CN109474316B - 一种基于深度循环神经网络的信道信息压缩反馈方法 - Google Patents
一种基于深度循环神经网络的信道信息压缩反馈方法 Download PDFInfo
- Publication number
- CN109474316B CN109474316B CN201811395382.7A CN201811395382A CN109474316B CN 109474316 B CN109474316 B CN 109474316B CN 201811395382 A CN201811395382 A CN 201811395382A CN 109474316 B CN109474316 B CN 109474316B
- Authority
- CN
- China
- Prior art keywords
- channel
- network
- output
- matrix
- tensor
- 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
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
- H04B7/06—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
- H04B7/0621—Feedback content
- H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
-
- 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
- H04B7/0621—Feedback content
- H04B7/0634—Antenna weights or vector/matrix coefficients
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于深度循环神经网络的信道信息压缩反馈方法,首先通过离散傅里叶变换将信道矩阵转化到角度‑时延域,然后保留信道矩阵中包含非零元素的列,并将这些列组成的复数矩阵拆分成双通道实数矩阵,用户侧首先利用卷积网络来抽取信道的频域特征,接着通过全连接神经网络和长短时间记忆网络对抽取的频域特征进行压缩,压缩信号通过系统反馈链路传输给基站,基站利用全连接神经网络和长短时间记忆网络对信号进行解压缩,并使用多层卷积神经网络对信道矩阵进行恢复重建。本发明通过引入循环神经网络,有效压缩了信道的时间冗余度,在保证较高性能的前提下提高了信道信息的压缩率。
Description
技术领域
本发明属于压缩感知、信道信息恢复技术领域,涉及信道信息压缩反馈方法,具体涉及一种基于深度循环神经网络的信道信息压缩反馈方法。
背景技术
毫米波多输入多输出(MIMO)是第五代移动通信的关键技术之一,该技术能够保证通信系统具备超高的系统容量,能量效率以及抗干扰能力。
在毫米波MIMO中,基站侧的天线数量通常十分庞大,这就导致了下行链路的导频信息和上行链路的反馈的信道状态信息(CSI)会占据大量的资源。压缩感知技术基于信道稀疏性的假设,能够较大程度地压缩信道信息并且能够较好地恢复出原有的信道信息。在较高的压缩率下,传统的基于压缩感知的信道压缩恢复方法已经不再适用,基于深度神经网络的端到端学习方法可以在特定信道条件下,在较高的压缩比下仍然能够保证良好的性能。但基于卷积神经网络的信道压缩恢复方法仅仅挖掘了信道的频域和空间域的冗余,而在毫米波通信中,信道状态通常都是缓慢时变的,这就使得信道在时序上仍然存在大量冗余。
发明内容
为解决现有方法在信道压缩反馈问题上未考虑时间冗余,反馈精度较低的问题,本发明提出了一种基于深度循环神经网络的信道信息压缩反馈方法,引入循环神经网络,利用循环神经网络的记忆特性更好地压缩时序上的冗余度。
为了达到上述目的,本发明提供如下技术方案:
一种基于深度循环神经网络的信道信息压缩反馈方法,包括如下步骤:
预处理步骤:
用户将正交频分复用(OFDM)系统中每个子载波上的信道响应向量堆叠成完整的信道响应矩阵,记为H;
对H进行二维离散傅里叶变换,将其转换到角度-时延域,然后将得到的角度-时延域的信道矩阵裁剪,只保留含有非零元素的列;
将裁剪后得到的信道矩阵按实部和虚部进行拆分,并将拆分得到的矩阵元素进行归一化操作;
编码压缩步骤:
利用卷积网络抽取信道的频域特征,并将卷积层输出的信息转化成一维张量;接着通过全连接神经网络和长短时间记忆网络各自输出后在末端相加,对抽取的频域特征进行压缩;压缩信号通过系统反馈链路传输给基站;
解码恢复步骤:
基站通过全连接神经网络和长短时间记忆网络各自输出后在末端相加对信号进行解压缩;将解压缩后的信号转化成三维张量;使用多层卷积神经网络对信道矩阵进行恢复重建。
进一步的,压缩反馈方法具体包括如下步骤:
1)对于一个具有Nc个子载波的OFDM系统,设基站端配置Nt根天线,用户端配置单根天线,令第n个子载波上接收到的信道响应为hn,将Nc个子载波上的信道响应进行堆叠,得到完整的信道响应矩阵其中上标T表示矩阵的转置;
3)对角度-时延域的信道矩阵进行裁剪,仅保留中含有非零元素的那些列,将裁剪后的信道矩阵按照实部和虚部数值进行拆分,则得到两个大小为的实数矩阵;将这两个实数矩阵堆叠得到一个大小的三维张量,对该张量进行归一化操作,得到预处理后的信道矩阵
5)采用一个包含3×3×2×2卷积核的卷积层抽取信道的频域特征,卷积操作计算公式为:
其中x、y、W和b分别代表卷积层的输入张量、输出张量、卷积核加权参数以及卷积核偏置参数,其维度大小分别为3×3×2×2和2。xi+a,j+b,c代表张量x中位置为(i+a,j+b,c)的元素,yi,j,d代表张量y中位置为(i,j,d)的元素,Wa,b,c,d代表张量W中位置为(a,b,c,d)的元素,bd代表张量b中位置为d的元素,将卷积层的输出张量y通过一个激活函数,该激活函数定义为:
6)本步骤输入和输出均为一维张量,其大小分别为N和M,N<M,将全连接神经网络的输出和长短时间记忆网络的输出在末端相加,对抽取的频域特征进行压缩;全连接神经网络的计算公式为:
其中x、y、W和b分别为全连接网络的输入张量、输出张量、加权参数以及偏置参数,xj、yi、Wi,j和bi分别代表x、y、W和b中索引为j、i、(i,j)和i的元素的值;长短时间记忆网络的计算公式为:
其中xt和yt分别为t时刻长段时间记忆网络的输入张量和输出张量,W、U和b为长短时间记忆网络中的训练参数,ft、it、ot、Ct和ct为t时刻长段时间记忆网络中间变量f、i、o、C和c的值,σ为典型的逻辑斯谛函数,tanh为双曲正切函数,⊙为哈达马乘积;
7)将全连接神经网络的输出和长短时间记忆网络的输出在末端相加,对信号进行解压缩;
9)通过两次三层卷积操作对信道信息进行恢复,每次卷积操作采用三个卷积层,每个卷积层卷积核的大小分别为3×3×2×8、3×3×8×16和3×3×16×2,且每个卷积层采用LeakyRELU()激活函数,每次三层卷积操作的最终输出由其输入和第三个卷积层的输出相加得到,网络最后使用一个3×3×2×2大小的卷积操作并使用逻辑斯谛函数将输出幅度限制在(0,1)之间。
本发明还提供了用于信道信息压缩反馈的神经网络,包括:依次连接的信道信息抽取模块、信道特征压缩模块、信道特征解压缩模块和信道信息恢复模块;所述信道信息抽取模块包括一个卷积层以及维度重构单元,维度重构单元用于将卷积层输出的信息转化成一维张量;信道特征压缩模块包括并联的全连接神经网络和长短时间记忆网络,两网络输出在末端相加;信道特征解压缩模块包括并联的全连接神经网络和长短时间记忆网络,两网络输出在末端相加;信道信息恢复模块包括维度重构单元、两个串联的残差网络子模块、以及逻辑斯谛函数,维度重构单元用于转化成三维张量;逻辑斯谛函数用于将输出幅度限制在(0,1)之间。
进一步的,所述信道信息抽取模块中的卷积层包含3×3×2×2卷积核,所述残差网络子模块包括卷积核的大小分别为3×3×2×8、3×3×8×16和3×3×16×2的三个卷积层,每个残差网络子模块的最终输出由该模块的输入和第三个卷积层的输出相加得到。
进一步的,残差网络子模块的每个卷积层中采用LeakyRELU()激活函数。
进一步的,本发明还提供了上述神经网络的构建方法,包括如下步骤:
1)对于一个具有Nc个子载波的OFDM系统,设基站端配置Nt根天线,用户端配置单根天线,令第n个子载波上接收到的信道响应为hn,将Nc个子载波上的信道响应进行堆叠,得到完整的信道响应矩阵其中上标T表示矩阵的转置;
3)对角度-时延域的信道矩阵进行裁剪,仅保留中含有非零元素的那些列,将裁剪后的信道矩阵按照实部和虚部数值进行拆分,则得到两个大小为的实数矩阵,将这两个实数矩阵堆叠得到一个大小的三维张量,对该张量进行归一化操作,得到预处理后的信道矩阵
5)使用一个包含3×3×2×2卷积核的卷积层来构造信道抽取模块,卷积操作计算公式为:
其中x、y、W和b分别代表卷积层的输入张量、输出张量、卷积核加权参数以及卷积核偏置参数,其维度大小分别为3×3×2×2和2。xi+a,j+b,c代表张量x中位置为(i+a,j+b,c)的元素,yi,j,d代表张量y中位置为(i,j,d)的元素,Wa,b,c,d代表张量W中位置为(a,b,c,d)的元素,bd代表张量b中位置为d的元素,将卷积层的输出张量y通过一个激活函数,该激活函数定义为:
6)使用一个全连接神经网络和一个循环神经网络并联构成信道特征压缩模块,信道特征压缩模块的输入和输出均为一维张量,其大小分别为N和M,N<M,将全连接神经网络的输出和长短时间记忆网络的输出在末端相加,全连接神经网络的计算公式为:
其中x、y、W和b分别为全连接网络的输入张量、输出张量、加权参数以及偏置参数,xj、yi、Wi,j和bi分别代表x、y、W和b中索引为j、i、(i,j)和i的元素的值,长短时间记忆网络的计算公式为:
其中xt和yt分别为t时刻长段时间记忆网络的输入张量和输出张量,W、U和b为长短时间记忆网络中的训练参数,ft、it、ot、Ct和ct为t时刻长段时间记忆网络中间变量f、i、o、C和c的值,σ为典型的逻辑斯谛函数,tanh为双曲正切函数,⊙为哈达马乘积;
8)使用一个全连接神经网络和一个长短时间记忆网络并联组成信道特征解压缩模块,并且将这两个网络的输出进行相加;
9)使用两个相同的子模块串联构成信道信息恢复模块,每个模块含有三个卷积层,每个卷积层卷积核的大小分别为3×3×2×8、3×3×8×16和3×3×16×2,且每个卷积层采用LeakyRELU()激活函数,每个模块的最终输出由该模块的输入和第三个卷积层的输出相加得到,网络最后使用一个3×3×2×2大小的卷积操作并使用逻辑斯谛函数将输出幅度限制在(0,1)之间;
10)训练开始前随机初始化网络参数,训练过程中利用梯度下降法最小化如下损失函数:
其中E{}表示期望,fe和fd表示编码网络和解码网络的计算函数,θe和θd表示编码网络和解码网络的参数,Ht(i,j)表示t时刻输入网络的信道矩阵(i,j)位置处的元素的数值大小,||表示取模函数;
11)将训练好的编码网络和解码网络分别部署在用户侧和基站侧。
与现有技术相比,本发明具有如下优点和有益效果:
本发明采用经过训练的循环神经网络,能够很好的捕捉到时序特征,有效压缩了信道的时间冗余度,能更高效地进行信道压缩反馈,在保证较高性能的前提下提高了信道信息的压缩率,且其实现过程简单,提高效率。
附图说明
图1为本发明中神经网络框架图。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明基于如图1所示的神经网络实现,该网络由四个模块组成,分别为信道信息抽取模块、信道特征压缩模块、信道特征解压缩模块和信道信息恢复模块。信道信息抽取模块包括一个包含3×3×2×2卷积核的卷积层,以及维度重构单元,维度重构单元用于将卷积层输出的信息转化成一维张量。信道特征压缩模块包括并联的全连接神经网络和长短时间记忆网络,两网络输出在末端相加。信道特征解压缩模块包括并联的全连接神经网络和长短时间记忆网络,两网络输出在末端相加。信道信息恢复模块包括维度重构单元、两个串联的残差网络子模块、以及逻辑斯谛函数,维度重构单元用于转化成三维张量。每个残差网络子模块包括卷积核的大小分别为3×3×2×8、3×3×8×16和3×3×16×2的三个卷积层,每个残差网络子模块的最终输出由该模块的输入和第三个卷积层的输出相加得到。逻辑斯谛函数用于将输出幅度限制在(0,1)之间。
深度循环神经网络的构建过程具体包括如下步骤:
1)对于一个具有Nc个子载波的OFDM系统,设基站端配置Nt根天线,用户端配置单根天线,令第n个子载波上接收到的信道响应为hn,将Nc个子载波上的信道响应进行堆叠,得到完整的信道响应矩阵其中上标T表示矩阵的转置;
3)对角度-时延域的信道矩阵进行裁剪,仅保留中含有非零元素的那些列,根据无线信道的特点一般可假设保留矩阵的第1至列,其中为一个小于Nc的常数。将裁剪后的信道矩阵按照实部和虚部数值进行拆分,则可以得到两个大小为的实数矩阵。将这两个实数矩阵堆叠得到一个大小的三维张量,对该张量进行归一化操作,得到预处理后的信道矩阵
5)使用一个包含3×3×2×2卷积核的卷积层来构造信道抽取模块,卷积操作计算公式为:
其中x、y、W和b分别代表卷积层的输入张量、输出张量、卷积核加权参数以及卷积核偏置参数,其维度大小分别为3×3×2×2和2。xi+a,j+b,c代表张量x中位置为(i+a,j+b,c)的元素,yi,j,d代表张量y中位置为(i,j,d)的元素,Wa,b,c,d代表张量W中位置为(a,b,c,d)的元素,bd代表张量b中位置为d的元素。将卷积层的输出张量y通过一个激活函数,该激活函数定义为:
6)使用一个全连接神经网络和一个循环神经网络并联构成信道特征压缩模块,信道特征压缩模块的输入和输出均为一维张量,其大小分别为N和M,N<M。将全连接神经网络的输出和长短时间记忆网络的输出在末端相加。全连接神经网络的计算公式为:
其中x、y、W和b分别为全连接网络的输入张量、输出张量、加权参数以及偏置参数,xj、yi、Wi,j和bi分别代表x、y、W和b中索引为j、i、(i,j)和i的元素的值。长短时间记忆网络的计算公式为:
其中xt和yt分别为t时刻长段时间记忆网络的输入张量和输出张量,W、U和b为长短时间记忆网络中的训练参数,ft、it、ot、Ct和ct为t时刻长段时间记忆网络中间变量f、i、o、C和c的值,σ为典型的逻辑斯谛函数,tanh为双曲正切函数,⊙为哈达马乘积;
8)使用一个全连接神经网络和一个长短时间记忆网络(两网络公式同步骤(6)中计算公式)并联组成信道特征解压缩模块,并且将这两个网络的输出进行相加;
9)使用两个相同的子模块串联构成信道信息恢复模块。每个模块含有三个卷积层,每个卷积层卷积核的大小分别为3×3×2×8、3×3×8×16和3×3×16×2,且每个卷积层采用LeakyRELU()激活函数,每个模块的最终输出由该模块的输入和第三个卷积层的输出相加得到,网络最后使用一个3×3×2×2大小的卷积操作并使用逻辑斯谛函数将输出幅度限制在(0,1)之间;
10)训练开始前随机初始化网络参数,训练过程中利用梯度下降法最小化如下损失函数:
其中E{}(把大括号里面的g去掉)表示期望,fe和fd表示编码网络和解码网络的计算函数,θe和θd表示编码网络和解码网络的参数,Ht(i,j)表示t时刻输入网络的信道矩阵(i,j)位置处的元素的数值大小,||表示取模函数;
11)将训练好的编码网络和解码网络分别部署在用户侧和基站侧。
部署好网络之后,即可实现基于深度循环神经网络的信道信息压缩反馈方法,该方法具体包括:上述构建过程的1)-3)预处理步骤,此外还包括以下两个主要步骤:
编码步骤:将归一化后的信道矩阵送入编码网络,经过特征抽取和特征压缩模块将其压缩成为一个码字,然后通过反馈链路发送给基站。
解码步骤:基站将接收到的码字送入解码网络,经过特征解压缩和特征恢复模块恢复出原来的信道矩阵。
其中,编码步骤具体包括如下过程:
利用信道特征抽取模块中的卷积网络来抽取信道的频域特征,并将卷积层输出的信息转化成一维张量;接着通过全连接神经网络和长短时间记忆网络各自输出后在末端相加,对抽取的频域特征进行压缩;压缩信号通过系统反馈链路传输给基站。本步骤中各网络即采用上述构建过程中的相关公式进行运算,具体同上述4)、5)、6)步骤(除构建神经网络以外的部分)。
解码步骤具体包括如下过程:
基站中特征解压缩模块通过全连接神经网络和长短时间记忆网络各自输出后在末端相加对信号进行解压缩;信道特征解压缩模块的输出转化成三维张量;使用多层卷积神经网络对信道矩阵进行恢复重建。本步骤中各网络即采用上述构建过程中的相关公式进行运算,具体同上述7)、8)、9)步骤(除构建神经网络以外的部分)。
表1为在COST2100信道条件下,传统神经网络Cs-CsiNet、CsiNet和我们网络的性能表现,很显然,我们所提出的方法在各个压缩率下相较于不考虑时序特征的CS-CsiNet和CsiNet方法有明显的性能增益。
表1标准化均方误差性能比较(dB)
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种基于深度循环神经网络的信道信息压缩反馈方法,其特征在于,包括如下步骤:
预处理步骤:
用户将正交频分复用(OFDM)系统中每个子载波上的信道响应向量堆叠成完整的信道响应矩阵,记为H;
对H进行二维离散傅里叶变换,将其转换到角度-时延域,然后将得到的角度-时延域的信道矩阵裁剪,只保留含有非零元素的列;
将裁剪后得到的信道矩阵按实部和虚部进行拆分,并将拆分得到的矩阵元素进行归一化操作;
编码压缩步骤:
利用卷积网络抽取信道的频域特征,并将卷积层输出的信息转化成一维张量;接着通过全连接神经网络和长短时间记忆网络各自输出后在末端相加,对抽取的频域特征进行压缩;压缩信号通过系统反馈链路传输给基站;
全连接神经网络的计算公式为:
其中x、y、W和b分别为全连接网络的输入张量、输出张量、加权参数以及偏置参数,xj、yi、Wi,j和bi分别代表x、y、W和b中索引为j、i、(i,j)和i的元素的值,长短时间记忆网络的计算公式为:
其中xt和yt分别为t时刻长段时间记忆网络的输入张量和输出张量,W、U和b为长短时间记忆网络中的训练参数,ft、it、ot、Ct和ct为t时刻长段时间记忆网络中间变量f、i、o、C和c的值,σ为典型的逻辑斯谛函数,tanh为双曲正切函数,⊙为哈达马乘积;
解码恢复步骤:
基站通过全连接神经网络和长短时间记忆网络各自输出后在末端相加对信号进行解压缩;将解压缩后的信号转化成三维张量;使用多层卷积神经网络对信道矩阵进行恢复重建。
2.根据权利要求1所述的基于深度循环神经网络的信道信息压缩反馈方法,其特征在于,具体包括如下步骤:
1)对于一个具有Nc个子载波的OFDM系统,设基站端配置Nt根天线,用户端配置单根天线,令第n个子载波上接收到的信道响应为hn,将Nc个子载波上的信道响应进行堆叠,得到完整的信道响应矩阵其中上标T表示矩阵的转置;
3)对角度-时延域的信道矩阵进行裁剪,仅保留中含有非零元素的那些列,将裁剪后的信道矩阵按照实部和虚部数值进行拆分,则得到两个大小为的实数矩阵;将这两个实数矩阵堆叠得到一个大小的三维张量,对该张量进行归一化操作,得到预处理后的信道矩阵 为一个小于Nc的常数;
5)采用一个包含3×3×2×2卷积核的卷积层抽取信道的频域特征,卷积操作计算公式为:
其中x、y、W和b分别代表卷积层的输入张量、输出张量、卷积核加权参数以及卷积核偏置参数,其维度大小分别为3×3×2×2和2,xi+a,j+b,c代表张量x中位置为(i+a,j+b,c)的元素,yi,j,d代表张量y中位置为(i,j,d)的元素,Wa,b,c,d代表张量W中位置为(a,b,c,d)的元素,bd代表参数b中位置为d的元素,将卷积层的输出张量y通过一个激活函数,该激活函数定义为:
6)本步骤输入和输出均为一维张量,其大小分别为N和M,N<M,将全连接神经网络的输出和长短时间记忆网络的输出在末端相加,对抽取的频域特征进行压缩;
7)将全连接神经网络的输出和长短时间记忆网络的输出在末端相加,对信号进行解压缩;
9)通过两次三层卷积操作对信道信息进行恢复,每次卷积操作采用三个卷积层,每个卷积层卷积核的大小分别为3×3×2×8、3×3×8×16和3×3×16×2,且每个卷积层采用LeakyRELU()激活函数,每次三层卷积操作的最终输出由其输入和第三个卷积层的输出相加得到,网络最后使用一个3×3×2×2大小的卷积操作并使用逻辑斯谛函数将输出幅度限制在(0,1)之间。
4.用于信道信息压缩反馈的神经网络,其特征在于,包括:依次连接的信道信息抽取模块、信道特征压缩模块、信道特征解压缩模块和信道信息恢复模块;所述信道信息抽取模块包括一个卷积层以及维度重构单元,维度重构单元用于将卷积层输出的信息转化成一维张量;信道特征压缩模块包括并联的全连接神经网络和长短时间记忆网络,两网络输出在末端相加;
信道特征压缩模块对信道矩阵进行预处理,其输入和输出均为一维张量,其大小分别为N和M,N<M,将全连接神经网络的输出和长短时间记忆网络的输出在末端相加,全连接神经网络的计算公式为:
其中x、y、W和b分别为全连接网络的输入张量、输出张量、加权参数以及偏置参数,xj、yi、Wi,j和bi分别代表x、y、W和b中索引为j、i、(i,j)和i的元素的值,长短时间记忆网络的计算公式为:
其中xt和yt分别为t时刻长段时间记忆网络的输入张量和输出张量,W、U和b为长短时间记忆网络中的训练参数,ft、it、ot、Ct和ct为t时刻长段时间记忆网络中间变量f、i、o、C和c的值,σ为典型的逻辑斯谛函数,tanh为双曲正切函数,⊙为哈达马乘积;
信道特征解压缩模块包括并联的全连接神经网络和长短时间记忆网络,两网络输出在末端相加;信道信息恢复模块包括维度重构单元、两个串联的残差网络子模块、以及逻辑斯谛函数,维度重构单元用于转化成三维张量;逻辑斯谛函数用于将输出幅度限制在(0,1)之间。
5.根据权利要求4所述的用于信道信息压缩反馈的神经网络,其特征在于,所述信道信息抽取模块中的卷积层包含3×3×2×2卷积核,所述残差网络子模块包括卷积核的大小分别为3×3×2×8、3×3×8×16和3×3×16×2的三个卷积层,每个残差网络子模块的最终输出由该模块的输入和第三个卷积层的输出相加得到。
6.根据权利要求5所述的用于信道信息压缩反馈的神经网络,其特征在于,残差网络子模块的每个卷积层中采用LeakyRELU()激活函数。
7.用于信道信息压缩反馈的神经网络的构建方法,其特征在于,包括如下步骤:
1)对于一个具有Nc个子载波的OFDM系统,设基站端配置Nt根天线,用户端配置单根天线,令第n个子载波上接收到的信道响应为hn,将Nc个子载波上的信道响应进行堆叠,得到完整的信道响应矩阵其中上标T表示矩阵的转置;
3)对角度-时延域的信道矩阵进行裁剪,仅保留中含有非零元素的那些列,将裁剪后的信道矩阵按照实部和虚部数值进行拆分,则得到两个大小为的实数矩阵,将这两个实数矩阵堆叠得到一个大小的三维张量,对该张量进行归一化操作,得到预处理后的信道矩阵 为一个小于Nc的常数;
5)使用一个包含3×3×2×2卷积核的卷积层来构造信道抽取模块,卷积操作计算公式为:
其中x、y、W和b分别代表卷积层的输入张量、输出张量、卷积核加权参数以及卷积核偏置参数,其维度大小分别为3×3×2×2和2,xi+a,j+b,c代表张量x中位置为(i+a,j+b,c)的元素,yi,j,d代表张量y中位置为(i,j,d)的元素,Wa,b,c,d代表张量W中位置为(a,b,c,d)的元素,bd代表参数b中位置为d的元素,将卷积层的输出张量y通过一个激活函数,该激活函数定义为:
6)使用一个全连接神经网络和一个循环神经网络并联构成信道特征压缩模块,信道特征压缩模块的输入和输出均为一维张量,其大小分别为N和M,N<M,将全连接神经网络的输出和长短时间记忆网络的输出在末端相加,全连接神经网络的计算公式为:
其中x、y、W和b分别为全连接网络的输入张量、输出张量、加权参数以及偏置参数,xj、yi、Wi,j和bi分别代表x、y、W和b中索引为j、i、(i,j)和i的元素的值,长短时间记忆网络的计算公式为:
其中xt和yt分别为t时刻长段时间记忆网络的输入张量和输出张量,W、U和b为长短时间记忆网络中的训练参数,ft、it、ot、Ct和ct为t时刻长段时间记忆网络中间变量f、i、o、C和c的值,σ为典型的逻辑斯谛函数,tanh为双曲正切函数,⊙为哈达马乘积;
8)使用一个全连接神经网络和一个长短时间记忆网络并联组成信道特征解压缩模块,并且将这两个网络的输出进行相加;
9)使用两个相同的子模块串联构成信道信息恢复模块,每个模块含有三个卷积层,每个卷积层卷积核的大小分别为3×3×2×8、3×3×8×16和3×3×16×2,且每个卷积层采用LeakyRELU()激活函数,每个模块的最终输出由该模块的输入和第三个卷积层的输出相加得到,网络最后使用一个3×3×2×2大小的卷积操作并使用逻辑斯谛函数将输出幅度限制在(0,1)之间;
10)训练开始前随机初始化网络参数,训练过程中利用梯度下降法最小化如下损失函数:
其中E{}表示期望,fe和fd表示编码网络和解码网络的计算函数,θe和θd表示编码网络和解码网络的参数,Ht(i,j)表示t时刻输入网络的信道矩阵(i,j)位置处的元素的数值大小,||表示取模函数;
11)将训练好的编码网络和解码网络分别部署在用户侧和基站侧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811395382.7A CN109474316B (zh) | 2018-11-22 | 2018-11-22 | 一种基于深度循环神经网络的信道信息压缩反馈方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811395382.7A CN109474316B (zh) | 2018-11-22 | 2018-11-22 | 一种基于深度循环神经网络的信道信息压缩反馈方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109474316A CN109474316A (zh) | 2019-03-15 |
CN109474316B true CN109474316B (zh) | 2021-11-09 |
Family
ID=65673138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811395382.7A Active CN109474316B (zh) | 2018-11-22 | 2018-11-22 | 一种基于深度循环神经网络的信道信息压缩反馈方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109474316B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110350958B (zh) * | 2019-06-13 | 2021-03-16 | 东南大学 | 一种基于神经网络的大规模mimo的csi多倍率压缩反馈方法 |
CN110289862B (zh) * | 2019-06-20 | 2023-04-28 | 成都有据量化科技有限公司 | 金融数据的压缩和解压方法、装置以及存储介质 |
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 |
WO2021237423A1 (zh) * | 2020-05-25 | 2021-12-02 | Oppo广东移动通信有限公司 | 一种信道状态信息传输方法、电子设备及存储介质 |
CN113824479A (zh) * | 2020-06-19 | 2021-12-21 | 株式会社Ntt都科摩 | 无线通信系统的终端、基站以及由终端和基站执行的方法 |
CN113938907A (zh) * | 2020-07-13 | 2022-01-14 | 华为技术有限公司 | 通信的方法及通信装置 |
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 |
WO2022073162A1 (en) * | 2020-10-08 | 2022-04-14 | Qualcomm Incorporated | Compression and segmenting for communicating parameters of a neural network configuration |
CN112468203B (zh) * | 2020-11-19 | 2022-07-26 | 杭州勒贝格智能系统股份有限公司 | 深度迭代神经网络用低秩csi反馈方法、存储介质及设备 |
CN112600596B (zh) * | 2020-12-04 | 2022-02-11 | 南京邮电大学 | 基于张量并行压缩的毫米波系统信道反馈方法 |
CN112613431B (zh) * | 2020-12-28 | 2021-06-29 | 中北大学 | 一种泄漏气体自动识别方法、系统及装置 |
CN115133964A (zh) * | 2021-03-25 | 2022-09-30 | 中兴通讯股份有限公司 | 压缩码本的发送方法、信道状态信息矩阵的获取方法 |
CN113346966A (zh) * | 2021-05-27 | 2021-09-03 | 上海电机学院 | 一种智能电网无人机巡检通信子系统信道反馈方法 |
CN115915266A (zh) * | 2021-08-11 | 2023-04-04 | 华为技术有限公司 | 一种信道信息反馈、恢复方法及装置 |
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 |
CN116436500A (zh) * | 2021-12-31 | 2023-07-14 | 展讯通信(上海)有限公司 | 信道数据处理或反处理方法与装置、终端和网络设备 |
CN116723066A (zh) * | 2022-02-24 | 2023-09-08 | 中国移动通信有限公司研究院 | 一种信道压缩、恢复方法、装置及设备 |
CN116828499A (zh) * | 2022-03-22 | 2023-09-29 | 维沃移动通信有限公司 | 信道特征信息传输方法、装置、终端及网络侧设备 |
CN115426013B (zh) * | 2022-08-31 | 2024-08-27 | 东南大学 | 基于无监督学习的ris辅助通信系统预编码与相移方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102546128A (zh) * | 2012-02-23 | 2012-07-04 | 广东白云学院 | 用于多通道盲反卷积级联神经网络的方法 |
CN108847876A (zh) * | 2018-07-26 | 2018-11-20 | 东南大学 | 一种大规模mimo时变信道状态信息压缩反馈及重建方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180284753A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for data storage and communication in an internet of things chemical production process |
US9875747B1 (en) * | 2016-07-15 | 2018-01-23 | Google Llc | Device specific multi-channel data compression |
-
2018
- 2018-11-22 CN CN201811395382.7A patent/CN109474316B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102546128A (zh) * | 2012-02-23 | 2012-07-04 | 广东白云学院 | 用于多通道盲反卷积级联神经网络的方法 |
CN108847876A (zh) * | 2018-07-26 | 2018-11-20 | 东南大学 | 一种大规模mimo时变信道状态信息压缩反馈及重建方法 |
Non-Patent Citations (2)
Title |
---|
Compressive Sensing Based Channel Estimation for MIMO-OFDM Systems;Weisi Kong;《2018 13th IEEE Conference on industrial Electronics and Applications》;20180628;全文 * |
低信噪比下TDCS的压缩感知稀疏信道估计;苏玉泽;《计算机仿真》;20160131;第33卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109474316A (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109474316B (zh) | 一种基于深度循环神经网络的信道信息压缩反馈方法 | |
CN109525292B (zh) | 一种采用比特级优化网络的信道信息压缩反馈方法 | |
CN112737985B (zh) | 基于深度学习的大规模mimo信道联合估计和反馈方法 | |
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 | |
CN109743268B (zh) | 基于深度神经网络的毫米波信道估计和压缩方法 | |
Lu et al. | MIMO channel information feedback using deep recurrent network | |
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 | |
CN113748614A (zh) | 一种信道估计模型训练方法及设备 | |
CN109861731B (zh) | 一种混合预编码器及其设计方法 | |
WO2022206747A1 (zh) | 基于二值化神经网络的高效mimo信道反馈方法及装置 | |
CN112600596B (zh) | 基于张量并行压缩的毫米波系统信道反馈方法 | |
WO2022121797A1 (zh) | 一种传输数据的方法和装置 | |
JP2014513461A (ja) | 線形変換を用いるバックホール通信のための信号圧縮 | |
CN110650103B (zh) | 利用冗余字典加强稀疏性的透镜天线阵列信道估计方法 | |
CN114884549A (zh) | 基于深度学习的大规模mimo信道状态信息反馈方法 | |
CN113726375B (zh) | 一种基于深度学习的信道信息压缩反馈重建方法 | |
CN115865145A (zh) | 一种基于Transformer的大规模MIMO信道状态信息反馈方法 | |
Jamali et al. | A low-complexity recursive approach toward code-domain NOMA for massive communications | |
CN101783723A (zh) | 一种多天线系统的信号处理方法、系统和装置 | |
CN113556158B (zh) | 一种面向车联网的大规模mimo智能csi反馈方法 | |
CN114567359A (zh) | 一种大规模mimo系统中基于多分辨率融合卷积反馈网络的csi反馈方法 | |
CN110932765B (zh) | 一种用于均匀矩形阵列的全方向波束赋形方法 | |
CN110649948A (zh) | 一种信号处理方法、基带单元和射频拉远单元 | |
CN115580326B (zh) | 一种利用双极化数据相关性的信道信息压缩反馈方法 | |
Corroy et al. | Distributed compressed sensing for the MIMO MAC with correlated sources |
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 |