毫米波（mm Wave）无线通信系统可以支持高移动性以实现各种重要应用,例如车辆通信和无线虚拟现实、增强现实等。但是,在实践中实现起来需要克服几个挑战。首先,窄波束的使用和mm Wave信号对阻塞的敏感度极大地影响了高移动性链路的覆盖范围和可靠性。其次,密集mm Wave部署中的高移动性用户需要在基站（BS）之间频繁切换,这导致了波束训练开销并会带来延迟问题。此外,在大型天线阵列毫米波系统中识别最佳波束成形向量需要大量的训练开销,这极大地影响了移动用户的效率。本文将以机器学习协作波束成形的方案来解决这一问题,并对机器学习模型进行优化。主要的工作和创新如下:1.针对密集mm Wave部署中的高移动性用户需要在基站（BS）之间频繁切换,而导致的大量资源浪费和等待时间开销的问题,本文协调多个基站以多点协作的方式同时为同一用户提供服务。在该方法中,许多采用RF射频链路的基站连接到有基带处理的中央云处理器共同服务于一个用户,上行信号首先在中央处理器上进行预编码处理,降低数据流之间的干扰,而后在基站处使用模拟域的模拟波束成形。本文详述了中央处理器和基站RF波束成形矢量的训练和设计,目标是在最小的开销下找到最佳波束成形矢量,最大化有效可达速率。从而在波束成形训练开销与利用设计的波束成形矢量获得的可达速率之间达到平衡。2.针对于在高速移动mm Wave系统中识别最佳波束成形向量会导致大量训练开销的问题,本文提出了一种新型的机器学习协作波束方法来代替传统方法估计下行信道,通过训练学习上行链路获取下行链路的波束成形向量信息。用户仅需要发送一个使用全向或准全向波束方向图,多个协作工作的分布式基站共同接收上行链路导频序列。这些接收到的信号不仅为用户位置绘制了关于位置信息的标志,而且还为与周围环境的交互绘制了标志。模型学习如何使用这些签名标志来预测基站处的波束成形矢量。机器学习模型采用基于全连接的深度神经网络,在仿真阶段该深度学习协作波束成形方法与遍历搜索的基本协作波束成形方法作对比,基本协作波束成形方法在设计中央处理器和基站RF波束成形矢量时依赖于上行链路的训练,基站首先从预定义的码本中选择其RF波束成形矢量。然后,中央处理器设计其基带波束成形以确保用户的相干组合。提出的机器学习协作波束成形方法可以极大地减少训练开销,并实现高速移动的mm Wave应用。3.在深度学习协作波束成形的方法上,本文还对模型进行了进一步的优化,提出了卷积神经网络协作波束成形算法和基于Dense Net的卷积神经网络协作波束成形算法。这两种网络架构在预测基站的RF波束成形矢量的同时可以达到更低的训练开销,同时提高了数据效率、拥有更好的特征提取能力,从而达到了更好的效果。此外,还能够以更低的协作开销达到宽覆盖范围和低延迟的协作波束成形增益,实现高移动性毫米波应用。仿真阶段基于准确的射线追踪实验,表明了基于这两种学习模型的协作波束成形方法可在更低训练开销的情况下,找到基站最佳RF波束成形向量,其性能接近于最优的genie-Aided（不考虑训练开销）解决方案的可达速率。本文的上述方法均可以达到优于基本协作波束成形方法的性能,最后分析了上述方法中的不足以及下一步的改进方向。