CN108847876A

CN108847876A - 一种大规模mimo时变信道状态信息压缩反馈及重建方法

Info

Publication number: CN108847876A
Application number: CN201810833351.9A
Authority: CN
Inventors: 金石; 王天奇; 韩瑜; 温朝凯
Original assignee: Southeast University
Current assignee: Southeast University
Priority date: 2018-07-26
Filing date: 2018-07-26
Publication date: 2018-11-20
Anticipated expiration: 2038-07-26
Also published as: CN108847876B

Abstract

本发明公开了一种大规模MIMO时变信道状态信息压缩反馈及重建方法，包括：获取信道矩阵序列，对T个信道矩阵分别做DFT变换，获得在角延迟域稀疏的信道矩阵序列；构建信道反馈及重建模型CsiNet‑LSTM，将信道矩阵序列输入编码器，输出码字；及将码字依次输入译码器中，输出重建信道矩阵序列；对信道反馈及重建模型进行训练，使得重建信道矩阵序列逐渐接近信道矩阵序列，以获得模型参数；对输出的重建信道矩阵序列中的每个信道矩阵进行二维逆DFT变换，恢复得到原始空频域矩阵序列的重建值；将待反馈和重建的信道状态信息输入模型，输出重建值。本发明可减小大规模MIMO信道信息的反馈开销，提高重建精度，特别是对压缩率的下降具有极好的鲁棒性。

Description

一种大规模MIMO时变信道状态信息压缩反馈及重建方法

技术领域

本发明涉及一种大规模MIMO时变信道状态信息压缩反馈及重建方法，属于通信技术领域。

背景技术

大规模MIMO(multiple-input multiple-output)系统已被公认为是第五代移动通信最具潜力的革命性技术之一。该技术在基站和用户端配置多根天线，当基站端获得下行信道状态信息(channel state information，CSI)时，可通过诸如预编码、波束成形等信道自适应技术，消除用户间干扰，同时利用空、时、频三个维度传输信息，从而大大提升系统容量。然而，在频分复用(frequency division duplexity，FDD)MIMO系统中，信道不具有互易性，在用户端获得的下行CSI需要通过反馈链路发送给基站端。反馈完整的CSI将带来巨大的资源开销，此外，随着天线数量大大增加，传统的减小反馈方案如基于量化和码本的有限反馈算法，也会出现量化误差增大、码本设计复杂、反馈开销线性增长等问题，因而不适用于大规模MIMO系统的信道反馈。

大规模天线阵列赋予了MIMO信道的空间相关性，并启发了一系列基于压缩感知的有限信道反馈方案。通过将CSI矩阵变换至某个基下的稀疏矩阵，并压缩采样为更低维度的码字，基于压缩感知的理论和相关优化算法，可以从该码字中重建出原CSI矩阵。然而，由于真实信道的不完美稀疏性，传统压缩感知算法需要进行复杂的信道结构先验假设和变换基的选择，且基于随机投影的压缩采样无法完整保留信道结构信息，这导致信道重建性能不佳。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，提供一种大规模MIMO时变信道状态信息压缩反馈及重建方法，解决FDD系统中CSI反馈开销大且信道重建性能不佳的问题，并且对压缩率的下降具有较强的鲁棒性。

本发明具体采用以下技术方案解决上述技术问题：

一种大规模MIMO时变信道状态信息压缩反馈及重建方法，包括以下步骤：

步骤1、获取由用户端移动引起的时变信道状态信息在空频域的信道矩阵序列{H_t}_T，对该序列中的T个信道矩阵分别做DFT变换，获得在角延迟域稀疏的信道矩阵序列{H'_t}_T，其中定义{H'_t}_T的序列长度即为T；

步骤2、构建包括编码器和译码器的信道反馈及重建模型CsiNet-LSTM，将所述信道矩阵序列{H'_t}_T输入模型的编码器中，输出压缩编码后的码字；及将压缩编码后的码字依次输入模型的译码器中，输出与信道矩阵序列{H'_t}_T同维度的重建信道矩阵序列

步骤3、对信道反馈及重建模型CsiNet-LSTM进行训练，使得重建信道矩阵序列逐渐接近信道矩阵序列{H'_t}_T，以获得模型参数；

步骤4、对信道反馈及重建模型CsiNet-LSTM输出的重建信道矩阵序列中的每个信道矩阵进行二维逆DFT变换，恢复得到原始空频域信道矩阵序列{H_t}_T的重建值；

步骤5、将待反馈和重建的信道状态信息输入已训练的信道反馈及重建模型CsiNet-LSTM中，由模型输出角延迟域重建信道矩阵序列并通过二维逆DFT变换恢复得到原始空频域信道矩阵序列的重建值。

进一步地，作为本发明的一种优选技术方案，所述步骤1获得在角延迟域稀疏的信道矩阵序列{H'_t}_T，包括以下步骤：

对于由用户端移动引起的时变信道，用户端以δt的时间间隔获得t时刻的空频域信道矩阵H_t，并将T个信道矩阵分为一组，构成信道矩阵序列{H_t}_T，其中T·δt不超过相干时间；

对信道矩阵序列{H_t}_T中的T个信道矩阵分别做DFT变换，获得在角延迟域稀疏的信道矩阵序列{H'_t}_T；

定义每个信道矩阵序列{H'_t}_T中第一个信道矩阵H'₁为主信道，其余T-1个信道矩阵为辅信道。

进一步地，作为本发明的一种优选技术方案：所述步骤2模型中译码器由CsiNet译码器和LSTM网络构成。

进一步地，作为本发明的一种优选技术方案：所述CsiNet译码器包含一个全连接层、两个RefineNet单元和一个卷积层。

进一步地，作为本发明的一种优选技术方案：所述步骤2中译码器将主信道压缩编码后的码字或同其中一个辅信道压缩编码后的码字合并后作为输入。

进一步地，作为本发明的一种优选技术方案，所述步骤3中采用代价函数使得重建信道矩阵序列逐渐接近信道矩阵序列{H'_t}_T，所述代价函数具体为：

其中，M为训练集的所有样本数，||·||₂为欧几里得范数；t为时刻；H'_t为信道矩阵；为重建信道矩阵。

进一步地，作为本发明的一种优选技术方案，所述步骤3中获得模型参数包括全连接层的权重、偏置，以及卷积层的卷积核、偏置和LSTM单元的权重、偏置。

本发明采用上述技术方案，能产生如下技术效果：

本发明改造在重建质量和运行速度上均超过传统压缩感知算法的CsiNet，使其具有记忆性，通过提取并结合信道在角延迟域的结构信息和在相干时间内的相关性信息，进一步提升重建精度，且在压缩率下降时，信道重建性能只有轻微损失。从而在有限的资源开销下，实现高效的信道状态信息的反馈。

本发明是基于深度学习的信道压缩及重建网络CsiNet-LSTM，该网络基于自动编码器架构，主要由神经网络中的卷积层和全连接层构成，通过端到端和数据驱动的训练方案，直接从信道样本中学习信道结构，得到有效压缩编码，并借助由卷积层构成的残差网络从中恢复出原始信道矩阵。该方案在重建精确度和时间性能上均超过了传统压缩感知方案。然而，CsiNet属于无记忆性网络，当运用于由用户端移动引起的时变信道时，需要对每一时刻的CSI做独立的压缩反馈及重建，重建性能随着压缩率的降低而下降。实际中，信道在相干时间内具有相关性。通过利用该时间上的相关性，在CsiNet的基础上提出有记忆的网络架构，可以提升重建性能对压缩率的鲁棒性。

因此，本发明可减小大规模MIMO信道信息的反馈开销，具有极高的重建精度，特别是对压缩率的下降具有极好的鲁棒性。

附图说明

图1是本发明方法采用的CsiNet-LSTM网络架构示意图。

具体实施方式

下面结合说明书附图对本发明的实施方式进行描述。

如图1所示，本发明设计了一种大规模MIMO时变信道状态信息压缩反馈及重建方法，该方法具体包括以下步骤：

步骤1、获取由用户端移动引起的时变信道状态信息在空频域的信道矩阵序列{H_t}_T，对该序列中的T个信道矩阵分别做离散傅里叶DFT变换，获得在角延迟域稀疏的信道矩阵序列{H'_t}_T,定义{H'_t}_T的序列长度即为T。其具体过程为：

(1)、对于由用户端移动引起的时变信道，用户端以δt的时间间隔获得t时刻的空频域信道矩阵H_t，并将T个信道矩阵分为一组，构成信道矩阵序列{H_t}_T，其中T·δt不超过相干时间，该矩阵序列即为待反馈的信道状态信息。

(2)、对信道矩阵序列{H_t}_T中的T个信道矩阵分别做DFT变换，获得在角延迟域稀疏的信道矩阵序列{H'_t}_T，定义{H'_t}_T的序列长度即为T。，

(3)、定义每个信道矩阵序列{H'_t}_T中第一个信道矩阵H'₁为主信道，其余T-1个信道矩阵为辅信道。

步骤2、构建包括编码器和译码器的信道反馈及重建模型CsiNet-LSTM，将所述信道矩阵序列{H'_t}_T输入模型的编码器中，输出压缩编码后的码字；及将压缩编码后的码字依次输入模型的译码器中，输出与信道矩阵序列{H'_t}_T同维度的重建信道矩阵序列其中编码器由CsiNet编码器构成，属于用户端，将每个信道矩阵H_t编码为更低维度的码字，译码器由CsiNet译码器和LSTM网络构成，属于基站端，从码字重建出原信道矩阵序列重建信道矩阵序列

其中，编码器为CsiNet编码器，包含一个卷积层和全连接层，输入角延迟域稀疏信道矩阵H'_t，输出维度低于H'_t的一维向量s_t，即为压缩编码后的码字。其中对于每组信道序列{H'_t}_T，主信道H'₁用较高压缩率的CsiNet编码器编码，产生维度较大的码字s₁，其余T-1个辅信道均用较低压缩率的CsiNet编码器编码，产生维度较小的码字s_t，其中2≤t≤T。

按δt的时间间隔，将码字序列{s_t}_T中的各码字依序反馈至基站端，通过基站端的译码器译码。译码器由CsiNet译码器和LSTM网络构成，其中CsiNet译码器包含一个全连接层，两个RefineNet单元和一个卷积层，LSTM网络包含三个相同的LSTM单元，时间步设为T，即LSTM单元可处理的序列长度为T，从而LSTM可处理由T个信道矩阵组成的序列{H'_t}_T。译码器依次输入码字s_t，输出与信道矩阵H'_t同维度的重建信道矩阵其中，主信道对应的码字s₁通过CsiNet译码器直接译码，辅信道对应的码字s_t(2≤t≤T)先与码字s₁和并，再通过CsiNet译码器译码。各CsiNet译码器的输出结果组合成序列长度为T的初始重建序列，作为LSTM网络的输入，并由LSTM网络输出最终重建信道矩阵序列

并且，所有辅信道使用的CsiNet编码器和CsiNet译码器均共享参数，即使用的是同一个CsiNet编码器和CsiNet译码器。

所述CsiNet译码器的最后一个卷积层采用sigmoid激活函数，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，LSTM单元中的各类门(即输入门，遗忘门，输出门)采用sigmoid激活函数，其余采用tanh激活函数。

步骤3、对信道反馈及重建模型CsiNet-LSTM进行训练，使得重建信道矩阵序列逐渐接近信道矩阵序列{H'_t}_T，以获得模型参数。

其中，本发明采用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，所述代价函数描述如下：

其中，M为训练集的所有样本数，||·||₂为欧几里得范数。

所述可获得的模型参数主要包括全连接层的权重、偏置；卷积层的卷积核、偏置以及LSTM单元的权重、偏置。

步骤4、对信道反馈及重建模型CsiNet-LSTM输出的重建信道矩阵序列中的每个信道矩阵进行二维逆DFT变换，恢复得到原始空频域的信道矩阵序列{H_t}_T的重建值

步骤5、将待反馈和重建的信道状态信息输入已训练的信道反馈及重建模型CsiNet-LSTM中，由模型输出角延迟域重建信道矩阵序列并通过二维逆DFT变换恢复得到原始空频域信道矩阵序列重建值。其具体过程如下：

(51)、初始化各LSTM单元的状态值。

(52)、在t＝1时刻，用户端获得空频域主信道H₁并做二维DFT变换，得到角延迟域稀疏信道矩阵H'₁，用较高压缩率的CsiNet编码器编码产生码字s₁。

(53)、将码字s₁反馈至基站端，输入CsiNet译码器和LSTM网络，输出主信道的重建信道矩阵进行二维逆DFT变换可获得空频域主信道重建值。此外，基站保留码字s₁。

(54)、在2≤t≤T时刻，用户端获得空频域辅信道H_t并做二维DFT变换，得到角延迟域稀疏信道矩阵H'_t，用同一个较低压缩率的CsiNet编码器产生码字s_t。

(55)、将码字s_t反馈至基站端，与码字s₁合并后输入CsiNet译码器和LSTM网络，输出辅信道的重建信道矩阵进行二维逆DFT变换可获得空频域辅信道重建值。通过获得空频域主信道重建值和空频域辅信道重建值，从而完成信道矩阵序列{H_t}_T的压缩反馈及重建。

(56)、重置各LSTM单元的状态值，重复步骤(52)-(55)，进行下一组信道矩阵序列的压缩反馈及重建。

为了验证本发明方法可减小大规模MIMO信道信息的反馈开销，具有极高的重建精度，特列举一个验证例进行说明。

本验证例是一种基于深度学习的大规模MIMO时变信道状态信息压缩反馈及重建方法，通过数据驱动的编码器和译码器架构，在用户端将相干时间内的待反馈信道组成信道序列，用不同压缩率的编码器将信道矩阵压缩编码为低维度码字，经反馈链路传送至基站端，由带记忆的译码器借助前一时刻信道信息并重建出当前信道矩阵，减少信道状态信息反馈开销，同时提高信道重建质量和对压缩率的鲁棒性，具体包括如下步骤：

步骤1、在一种FDD-OFDM系统中，基站端配置32根发送天线，用户端使用单根接收天线，该系统在1024个子载波上传输信息。根据上述条件，用COST2100模型在300MHz的室外场景产生信道样本，其中用户移动速度配置为3.24km/hr，则相干时间为0.56s。信道采样时间间隔设置为δt＝0.04s，将T＝10个信道矩阵组成一个序列，满足T·δt＜相干时间。在上述条件下产生100000个空频域信道矩阵序列{H_t}₁₀，并分为75000个样本的训练集、12500个样本的验证集和12500个样本的测试集。用1024×1024和32×32的DFT矩阵F_d和F_a，对序列中每个空频域信道矩阵H_t做二维DFT变换，即：由于多径时延扩展的有限性，H'_t仅在前32行有非零值，因此保留其前32行元素并修剪为￡^32×32的待反馈信道矩阵。

步骤2、如图1所示的CsiNet-LSTM架构中编码器部分设计用户端的编码器。将复数域信道矩阵H'_t∈￡^32×32的实部和虚部拆分为两个32×32大小的实数矩阵，作为两通道的特征图输入编码器。其中每个信道序列{H'_t}₁₀中的第一个信道矩阵为主信道，用较高压缩率的CsiNet编码器编码，产生M₁×1的码字s₁。其余9个信道矩阵为辅信道，用较低压缩率的CsiNet编码器编码，产生M₂×1的码字s_t，其中M₁＞M₂。所有辅信道共用同一个CsiNet编码器。

步骤3、如图1所示的CsiNet-LSTM架构中译码器部分所示设计基站端的译码器。译码器由CsiNet译码器和LSTM网络构成。其中主信道对应码字s₁直接输入CsiNet译码器，辅信道对应码字s_t与s₁级联后再输入CsiNet译码器。所有辅信道共用同一个CsiNet译码器。每个CsiNet译码器均输出两通道32×32大小的特征图。将每个两通道特征图拉直为2048×1的向量，作为LSTM网络的输入。LSTM网络含有三个相同的LSTM单元，每个LSTM单元含有2048个隐藏单元，从而LSTM网络输出2048×1的向量，将其重组为两个32×32大小的矩阵，作为最终重建的信道矩阵的实部和虚部。

步骤4、设计整个CsiNet-LSTM的代价函数为网络输出的重建信道序列和真实信道序列{H'_t}_T的均方误差，即为其中M为训练集样本数，||·||₂为欧几里得范数。用步骤1中产生的训练样本，采用Adam优化算法和端到端的学习方式，联合训练CsiNet编码器、CsiNet译码器和LSTM网络的参数，包括所有卷积层的卷积核、全连接层和LSTM单元的权重和偏置，使得代价函数最小。每次迭代使用训练集中100个样本计算梯度，根据Adam优化算法更新参数，以此方法遍历训练集1000次，其种采用动态学习率，即前期使用学习率为0.001，当代价函数值趋于稳定时采用0.0001学习率。训练过程中用验证集调整模型超参数，用测试集测试模型最终性能。

步骤5、训练好的CsiNet-LSTM模型即可用于FDD MIMO系统的时变信道反馈中。根据步骤1所述将待重建的空频域信道序列{H_t}_T变换为角延迟域信道序列{H'_t}_T，输入CsiNet-LSTM模型后即可输出重建后的角延迟域信道序列对该序列中每个矩阵进行二维逆DFT变换，即可恢复得到原空频域信道矩阵序列重建值

综上，本发明可改造在重建质量和运行速度上均超过传统压缩感知算法的CsiNet，使其具有记忆性，进一步提升重建精度，可减小大规模MIMO信道信息的反馈开销，特别是对压缩率的下降具有极好的鲁棒性，在有限的资源开销下，实现高效的信道状态信息的反馈。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims

1.一种大规模MIMO时变信道状态信息压缩反馈及重建方法，其特征在于，包括以下步骤：

步骤4、对信道反馈及重建模型CsiNet-LSTM输出的重建信道矩阵序列中的每个信道矩阵进行二维逆DFT变换，恢复得到原始空频域的信道矩阵序列{H_t}_T的重建值；

步骤5、将待反馈和重建的信道状态信息输入已训练的信道反馈及重建模型CsiNet-LSTM中，由模型输出角延迟域重建信道矩阵序列并通过二维逆DFT变换恢复得到原始空频域的信道矩阵序列的重建值。

2.根据权利要求1所述大规模MIMO时变信道状态信息压缩反馈及重建方法，其特征在于，所述步骤1获得在角延迟域稀疏的信道矩阵序列{H'_t}_T，包括以下步骤：

3.根据权利要求1所述大规模MIMO时变信道状态信息压缩反馈及重建方法，其特征在于：所述步骤2模型中译码器由CsiNet译码器和LSTM网络构成。

4.根据权利要求3所述大规模MIMO时变信道状态信息压缩反馈及重建方法，其特征在于：所述CsiNet译码器包含一个全连接层、两个RefineNet单元和一个卷积层。

5.根据权利要求2所述大规模MIMO时变信道状态信息压缩反馈及重建方法，其特征在于：所述步骤2中译码器将主信道压缩编码后的码字或同其中一个辅信道压缩编码后的码字合并后作为输入。

6.根据权利要求1所述大规模MIMO时变信道状态信息压缩反馈及重建方法，其特征在于，所述步骤3中采用代价函数使得重建信道矩阵序列逐渐接近信道矩阵序列{H'_t}_T，所述代价函数具体为：

7.根据权利要求1所述大规模MIMO时变信道状态信息压缩反馈及重建方法，其特征在于：所述步骤3中获得模型参数包括全连接层的权重、偏置，以及卷积层的卷积核、偏置和LSTM单元的权重、偏置。