Beamforming ibrido basato su apprendimento profondo nel massive-MIMO ad onde millimetriche

This work falls within the scope of beamforming, in the field of Massive Multiple-Input Multiple-Output (massive-MIMO), that is a wide area of application of wireless communications. The recent development of deep learning (Deep Learning (DL)) has spread its application to several scientific fields, even to wireless communication systems. The main objective of this study is to reproduce the DL-aided and Received Signal Strength Indicator (RSSI)-based hybrid beamforming for massive-MIMO system described in [1], to compare and evaluate a Matlab implementation of this reference work. Moreover, an in-depth analysis of [1] is provided and the results therein are reproduced using Matlab. For this purpose, starting from channel samples generated by deepMIMO —an open source tool for modeling wireless communication environments—, side data, such as optimal beamforming matrices, are calculated using an algorithm named Hybrid Structured Heuristic Optimization (HSHO), according to the proposal described in [1], but not implemented in the original PyTorch code made available by the authors. A large part of present work is devoted to implement HSHO using Matlab and discuss the results.

Questo lavoro rientra nelll’ambito del beamforming, nel campo del Massive Multiple-Input Multiple-Output (massive-MIMO), che `e un’ampia area di applicazione delle comunicazioni wireless. Il recente sviluppo del deep learning (DL) ha esteso la sua applicazione a diversi campi scientifici, compresi i sistemi di comunicazione wireless. Il principale obiettivo di questo studio `e quello di riprodurre il sistema per il beamforming ibrido descritto in [1], attraverso l’impiego dell’apprendimento profondo (Deep Learning) e tramite l’utilizzo del Received Signal Strength Indicator (RSSI), per il confronto e la valutazione di un’implementazione Matlabdi questo lavoro di riferimento. Inoltre, viene fornita un’analisi approfondita di [1] e i risultati sono riprodotti utilizzando Matlab. A tal fine, partendo da campioni di canale generati da deepMIMO —uno strumento open source per la modellizzazione degli ambienti di comunicazione wireless—, dati di supporto, quali le matrici di beamforming ottimali, sono cal- colati utilizzando un algoritmo denominato Hybrid Structured Heuristic Optimization (HSHO), secondo la proposta descritta in [1], ma non implementato nel codice originale PyTorch reso disponibile dagli autori. Gran parte del presente lavoro `e dedicato alla realizzazione di HSHO con MatlabTM e alla discussione dei risultati.