为了满足移动业务的需求,具有大量未分配带宽的毫米波频段成为5G系统的通信频段之一。相较于传统通信系统采用的低频段信号,毫米波信号会经历更严重的传播损耗,这给建立可靠通信带来了巨大的挑战。为了克服毫米波难以接受的损耗,波束赋形已经成为毫米波通信中的一项关键技术。在实际系统中,波束赋形的前提是已知一定量的信道状态信息。得益于毫米波的短波长,更大的天线阵列得以在毫米波系统中部署,但这也意味着信道矩阵更大,导致传统的波束赋形技术会带来巨大的训练开销。随着未来网络系统的多元化与智能化,网络系统中存在着大量的带外信息可以使用,如终端的位置信息等。因此我们考虑合理得利用这些带外信息来辅助毫米波系统中的波束选择过程,在保证通信性能的前提下尽可能得降低波束选择开销。现有的带外信息辅助毫米波通信的研究对带外信息的利用较为简单,应用场景比较局限,没有考虑信道变化与终端状态的关系。本文从毫米波信道的空间一致性出发,研究了终端静态场景和移动场景下的带外信息辅助波束选择算法。本文主要研究工作如下:1.研究了毫米波信道的空间一致性特质,应用位置与姿态信息辅助毫米波系统波束选择从而达到降低波束选择开销的目的。本文从毫米波信道的特征出发,重点研究了毫米波信道的空间一致性特质,推导了信道参数变化与终端位置姿态改变的关系,进而分析了波束赋形码字在空间上的分布情况。根据最优波束与终端位置姿态的对应关系,将传统的波束选择问题转化为基于终端位置与姿态信息的分类问题。该波束选择分类问题是一个非线性多分类问题,我们采用了基于核函数的支持向量机模型来解决该波束选择分类问题。为了提高分类准确率,我们根据线性空间定义与波束判决策略设计了适合该波束选择分类问题的自定义核函数。仿真结果验证了该位置与姿态信息辅助波束选择算法在保证性能基本没有损失的前提下大大降低了波束选择开销。2.分析了终端移动对信道参数变化的影响,研究了终端移动场景下带外信息辅助波束预测技术。终端移动会导致波束的频繁切换,通过分析终端运动状态与信道参数的联系,采用了神经网络模型,以终端的位置、姿态、速度、角速度等运动状态信息及当前接入波束索引为输入,输出下一时刻的候选波束合集。当因终端移动导致当前接入波束难以满足通信需求时,终端侧从神经网络模型输出的候选波束合集中快速选择合适的波束进行切换。仿真结果表明采用候选波束合集可以有效得缩小波束选择搜索范围,降低波束切换开销。3.考虑了实际系统中的噪声标签问题,提出了一种基于随机标签传播的噪声标签清洗算法。在基于机器学习的带外信息辅助毫米波通信系统中,可能会存在噪声标签问题,这会大大降低系统性能。通过分析训练样本间的内在联系,基于毫米波信道空间一致性对训练样本进行同质区域分割,构建了空间一致概率转移矩阵。基于预定义的概率转移矩阵,采用随机标签传播算法在训练样本之间传播真实标签信息,从而清除训练数据集中的噪声标签。仿真结果表明所提噪声标签清洗算法可以有效去除训练数据集中的噪声标签,进而提升带外信息辅助通信系统的性能表现。