction problem for convolutional neural networks (CNNs). For antenna selection, the CNN accepts the channel matrix as input and outputs a subarray with optimal spectral efficiency. The resultant subarray channel matrix is then again fed to a CNN to obtain analog and baseband beamformers. We train the CNNs with several noisy channel matrices that have different channel statistics in order to achieve a robust performance at the network output. Numerical experiments show that our CNN framework provides an order better spectral efficiency and is 10 times faster than the conventional techniques. Further investigations with quantized-CNNs show that the proposed network, saved in no more than 5 bits, is also suited for digital mobile devices.

中文翻译：

---

使用未量化和量化深度学习网络的联合天线选择和混合波束成形器设计

在毫米波通信中，多输入多输出 (MIMO) 系统使用大型天线阵列来实现高增益和频谱效率。这些大规模 MIMO 系统采用混合波束成形器来降低与大型阵列中的全数字波束成形相关的功耗。通过使用子阵列，可以进一步节省成本和电力。与采用大延迟方法（例如优化和贪婪搜索子阵列选择）的先前工作不同，我们提出了一种基于深度学习的方法，以克服复杂性问题而不会造成显着的性能损失。我们将天线选择和混合波束成形器设计作为卷积神经网络 (CNN) 的分类/预测问题。对于天线选择，CNN 接受通道矩阵作为输入并输出具有最佳频谱效率的子阵列。得到的子阵列信道矩阵然后再次馈送到 CNN 以获得模拟和基带波束形成器。我们用几个具有不同信道统计数据的噪声信道矩阵来训练 CNN，以便在网络输出上实现稳健的性能。数值实验表明，我们的 CNN 框架提供了一个更好的频谱效率，并且比传统技术快 10 倍。对量化 CNN 的进一步研究表明，所提出的网络以不超过 5 位的形式保存，也适用于数字移动设备。我们用几个具有不同信道统计数据的噪声信道矩阵来训练 CNN，以便在网络输出上实现稳健的性能。数值实验表明，我们的 CNN 框架提供了一个更好的频谱效率，并且比传统技术快 10 倍。对量化 CNN 的进一步研究表明，所提出的网络以不超过 5 位的形式保存，也适用于数字移动设备。我们用几个具有不同信道统计数据的噪声信道矩阵来训练 CNN，以便在网络输出上实现稳健的性能。数值实验表明，我们的 CNN 框架提供了一个更好的频谱效率，并且比传统技术快 10 倍。对量化 CNN 的进一步研究表明，所提出的网络以不超过 5 位的形式保存，也适用于数字移动设备。