CN108390706B - 一种基于深度学习的大规模mimo信道状态信息反馈方法 - Google Patents

一种基于深度学习的大规模mimo信道状态信息反馈方法 Download PDF

Info

Publication number
CN108390706B
CN108390706B CN201810090648.0A CN201810090648A CN108390706B CN 108390706 B CN108390706 B CN 108390706B CN 201810090648 A CN201810090648 A CN 201810090648A CN 108390706 B CN108390706 B CN 108390706B
Authority
CN
China
Prior art keywords
channel matrix
state information
decoder
layer
channel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810090648.0A
Other languages
English (en)
Other versions
CN108390706A (zh
Inventor
金石
王天奇
韩瑜
温朝凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201810090648.0A priority Critical patent/CN108390706B/zh
Publication of CN108390706A publication Critical patent/CN108390706A/zh
Application granted granted Critical
Publication of CN108390706B publication Critical patent/CN108390706B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H04B7/0417—Feedback systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0658—Feedback reduction
    • H04B7/066—Combined feedback for a number of channels, e.g. over several subcarriers like in orthogonal frequency division multiplexing [OFDM]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0658—Feedback reduction
    • H04B7/0663—Feedback reduction using vector or matrix manipulations

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Radio Transmission System (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于深度学习的大规模MIMO信道状态信息反馈方法，首先在用户端，对MIMO信道状态信息在空频域的信道矩阵
Figure DDA0001563595950000011
做二维离散傅立叶变换，获得在角延迟域稀疏的信道矩阵H；其次，构建包括编码器和译码器的模型CsiNet，其中编码器属于用户端，将信道矩阵H编码为更低维度的码字，译码器属于基站端，从码字重建出原信道矩阵估计值
Figure DDA0001563595950000012
并对模型CsiNet进行训练，获得模型参数；然后，对CsiNet输出的重建信道矩阵
Figure DDA0001563595950000013
进行二维逆DFT变换，恢复得到原始空频域的信道矩阵
Figure DDA0001563595950000014
重建值；最后，将训练好的CsiNet模型用于信道信息的压缩感知和重建。本发明可以减小大规模MIMO信道状态信息反馈开销，且具有极高的信道重建质量和极快的重建速度。

Description

一种基于深度学习的大规模MIMO信道状态信息反馈方法
技术领域
本发明涉及一种基于深度学习的大规模MIMO信道状态信息反馈方法。
背景技术
大规模MIMO(multiple-input multiple-output)系统被认为是5G无线通信的关键技术之一，该技术通过在基站端配置大量天线，在空间域形成多个独立信道，从而大大增加无线通信系统的吞吐量。基于上述大规模MIMO系统的潜在优势，建立在基站端可以精确获知信道状态信息的基础上，并以此通过预编码来消除多用户间的干扰，然而，对于FDD(frequency division duplexity)的MIMO系统，上行链路和下行链路工作在不同频点上，因此下行信道状态信息是由用户端获得，并通过反馈链路传送回基站端，考虑到基站端使用大量天线，反馈完整的信道状态信息将导致巨大的资源开销，在实际中是不可取的。因而在实际中通常采用量化或基于码本的方法来减小开销，这种方法一定程度损失了信道状态信息，且仍会随着天线数量的增加而线性增加，因此在大规模MIMO系统中还是不可取。
目前关于大规模MIMO系统信道状态信息反馈的研究中，借助信道状态信息的空时相关性和压缩感知的理论来减小反馈开销。具体来说，可将信道状态信息变换至某个基下的稀疏矩阵，利用压缩感知的方法对其进行随机压缩采样以获得低维度测量值；该测量值在占用少量资源开销的情况下通过反馈链路传递至基站端，基站端借助压缩感知的理论，从该测量值中重建出原稀疏信道矩阵。上述基于压缩感知的方法为目前较为先进的信道反馈方法，但仍然存在以下问题：1)压缩感知算法普遍依赖于关于信道结构的先验假设，即信道在某个变换基上满足稀疏性，而实际中信道不在任何变换基完全稀疏，且具有更复杂的结构，因而基于压缩感知的算法有赖于更复杂的先验条件；2)压缩感知使用随机投影的方法来获得低维度的压缩信号，因而没有获得完整的信道结构；3)目前存在的压缩感知算法多为迭代算法，需要巨大的计算开销，且对系统的实时性提出巨大挑战。
发明内容
发明目的：本发明提出一种可以从低压缩率的反馈信息快速且准确地重建出信道状态信息的大规模MIMO信道状态信息反馈方法，解决大规模MIMO系统中信道状态信息反馈开销大的问题。
技术方案：本发明所述的一种基于深度学习的大规模MIMO信道状态信息反馈方法，包括以下步骤：
(1)在用户端，对MIMO信道状态信息在空频域的信道矩阵
Figure BDA0001563595930000021
做二维离散傅立叶变换，获得在角延迟域稀疏的信道矩阵H；
(2)构建包括编码器和译码器的模型CsiNet，其中编码器属于用户端，将信道矩阵H编码为更低维度的码字，译码器属于基站端，从码字重建出原信道矩阵估计值
Figure BDA0001563595930000022
(3)对模型CsiNet进行训练，使得
Figure BDA0001563595930000023
和H尽可能接近，获得模型参数；
(4)对CsiNet输出的重建信道矩阵
Figure BDA0001563595930000024
进行二维逆DFT变换，恢复得到原始空频域的信道矩阵
Figure BDA0001563595930000025
重建值；
(5)将训练好的CsiNet模型用于信道信息的压缩感知和重建。
所述步骤(2)包括以下步骤：
(21)编码器包含一个卷积层和一个全连接层，随机初始化各层参数，将角延迟域稀疏的信道矩阵H作为编码器的输入，输出为比H维度低的一维向量，即为压缩编码后的码字s；
(22)将码字s反馈至基站端，通过基站端设计的译码器译码，译码器包含一个全连接层，两个RefineNet单元和一个卷积层，随机初始化各层参数，译码器以码字s为输入，输出与信道矩阵H同维度的重建信道矩阵
Figure BDA0001563595930000026
(23)译码器的最后一个卷积层采用sigmoid激活函数，编码器和译码器的其余各卷积层均采用ReLU激活函数并使用批归一化，全连接层采用线性激活函数。
(24)将译码输出的信道矩阵
Figure BDA0001563595930000027
与真实信道矩阵H的均方误差作为代价函数。
所述的模型参数主要包括全连接层的权重、偏置和卷积层的卷积核、偏置。
所述步骤(3)采用Adam优化算法和端到端的学习方式，联合训练编码器和译码器的参数,使代价函数最小，代价函数描述如下：
Figure BDA0001563595930000031
其中，T为训练集的所有样本数，||·||2为欧几里得范数。
步骤(22)所述的RefineNet单元包含一个输入层和三个卷积层，其中输入层数据与最后一个卷积层输出数据相加，作为RefineNet单元的输出。
有益效果：与现有技术相比，本发明的有益效果：用编码器取代传统压缩感知算法的随机测量，译码器取代传统迭代式重建算法，极大改善信道重建质量并获得数倍的算法速度提升，且在传统方案无法工作的极低压缩率上，仍可有效保留波束成形增益，从而在有限的资源开销下，实现信道状态信息的反馈。
附图说明
图1为本发明的CsiNet网络架构图；
图2为本发明的RefineNet单元结构图；
图3为本发明的角延迟域稀疏的信道矩阵示例图。
具体实施方式
以下将结合附图和一种COST 2100MIMO信道，对本发明做进一步详细说明。
一种基于深度学习的大规模MIMO信道状态信息反馈方法，通过数据驱动的编码器——译码器架构，在用户端用编码器将信道状态信息压缩编码为低维度码字，经反馈链路传送至基站端译码器并重建出信道状态信息，减少信道状态信息反馈开销，同时提高信道重建质量和速度，具体包括如下步骤：
(1)一种MIMO系统的下行链路中，基站端使用Nt＝32根发送天线，用户端使用单根接收天线，该MIMO系统采用OFDM载波调制方式，使用
Figure BDA0001563595930000032
个子载波。用COST 2100模型根据上述条件，在5.3GHz的室内微微蜂窝网场景产生15000个空频域信道矩阵的样本，并分成10000个样本的训练集、30000个样本的验证集以及20000个样本的测试集。对样本中每一个空频域的信道矩阵
Figure BDA0001563595930000033
用
Figure BDA0001563595930000034
和Nt×Nt(32×32)的DFT矩阵Fd和Fa，对
Figure BDA0001563595930000035
做二维DFT变换，得到角延迟域上稀疏的信道矩阵
Figure BDA0001563595930000036
即
Figure BDA0001563595930000037
因为多径到达时间之间的延迟在有限的时间范围内，所以在延迟域上，信道矩阵H只有在前W＝32
Figure BDA0001563595930000041
行上有值，因此保留其前W＝32行元素值，将其修正为32×32的信道矩阵
Figure BDA0001563595930000042
图3给出了一个H的示例，其中元素取绝对值。
(2)如图1的CsiNet架构中编码器部分所示设计用户端的编码器，将复数域信道矩阵
Figure BDA0001563595930000043
的实部和虚部拆分为两个均为32×32大小的实数矩阵，作为两通道的特征图输入编码器。编码器的第一层是一个两通道的卷积层，采用两个3×3大小的两通道卷积核与输入进行卷积，采用适当的零填充、ReLU激活函数和批归一化，使得该卷积层输出为两个32×32大小的特征图，即两个32×32大小的实数矩阵。将这两个矩阵拉直重组为一个2048×1的向量，输入编码器的第二层，即一个含有M个神经元的全连接层，采用线性激活函数，输出M×1的向量s，即为用户端要传送给基站端的压缩编码后的码字。
(3)如图1的CsiNet架构中译码器部分所示设计基站端的译码器，译码器包含一个全连接层，两个RefineNet单元和一个卷积层，RefineNet单元包含一个输入层和三个卷积层，以及一条将输入层数据加到最后一层的路径，如图2所示。第一层为包含2048个神经元的全连接层，以接收到的码字s为输入，采用线性激活函数，输出2048×1的向量。该向量输入译码器的第二层，即一个RefineNet单元，该单元的第一层为输入层，将输入的2048×1的向量重组为两个32×32大小的实数矩阵，分别作为估计的信道矩阵的实部和虚部的初始化。RefineNet的第二、三、四层均为卷积层，分别采用8个、16个和2个大小为3×3的卷积核，采用适当的零填充、ReLU激活函数和批归一化(batch normalization)，使得每次卷积后得到的特征图大小与原信道矩阵H大小一致，为32×32。此外，输入层的数据与第三个卷积层，即RefineNet的最后一层的数据相加，作为整个RefineNet的输出。该RefineNet的输出，即两个32×32大小的特征图，输入第二个RefineNet单元，其输入层复制上一个RefineNet单元的输出，其余部分与上一个RefineNet单元一样，且其输出的两个32×32大小的特征图输入译码器的最后一个卷积层，采用sigmoid激活函数，将输出值范围限制在[0,1]区间，从而该译码器的最终输出为两个32×32大小的实数矩阵，作为最终重建的信道矩阵
Figure BDA0001563595930000044
的实部和虚部。
(4)设计整个CsiNet架构的代价函数为译码器输出的信道矩阵
Figure BDA0001563595930000051
与真实信道矩阵H的均方误差，即代价函数为
Figure BDA0001563595930000052
其中T为训练集的所有样本数，||·||2为欧几里得范数。用(1)中产生的信道矩阵H的100000个训练集样本，采用Adam优化算法和端到端的学习方式，联合训练编码器和译码器的参数，主要包括权重、偏置和卷积核，使得代价函数最小，其中Adam算法中采用的学习率为0.001，每次迭代是使用训练集中的200个样本来计算梯度，并根据Adam算法的公式更新参数，以此方式遍历整个训练集1000次。训练过程中可用验证集选择性能好的模型，上述CsiNet模型即为经选择后的模型；测试集可以测试最终模型的性能。
(5)训练好的CsiNet模型即可用于MIMO系统的信道状态信息反馈。根据(1)所述将空频域信道状态信道信息变换为角延迟域的信道矩阵H，输入CsiNet架构，即可输出重建后的信道矩阵
Figure BDA0001563595930000053
将该矩阵进行二维逆DFT变换，即可恢复出原空频域的信道状态信息。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (4)

1.一种基于深度学习的大规模MIMO信道状态信息反馈方法，其特征在于，包括以下步骤：
(1)在用户端，对MIMO信道状态信息在空频域的信道矩阵
Figure FDA0002602784380000011
做二维离散傅立叶变换，获得在角延迟域稀疏的信道矩阵H；
(2)构建包括编码器和译码器的模型CsiNet，其中编码器属于用户端，将信道矩阵H编码为更低维度的码字，译码器属于基站端，从码字重建出原信道矩阵估计值
Figure FDA0002602784380000012
(3)对模型CsiNet进行训练，使得
Figure FDA0002602784380000013
和H尽可能接近，获得模型参数；
(4)对CsiNet输出的重建信道矩阵
Figure FDA0002602784380000014
进行二维逆DFT变换，恢复得到原始空频域的信道矩阵
Figure FDA0002602784380000015
重建值；
(5)将训练好的CsiNet模型用于信道信息的压缩感知和重建；
所述步骤(2)包括以下步骤：
(21)编码器包含一个卷积层和一个全连接层，随机初始化各层参数，将角延迟域稀疏的信道矩阵H作为编码器的输入，输出为比H维度低的一维向量，即为压缩编码后的码字s；
(22)将码字s反馈至基站端，通过基站端设计的译码器译码，译码器包含一个全连接层，两个RefineNet单元和一个卷积层，随机初始化各层参数，译码器以码字s为输入，输出与信道矩阵H同维度的重建信道矩阵
Figure FDA0002602784380000016
(23)译码器的最后一个卷积层采用sigmoid激活函数，编码器和译码器的其余各卷积层均采用ReLU激活函数并使用批归一化，全连接层采用线性激活函数；
(24)将译码输出的信道矩阵
Figure FDA0002602784380000017
与真实信道矩阵H的均方误差作为代价函数。
2.根据权利要求1所述的基于深度学习的大规模MIMO信道状态信息反馈方法，其特征在于，步骤(3)所述的模型参数主要包括全连接层的权重、偏置和卷积层的卷积核、偏置。
3.根据权利要求1所述的基于深度学习的大规模MIMO信道状态信息反馈方法，其特征在于，所述步骤(3)采用Adam优化算法和端到端的学习方式，联合训练编码器和译码器的参数,使代价函数最小，代价函数描述如下：
Figure FDA0002602784380000021
其中，T为训练集的所有样本数，||·||2为欧几里得范数。
4.根据权利要求1所述的基于深度学习的大规模MIMO信道状态信息反馈方法，其特征在于，步骤(22)所述的RefineNet单元包含一个输入层和三个卷积层，其中输入层数据与最后一个卷积层输出数据相加，作为RefineNet单元的输出。
CN201810090648.0A 2018-01-30 2018-01-30 一种基于深度学习的大规模mimo信道状态信息反馈方法 Active CN108390706B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810090648.0A CN108390706B (zh) 2018-01-30 2018-01-30 一种基于深度学习的大规模mimo信道状态信息反馈方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810090648.0A CN108390706B (zh) 2018-01-30 2018-01-30 一种基于深度学习的大规模mimo信道状态信息反馈方法

Publications (2)

Publication Number Publication Date
CN108390706A CN108390706A (zh) 2018-08-10
CN108390706B true CN108390706B (zh) 2020-10-27

Family

ID=63074846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810090648.0A Active CN108390706B (zh) 2018-01-30 2018-01-30 一种基于深度学习的大规模mimo信道状态信息反馈方法

Country Status (1)

Country Link
CN (1) CN108390706B (zh)

Families Citing this family (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019152849A1 (en) 2018-02-02 2019-08-08 Cornell University Channel charting in wireless systems
CN109394205B (zh) * 2018-09-30 2022-06-17 安徽心之声医疗科技有限公司 一种基于深度神经网络的心电信号分析方法
CN111098850A (zh) * 2018-10-25 2020-05-05 北京初速度科技有限公司 一种自动停车辅助系统及自动泊车方法
CN109672464B (zh) * 2018-12-13 2021-09-03 西安电子科技大学 基于fcfnn的大规模mimo信道状态信息反馈方法
CN109525292B (zh) * 2018-12-24 2021-08-13 东南大学 一种采用比特级优化网络的信道信息压缩反馈方法
TWI687063B (zh) 2019-01-04 2020-03-01 財團法人工業技術研究院 基於深度學習與通道狀態資訊之通訊系統及編解碼方法
CN111416642B (zh) * 2019-01-04 2023-02-17 财团法人工业技术研究院 基于深度学习与信道状态信息的通信系统及编解码方法
CN110166089B (zh) * 2019-05-24 2021-06-04 西华大学 基于深度学习的叠加编码csi反馈方法
CN110365612B (zh) * 2019-06-17 2020-08-14 浙江大学 一种基于近似消息传递算法的深度学习波束域信道估计方法
CN110311718B (zh) * 2019-07-05 2022-06-10 东南大学 一种大规模mimo信道状态信息反馈中的量化和逆量化方法
CN110460359A (zh) * 2019-07-08 2019-11-15 南京邮电大学 一种基于神经网络的mimo系统信号接收方法
CN110460402B (zh) * 2019-07-15 2021-12-07 哈尔滨工程大学 一种基于深度学习的端到端通信系统建立方法
CN110912598B (zh) * 2019-11-22 2020-08-28 中原工学院 基于长短时注意力机制的大规模mimo系统csi反馈方法
CN112838908B (zh) * 2019-11-22 2022-10-25 华为技术有限公司 基于深度学习的通信方法、装置及系统
CN111181671B (zh) * 2019-12-27 2022-01-11 东南大学 一种基于深度学习的下行信道快速重建方法
EP4092918A4 (en) * 2020-01-19 2022-12-28 Guangdong Oppo Mobile Telecommunications Corp., Ltd. METHOD AND DEVICE FOR COMMUNICATION
CN111464220B (zh) * 2020-03-10 2021-06-29 西安交通大学 一种基于深度学习的信道状态信息重建方法
CN111510402B (zh) * 2020-03-12 2021-08-27 西安电子科技大学 基于深度学习的ofdm信道估计方法
CN111404849B (zh) * 2020-03-20 2021-01-12 北京航空航天大学 一种基于深度学习的ofdm信道估计与信号检测方法
BR112022020225A2 (pt) * 2020-04-17 2022-11-22 Qualcomm Inc Rede neural configurável para aprendizagem por retroinformações de estado de canal (csf)
CN111555781B (zh) * 2020-04-27 2022-07-12 天津大学 一种基于深度学习注意力机制的大规模mimo信道状态信息压缩及重建方法
WO2021217519A1 (zh) * 2020-04-29 2021-11-04 华为技术有限公司 用于调整神经网络的方法和装置
CN111901024B (zh) * 2020-07-29 2021-11-05 燕山大学 基于抗拟合深度学习的mimo信道状态信息反馈方法
CN112054832B (zh) * 2020-09-08 2021-10-15 西安交通大学 一种深度学习多输入多输出检测方法
CN112564749B (zh) 2020-11-26 2021-09-14 北京邮电大学 一种非克罗奈克结构的信道重构方法、装置及设备
CN112615801B (zh) * 2020-12-16 2021-11-19 西安交通大学 基于压缩感知和深度学习的信道估计方法、介质及设备
CN112737985B (zh) * 2020-12-25 2023-04-07 东南大学 基于深度学习的大规模mimo信道联合估计和反馈方法
CN115134041A (zh) * 2021-03-25 2022-09-30 中兴通讯股份有限公司 信道状态信息传输方法、装置、终端、基站和存储介质
CN113660693B (zh) * 2021-06-25 2024-06-11 陕西尚品信息科技有限公司 一种应用于无线通信系统的信息传输方法
CN113660020A (zh) * 2021-06-25 2021-11-16 陕西尚品信息科技有限公司 一种无线通信信道信息传输方法、系统和解码器
CN113660058B (zh) * 2021-07-05 2024-01-23 广州大学 一种信道状态的信息反馈方法、装置、电子设备及介质
CN113556158B (zh) * 2021-07-21 2023-06-20 重庆工程学院 一种面向车联网的大规模mimo智能csi反馈方法
CN113556159A (zh) * 2021-07-22 2021-10-26 上海海事大学 一种大规模mimo多用户系统的信道反馈方法
CN113660015B (zh) * 2021-08-11 2022-08-16 东南大学 环境知识库辅助下在线无线信道获取优化方法
CN113726375B (zh) * 2021-08-17 2022-10-14 北京理工大学重庆创新中心 一种基于深度学习的信道信息压缩反馈重建方法
WO2023019585A1 (zh) * 2021-08-20 2023-02-23 北京小米移动软件有限公司 预编码模型训练方法、预编码方法和装置
CN114157331B (zh) * 2021-12-20 2023-11-24 扬州大学 基于伪复值输入的大规模mimo信道状态信息反馈方法
CN114553280A (zh) * 2022-02-21 2022-05-27 重庆邮电大学 一种基于深度学习大规模mimo系统的csi反馈方法
CN118541922A (zh) * 2022-03-15 2024-08-23 联发科技（新加坡）私人有限公司 用于多输入多输出（mimo）信道状态信息（csi）反馈的方法及装置
CN114884549A (zh) * 2022-05-06 2022-08-09 烟台中科网络技术研究所 基于深度学习的大规模mimo信道状态信息反馈方法
WO2024031420A1 (en) * 2022-08-10 2024-02-15 Qualcomm Incorporated Remote offline sequential network node encoder training
CN115549742B (zh) * 2022-09-01 2024-06-07 浙江大学 一种基于深度学习的csi压缩反馈方法
CN115865145A (zh) * 2022-11-29 2023-03-28 齐鲁工业大学 一种基于Transformer的大规模MIMO信道状态信息反馈方法
CN116633402B (zh) * 2023-04-27 2024-05-24 北京科技大学 一种基于vae的信道信息反馈重构方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009062909A1 (en) * 2007-11-15 2009-05-22 Nokia Siemens Networks Oy Reduced feedback dynamic codebook transmission method for multi-antenna systems
CN102215186A (zh) * 2011-05-04 2011-10-12 西安电子科技大学 基于ls-svm的时变tdd-mimo信道互易性补偿方法
CN105245263A (zh) * 2015-10-10 2016-01-13 重庆大学 一种基于压缩感知的下行信道状态信息获取方法
CN105763234A (zh) * 2016-02-25 2016-07-13 东南大学 毫米波mimo时域有限信道状态信息反馈方法及装置
CN105790813A (zh) * 2016-05-17 2016-07-20 重庆邮电大学 一种大规模mimo下基于深度学习的码本选择方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009062909A1 (en) * 2007-11-15 2009-05-22 Nokia Siemens Networks Oy Reduced feedback dynamic codebook transmission method for multi-antenna systems
CN102215186A (zh) * 2011-05-04 2011-10-12 西安电子科技大学 基于ls-svm的时变tdd-mimo信道互易性补偿方法
CN105245263A (zh) * 2015-10-10 2016-01-13 重庆大学 一种基于压缩感知的下行信道状态信息获取方法
CN105763234A (zh) * 2016-02-25 2016-07-13 东南大学 毫米波mimo时域有限信道状态信息反馈方法及装置
CN105790813A (zh) * 2016-05-17 2016-07-20 重庆邮电大学 一种大规模mimo下基于深度学习的码本选择方法

Also Published As

Publication number Publication date
CN108390706A (zh) 2018-08-10

Similar Documents

Publication Publication Date Title
CN108390706B (zh) 一种基于深度学习的大规模mimo信道状态信息反馈方法
CN110311718B (zh) 一种大规模mimo信道状态信息反馈中的量化和逆量化方法
CN110350958B (zh) 一种基于神经网络的大规模mimo的csi多倍率压缩反馈方法
CN108847876B (zh) 一种大规模mimo时变信道状态信息压缩反馈及重建方法
CN112737985B (zh) 基于深度学习的大规模mimo信道联合估计和反馈方法
CN111464220B (zh) 一种基于深度学习的信道状态信息重建方法
Chen et al. Deep learning-based implicit CSI feedback in massive MIMO
CN109672464B (zh) 基于fcfnn的大规模mimo信道状态信息反馈方法
Lu et al. Bit-level optimized neural network for multi-antenna channel quantization
WO2021203242A1 (zh) 基于深度学习的mimo多天线信号传输与检测技术
Liang et al. Deep learning and compressive sensing-based CSI feedback in FDD massive MIMO systems
CN113098804B (zh) 一种基于深度学习与熵编码的信道状态信息反馈方法
Liu et al. A Markovian model-driven deep learning framework for massive MIMO CSI feedback
CN111555781B (zh) 一种基于深度学习注意力机制的大规模mimo信道状态信息压缩及重建方法
CN110289898B (zh) 一种大规模mimo系统中基于1比特压缩感知的信道反馈方法
CN101207464B (zh) 广义格拉斯曼码本的反馈方法
CN114884549A (zh) 基于深度学习的大规模mimo信道状态信息反馈方法
CN116248156A (zh) 基于深度学习的大规模mimo信道状态信息反馈及重建方法
Lin et al. Deep learning phase compression for MIMO CSI feedback by exploiting FDD channel reciprocity
CN115865145A (zh) 一种基于Transformer的大规模MIMO信道状态信息反馈方法
CN113556158B (zh) 一种面向车联网的大规模mimo智能csi反馈方法
CN115549742A (zh) 一种基于深度学习的csi压缩反馈方法
CN114157331B (zh) 基于伪复值输入的大规模mimo信道状态信息反馈方法
Madadi et al. PolarDenseNet: A deep learning model for CSI feedback in MIMO systems
CN113660020A (zh) 一种无线通信信道信息传输方法、系统和解码器

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant