CN109672464A - 基于fcfnn的大规模mimo信道状态信息反馈方法 - Google Patents
基于fcfnn的大规模mimo信道状态信息反馈方法 Download PDFInfo
- Publication number
- CN109672464A CN109672464A CN201811523523.9A CN201811523523A CN109672464A CN 109672464 A CN109672464 A CN 109672464A CN 201811523523 A CN201811523523 A CN 201811523523A CN 109672464 A CN109672464 A CN 109672464A
- Authority
- CN
- China
- Prior art keywords
- channel matrix
- encoder
- decoder
- fcfnn
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 80
- 230000006835 compression Effects 0.000 claims abstract description 21
- 238000007906 compression Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 23
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 8
- 230000009466 transformation Effects 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 8
- 238000011084 recovery Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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
-
- 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
- H04B7/0617—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 for beam forming
-
- 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
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
- H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
- H04B7/0842—Weighted combining
- H04B7/086—Weighted combining using weights depending on external parameters, e.g. direction of arrival [DOA], predetermined weights or beamforming
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
- Radio Transmission System (AREA)
Abstract
本发明公开了一种基于FCFNN的大规模MIMO信道状态信息反馈方法，主要解决现有技术反馈开销过大及信道反馈质量差的问题。其方案为：在用户端，将空频域的下行信道矩阵进行二维离散傅里叶变换及截断处理转换为信道矩阵H；搭建包含编码器与解码器的信道反馈模型，并对其进行训练；将训练好的编码器与解码器分别置于用户端和基站端；用户端将信道矩阵H输入到编码器以获得压缩矢量h，并反馈到基站；基站将h输入到解码器获得重构的信道矩阵；对重构的信道矩阵补零及做二维离散傅里叶逆变换，得到原始空频域信道矩阵。本发明降低了信道状态信息的反馈开销，显著地提高了信道重建质量，可用于频分双工模式下的大规模多输入多输出通信系统。
Description
技术领域
本发明属于通信技术领域，具体涉及一种大规模多输入多输出MIMO信道状态信息反馈方法，可用于频分双工模式下的大规模多输入多输出MIMO通信系统。
背景技术
基于大规模有源阵列天线的大规模MIMO技术作为5G无线通信的关键候选技术之一。通过在基站端部署大量天线来进一步提高无线通信系统的传输效率和系统容量，并有效地降低用户间干扰以及收发端能耗。然而，获得大规模MIMO的潜在性能增益的前提是基站端必须获知精确的下行信道状态信息。在频分双工模式下，下行信道状态信息需要通过用户端进行下行信道估计并将其通过反馈链路发送给基站端。值得注意的是，反馈开销随着基站端天线数量的增加成线性比例增长，量化误差以及码本设计复杂化等问题使一些适用于传统MIMO的基于矢量量化或码本的方法很难应用到大规模MIMO系统中。
目前关于大规模MIMO的信道状态信息反馈的研究中，主要集中于利用大规模MIMO系统的空时相关性来降低反馈开销。具体而言，这些方法基于压缩感知的思想来设计算法，将信道矩阵转换成在某些正交基上可以稀疏表示的矢量，称之为稀疏矢量。然后在用户端通过压缩感知技术对稀疏矢量进行随机压缩采样以获得低维测量值，并将低维测量值反馈到基站端用于重构信道状态信息，从而达到降低反馈开销的目的。然而，在实际情况中，信道矩阵只有在精心制作的正交基上才能表现出近似稀疏性。这种简单的稀疏先验性以及随机压缩采样过程中的随机投影导致压缩感知中的恢复算法很难精确地恢复信道矩阵，尤其在低压缩比的情况下更难恢复信道矩阵。针对这些问题，专利申请号为CN201810090648的“一种基于深度学习的大规模MIMO信道状态信息反馈方法”被提出。该方法是通过搭建类似于自编码器的卷积神经网络架构CsiNet来模拟信道矩阵的压缩与重构过程。通过从大量的训练数据中学习信道矩阵的特性使得该方案获得显著地性能改善。但是该方案将纯数字组成的信道矩阵看作是图像，并使用在图像重建方面拥有强大性能的卷积神经网络来处理，没有考虑到图像重构与纯数字恢复之间的差异。因此在低压缩比的情况下，该方案仍然存在恢复精确度不足的问题。
发明内容
本发明的目的在于针对上述现有技术存在的缺陷，提出一种基于全连接前馈神经网络FCFNN的大规模MIMO信道状态信息反馈方法，以减小大规模MIMO信道状态信息反馈开销，提高恢复精确度。
本发明的技术思路是：通过全连接前馈神经网络搭建一个类似于自编码器的信道状态信息反馈模型，称之为CFM-FCFNN，该模型由编码器与解码器两部分组成；通过对模型CFM-FCFNN的数据训练，使得模型的输入与输出之间的误差最小化；通过对已训练的编码器进行压缩，获得低维的压缩矢量发送到基站端，通过基站端将已训练的解码器从低维的压缩矢量中恢复出原始下行信道矩阵。
根据上述技术思路，本发明实现步骤包括如下：
1.一种基于FCFNN的大规模MIMO信道状态信息反馈方法，其特征在于，包括如下步骤：
(1)用户端获取空频域信道状态信息并进行预处理，得到信道矩阵H；
(2)利用全连接前馈神经网络搭建反馈模型CFM-FCFNN：
(2a)设反馈模型CFM-FCFNN由编码器与解码器两部分组成，其中：
编码器包含一个输入层与一个输出层；
解码器包含一个输入层、两个残差块以及一个输出层，每个残差块由三个全连接层组成；
(2b)在编码器中将信道矩阵H作为编码器的输入，压缩矢量作为编码器的输出；在解码器中，将通过反馈链路接收的压缩矢量h作为解码器的输入，解码器的输出是与信道矩阵H维度相同的重构信道矩阵
(3)利用样本数据训练反馈模型CFM-FCFNN以获取模型参数：
(3a)利用Matlab软件仿真平台产生空频域信道矩阵组成的样本集，按照步骤(1b)中描述的方式对样本集进行预处理，以获得由信道矩阵H组成的样本数据；
(3b)将重构信道矩阵与信道矩阵H之间的均方误差函数作为CFM-FCFNN的代价函数，利用样本数据对反馈模型CFM-FCFNN的编码器与解码器两部分进行线下的联合训练，使得代价函数最小化，得到反馈模型参数，即编码器的权重Wen、偏置ben与解码器的权重Wde、偏置bde，将Wen、ben与Wde、bde分别输入到编码器和解码器中，以获得训练好的编码器与解码器；
(4)用训练好的编码器和解码器分别对线上信道状态信息进行压缩与重构：
(4a)将训练好的编码器与解码器分别置于用户端和基站端；
(4b)在线上测试或使用过程中，用户端按照步骤(1)中描述的方式获取某一个信道矩阵H′输入到编码器，以获得压缩矢量h′并反馈到基站；基站端将接收到的压缩矢量h′输入到解码器，以获得重构的信道矩阵
(4c)根据(1b)中的预处理过程，对重构的信道矩阵依次进行补零操作和二维逆傅里叶变换，从中恢复出原始空频域信道状态信息。
本发明与现有技术相比，具有以下优点：
本发明在搭建信道状态信息反馈模型时，使用的是全连接层前馈神经网络，相比于将信道矩阵看作是图像处理的反馈模型CsiNet，CFM-FCFNN对信道状态信息空间相关性的提取更加充分，且在相同压缩比的情况下，CFM-FCFNN能够获得更小的重构误差，从而提升了重构信道矩阵的质量。
仿真结果表明，在不提高算法复杂度的前提下，本发明相比于现有技术可以显著提高信道重建质量，在低压缩比区域仍然能够获得良好的波束成形增益。
附图说明
图1为本发明的实现流程框图；
图2为本发明中的CFM-FCFNN网络架构图；
图3为本发明中的残差块网络结构图。
具体实施方式
以下结合附图和具体实施例，对本发明作进一步详细说明。
参照图1，本实例的具体实现步骤如下：
本实例大规模MIMO通信系统使用频分双工模式FDD，且信道慢变，基站端使用Nt根发射天线，用户端使用一根接收天线，该通信系统使用正交频分复用载波调制方式，子载波数量设置为Nc。
步骤1，用户端获取空频域信道状态信息并进行预处理得到H。
1a)用户端根据基站发送的训练序列或导频序列，对大规模MIMO系统的下行信道状态进行估计，得到空频域信道矩阵Hsf∈Nc×Nt，其中Nt为发射天线数量，Nc为子载波数量；
1b)对空频域信道矩阵Hsf进行二维离散傅里叶变换2D-DFT，得到角度延迟域信道矩阵；Had＝DfHsfDs，其中Df是维度为Nc×Nc的2D-DFT矩阵，Ds是维度为Nt×Nt的2D-DFT矩阵；
由于有限的多径时延，角度延迟域信道矩阵Had只有前Nc′行存在非零值，即0<Nc′<Nc，因此需要对该角度延迟域信道矩阵进行截断操作，该截断操作是在精度允许范围内删去所有元素为零或近似为零的行，保留前Nc′行，获得维度为Nc′×Nt的信道矩阵H。
步骤2，利用全连接前馈神经网络搭建反馈模型CFM-FCFNN。
2a)设反馈模型CFM-FCFNN由编码器与解码器两部分组成，如图2所示，其中：
编码器，包含一个输入层与一个输出层；该输入层由N个神经元组成，其中N＝2×Nc′×Nt，Nc′和Nt分别为复信道矩阵H的行数与列数；该输出层是由M个神经元组成的全连接层，且采用线性激活函数，M为压缩矢量的维度，N/128≤M<N，M为整数；
解码器，包含一个输入层、两个残差块以及一个输出层，每个残差块由三个全连接层组成；该输入层由M个神经元组成；该输出层由N个神经元组成，激活函数采用sigmoid函数；每个残差块的结构如图3所示，即每一个残差块中的每一层神经元数量均设置为N，且每一个残差块的第一个全连接层与第三个全连接层之间存在一条快捷连接路径，第一个残差块的第一个全连接层采用线性激活函数，其余层的激活函数均采用带泄露修正线性单元Leaky ReLU函数；
2b)在编码器中，将信道矩阵H作为编码器的输入，压缩矢量作为编码器的输出；在解码器中，将通过反馈链路接收的压缩矢量h作为解码器的输入，解码器的输出是与信道矩阵H维度相同的重构信道矩阵
这里可以通过改变输出层的维度M，N/128≤M<N来控制压缩矢量的维度，从而改变压缩比CR，CR＝M/N。
步骤3，利用样本数据训练反馈模型CFM-FCFNN以获取模型参数。
3a)根据本实例所设的大规模MIMO通信系统，利用Matlab软件仿真平台产生空频域信道矩阵组成的样本集，基于步骤1b)中描述的预处理方式，对样本集依次进行二维离散傅里叶变换和截断操作，获得维度为Nc′×Nt的信道矩阵H组成的样本数据，按8:1:1的比例将样本数据依次分成训练集、验证集和测试集，并作为模型的输入；
3b)将重构信道矩阵与信道矩阵H之间的均方误差函数作为反馈模型CFM-FCFNN的代价函数，表示为：
其中W和b分别代表反馈模型CFM-FCFNN参数中的权重和偏置，‖·‖2是欧几里得范数，T为训练集的样本数量，Ht为训练集中的第t个信道矩阵，为第t个重构的信道矩阵，表示为：式中fen和fde分别表示编码器与解码器，Wen和ben分别表示编码器中的权重与偏置，Wde和bde表示解码器中的权重与偏置；
为了降低代价函数，采用Adam优化算法,将反馈模型CFM-FCFNN的编码器与解码器两部分进行线下的联合训练，即将CFM-FCFNN遍历训练集，使得代价函数最小化，得到反馈模型参数，即编码器的权重Wen、偏置ben与解码器的权重Wde、偏置bde，将Wen、ben与Wde、bde分别输入到编码器和解码器中，以获得训练好的编码器与解码器；
在训练过程中，根据反馈模型CFM-FCFNN在验证集上的性能来调整反馈模型的超参数，使得CFM-FCFNN在验证集上获得最优性能；在测试过程中，测试集可以评估训练好的模型的性能。
步骤4，用训练好的编码器和解码器分别对线上信道状态信息进行压缩与重构。
4a)将训练好的编码器与解码器分别置于用户端和基站端；
4b)在线上测试或使用过程中，用户端按照步骤(1)中描述的方式获取某一个复信道矩阵H′∈Nc′×Nt，将H′的实部虚部拉直重组为一个N维矢量输入编码器，其中，
N＝2×Nc′×Nt，以获得压缩矢量h′并反馈到基站；基站端将接收到的压缩矢量h′输入到解码器，以获得重构的信道矩阵
4c)根据(1b)中的预处理过程，对重构的信道矩阵进行补零操作获得即对补(Nc-Nc′)个零行获得对进行二维傅里叶逆变换2D-IDFT，获得原始的空频域信道矩阵其中，是维度为Nc×Nc的2D-IDFT矩阵，维度为Nt×Nt的2D-IDFT矩阵。
以下结合仿真实验，对本发明的技术效果进行说明：
1.仿真条件和内容：
本发明的仿真实验是在运行系统为Intel(R)Core(TM)i5CPU 3230@2.6GHz，64位Windows操作系统以及Ubuntu16.04的Linux操作系统的硬件平台进行，仿真软件采用MATLAB。本发明与现有技术的仿真采用COST 2100MIMO信道，基站端使用Nt根发射天线，用户端使用一根接收天线，该MIMO系统使用正交频分复用载波调制方式，子载波数量设置为Nc，空频域信道矩阵的样本集在5.3GHz室内场景下产生，对于现有技术中参数设置均是其发明的默认参数选择，仿真实验中的所有信道均为慢变信道。
2.仿真内容
在不同压缩比的情况下，应用本发明CFM-FCFNN和现有技术CsiNet对重构的空频域信道矩阵与原始空频域信道矩阵之间的归一化均方误差进行仿真对比，结果如表1。
表1本发明与现有技术在不同压缩比下的仿真结果
表1中CFM-FCFNN为本发明采用的模型，CsiNet模型为现有技术采用的模型，其中压缩比CR＝M/N，M为压缩矢量维度，N＝2×Nc′×Nt，Nc′和Nt分别为复信道矩阵H的行数与列数，NMSE代表重构的空频域信道矩阵与原始空频域信道矩阵Hsf之间的归一化均方误差，即单位为dB。
从表1可见，在压缩比为1/4时，本发明和现有技术的归一化均方误差分别为-20.07dB和-18.71dB；在压缩比为1/64dB时，本发明和现有技术的归一化均方误差分别为-6.60dB和-4.43dB，本发明和现有技术的归一化均方误差都随着压缩比的增加而随之降低；纵览全表可知，在不同压缩比下，本发明的归一化均方误差均低于现有技术，从而本发明能够显著地提升重构信道矩阵的质量。
本发明未详细说明部分属于本领域技术人员公知常识。
以上描述仅是本发明的一个具体实例，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (5)
1.一种基于FCFNN的大规模MIMO信道状态信息反馈方法，其特征在于，包括如下步骤：
(1)用户端获取空频域信道状态信息并进行预处理，得到信道矩阵H；
(2)利用全连接前馈神经网络搭建反馈模型CFM-FCFNN：
(2a)设反馈模型CFM-FCFNN由编码器与解码器两部分组成，其中：
编码器包含一个输入层与一个输出层；
解码器包含一个输入层、两个残差块以及一个输出层，每个残差块由三个全连接层组成；
(2b)在编码器中将信道矩阵H作为编码器的输入，压缩矢量作为编码器的输出；在解码器中，将通过反馈链路接收的压缩矢量h作为解码器的输入，解码器的输出是与信道矩阵H维度相同的重构信道矩阵
(3)利用样本数据训练反馈模型CFM-FCFNN以获取模型参数：
(3a)利用Matlab软件仿真平台产生空频域信道矩阵组成的样本集，按照步骤(1b)中描述的方式对样本集进行预处理，以获得由信道矩阵H组成的样本数据；
(3b)将重构信道矩阵与信道矩阵H之间的均方误差函数作为CFM-FCFNN的代价函数，利用样本数据对反馈模型CFM-FCFNN的编码器与解码器两部分进行线下的联合训练，使得代价函数最小化，得到反馈模型参数，即编码器的权重Wen、偏置ben与解码器的权重Wde、偏置bde，将Wen、ben与Wde、bde分别输入到编码器和解码器中，以获得训练好的编码器与解码器；
(4)用训练好的编码器和解码器分别对线上信道状态信息进行压缩与重构：
(4a)将训练好的编码器与解码器分别置于用户端和基站端；
(4b)在线上测试或使用过程中，用户端按照步骤(1)中描述的方式获取某一个信道矩阵H′输入到编码器，以获得压缩矢量h′并反馈到基站；基站端将接收到的压缩矢量h′输入到解码器，以获得重构的信道矩阵
(4c)根据(1b)中的预处理过程，对重构的信道矩阵依次进行补零操作和二维逆傅里叶变换，从中恢复出原始空频域信道状态信息。
2.根据权利要求1所述的方法，其特征在于，(1)所述的用户端获取空频域信道状态信息并进行预处理，得到信道矩阵H，其实现如下：
(1a)用户端根据基站发送的训练序列或导频序列，对MIMO系统的下行信道状态进行估计，得到空频域信道矩阵Hsf；
(1b)对空频域信道矩阵Hsf进行二维离散傅里叶变换2D-DFT，得到角度延迟域信道矩阵Had，并对该角度延迟域信道矩阵进行截断操作，即在精度允许范围内删去所有元素为零或近似为零的行，得到信道矩阵H。
3.根据权利要求1所述的方法，其特征在于，(2a)中编码器的结构如下：
输入层，是由N个神经元组成，其中N＝2×N′c×Nt，N′c和Nt分别为复信道矩阵H的行数与列数；
编码器的输出层，是由M个神经元组成的全连接层，输出层采用线性激活函数，M为压缩矢量的维度，N/128≤M<N，M为整数。
4.根据权利要求1所述的方法，其特征在于，(2a)中的解码器结构如下：
输入层由M个神经元组成；
两个残差块的结构相同，每一个残差块中的每一层神经元数量均设置为N，且每一个残差块的第一个全连接层与第三个全连接层之间存在一条快捷连接路径，第一个残差块的第一个全连接层采用线性激活函数，其余层的激活函数均采用带泄露修正线性单元LeakyReLU函数；
输出层由N个神经元组成，激活函数采用sigmoid函数。
5.根据权利要求1所述的方法，其特征在于，(3b)中的均方误差函数，表示如下：
其中，W和b分别表示反馈模型CFM-FCFNN的权重和偏置，T为由信道矩阵组成的样本数据的数量，‖·‖2是欧几里得范数，Ht为第t个信道矩阵，为第t个重构的信道矩阵，表示为：式中fen和fde分别表示编码器与解码器，Wen和ben分别表示编码器中的权重与偏置，Wde和bde表示解码器中的权重与偏置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811523523.9A CN109672464B (zh) | 2018-12-13 | 2018-12-13 | 基于fcfnn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 |
|---|---|---|---|
| CN201811523523.9A CN109672464B (zh) | 2018-12-13 | 2018-12-13 | 基于fcfnn的大规模mimo信道状态信息反馈方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109672464A true CN109672464A (zh) | 2019-04-23 |
| CN109672464B CN109672464B (zh) | 2021-09-03 |
Family
ID=66144474
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811523523.9A Active CN109672464B (zh) | 2018-12-13 | 2018-12-13 | 基于fcfnn的大规模mimo信道状态信息反馈方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109672464B (zh) |
Cited By (42)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110311718A (zh) * | 2019-07-05 | 2019-10-08 | 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 |
| CN110350958A (zh) * | 2019-06-13 | 2019-10-18 | 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 |
| CN110429965A (zh) * | 2019-07-03 | 2019-11-08 | 北京科技大学 | 一种大规模多输入多输出系统上行信号检测方法 |
| CN110728314A (zh) * | 2019-09-30 | 2020-01-24 | 西安交通大学 | 一种大规模免调度系统活跃用户检测方法 |
| CN110912598A (zh) * | 2019-11-22 | 2020-03-24 | 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 |
| CN110995327A (zh) * | 2019-12-17 | 2020-04-10 | 电子科技大学 | 一种多载波mimo系统的混合波束成形优化方法及系统 |
| CN111464220A (zh) * | 2020-03-10 | 2020-07-28 | 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 |
| CN111510402A (zh) * | 2020-03-12 | 2020-08-07 | 西安电子科技大学 | 基于深度学习的ofdm信道估计方法 |
| CN111865375A (zh) * | 2020-06-24 | 2020-10-30 | 哈尔滨工业大学（深圳） | 一种针对频分双工系统的多传播路径三维波束成形方法 |
| CN111884976A (zh) * | 2020-07-21 | 2020-11-03 | 西安电子科技大学 | 基于神经网络的信道插值方法 |
| WO2020220278A1 (zh) * | 2019-04-30 | 2020-11-05 | 华为技术有限公司 | 一种信道估计模型训练方法及设备 |
| WO2021037139A1 (en) * | 2019-08-30 | 2021-03-04 | Huawei Technologies Co., Ltd. | Sparse reference signal-related signaling apparatus and methods |
| CN112468203A (zh) * | 2020-11-19 | 2021-03-09 | 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 |
| WO2021077419A1 (zh) * | 2019-10-25 | 2021-04-29 | Oppo广东移动通信有限公司 | 用于传输信道状态信息的方法和设备 |
| CN113347123A (zh) * | 2021-05-31 | 2021-09-03 | 北京理工大学 | 一种基于模型驱动的混合mimo系统信道估计与反馈网络 |
| CN113346970A (zh) * | 2021-06-01 | 2021-09-03 | 上海科技大学 | 面向无线三维信道的用户级信道空域特征建模方法 |
| CN113381950A (zh) * | 2021-04-25 | 2021-09-10 | 清华大学 | 基于网络聚合策略的高效mimo信道反馈方法及装置 |
| CN113381790A (zh) * | 2021-06-09 | 2021-09-10 | 东南大学 | 一种基于ai的环境知识辅助的无线信道反馈方法 |
| WO2021208061A1 (en) * | 2020-04-17 | 2021-10-21 | Qualcomm Incorporated | Configurable neural network for channel state feedback (csf) learning |
| 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 |
| CN113556158A (zh) * | 2021-07-21 | 2021-10-26 | 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 |
| 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 |
| CN113660058A (zh) * | 2021-07-05 | 2021-11-16 | 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 |
| 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 |
| CN113872652A (zh) * | 2021-06-25 | 2021-12-31 | 南京邮电大学 | 一种基于3d mimo时变系统的csi反馈方法 |
| WO2022033456A1 (zh) * | 2020-08-13 | 2022-02-17 | 华为技术有限公司 | 一种信道状态信息测量反馈方法及相关装置 |
| CN114157331A (zh) * | 2021-12-20 | 2022-03-08 | 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 |
| CN114257347A (zh) * | 2022-01-18 | 2022-03-29 | 西安电子科技大学 | 基于截断信道冲激响应动态选择的信道状态信息反馈方法 |
| CN114726413A (zh) * | 2021-01-04 | 2022-07-08 | 中国移动通信有限公司研究院 | 信道信息获取方法、装置及相关设备 |
| WO2022151074A1 (zh) * | 2021-01-13 | 2022-07-21 | Oppo广东移动通信有限公司 | 反馈方式的确定方法、装置、设备及存储介质 |
| WO2022160353A1 (zh) * | 2021-02-01 | 2022-08-04 | 北京小米移动软件有限公司 | 一种信道状态信息csi的编译码方法及装置 |
| WO2022199090A1 (zh) * | 2021-03-25 | 2022-09-29 | 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 |
| CN115136518A (zh) * | 2020-02-24 | 2022-09-30 | 高通股份有限公司 | 信道状态信息(csi)学习 |
| WO2022217502A1 (zh) * | 2021-04-14 | 2022-10-20 | Oppo广东移动通信有限公司 | 信息处理方法、装置、通信设备及存储介质 |
| CN115549742A (zh) * | 2022-09-01 | 2022-12-30 | 浙江大学 | 一种基于深度学习的csi压缩反馈方法 |
| US11569961B2 (en) | 2019-08-30 | 2023-01-31 | Huawei Technologies Co., Ltd. | Reference signaling overhead reduction apparatus and methods |
| WO2023006096A1 (zh) * | 2021-07-30 | 2023-02-02 | 华为技术有限公司 | 一种通信方法及装置 |
| WO2023011472A1 (zh) * | 2021-08-04 | 2023-02-09 | 中兴通讯股份有限公司 | 信道状态信息的反馈方法及接收方法、终端、基站、计算机可读存储介质 |
| WO2023013512A1 (ja) * | 2021-08-03 | 2023-02-09 | 三菱電機株式会社 | 通信システム |
| CN116633402A (zh) * | 2023-04-27 | 2023-08-22 | 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 |
| WO2023174032A1 (en) * | 2022-03-15 | 2023-09-21 | Mediatek Singapore Pte. Ltd. | Method and apparatus for multiple-input and multiple-output (mimo) channel state information (csi) feedback |
| WO2024032701A1 (zh) * | 2022-08-12 | 2024-02-15 | 大唐移动通信设备有限公司 | 信道状态信息处理方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080186212A1 (en) * | 2007-02-06 | 2008-08-07 | Samsung Electronics Co., Ltd. | Codebook generating method and apparatus for generating a codebook for multi-polarized multiple-input multiple-output (mimo) systems |
| CN107276924A (zh) * | 2016-04-08 | 2017-10-20 | 北京信威通信技术股份有限公司 | 大规模多输入多输出的信道估计方法和装置 |
| CN107483091A (zh) * | 2017-07-06 | 2017-12-15 | 重庆邮电大学 | 一种fdd大规模mimo‑ofdm系统下的信道信息反馈算法 |
| WO2018118677A2 (en) * | 2016-12-20 | 2018-06-28 | Intel Corporation | Channel covariance matrix based on channel measurements for communication systems |
| CN108390706A (zh) * | 2018-01-30 | 2018-08-10 | 东南大学 | 一种基于深度学习的大规模mimo信道状态信息反馈方法 |
| US20180254839A1 (en) * | 2017-03-06 | 2018-09-06 | Samsung Electronics Co., Ltd | Methods and apparatus for calibration and array operation in advanced mimo system |
| 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 |
-
2018
- 2018-12-13 CN CN201811523523.9A patent/CN109672464B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080186212A1 (en) * | 2007-02-06 | 2008-08-07 | Samsung Electronics Co., Ltd. | Codebook generating method and apparatus for generating a codebook for multi-polarized multiple-input multiple-output (mimo) systems |
| CN107276924A (zh) * | 2016-04-08 | 2017-10-20 | 北京信威通信技术股份有限公司 | 大规模多输入多输出的信道估计方法和装置 |
| WO2018118677A2 (en) * | 2016-12-20 | 2018-06-28 | Intel Corporation | Channel covariance matrix based on channel measurements for communication systems |
| US20180254839A1 (en) * | 2017-03-06 | 2018-09-06 | Samsung Electronics Co., Ltd | Methods and apparatus for calibration and array operation in advanced mimo system |
| CN107483091A (zh) * | 2017-07-06 | 2017-12-15 | 重庆邮电大学 | 一种fdd大规模mimo‑ofdm系统下的信道信息反馈算法 |
| CN108390706A (zh) * | 2018-01-30 | 2018-08-10 | 东南大学 | 一种基于深度学习的大规模mimo信道状态信息反馈方法 |
| 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 (1)
| Title |
|---|
| SHENG CHEN ET AL.: "Remote Channel Inference for Beamforming in Ultra-Dense Hyper-Cellular Network", 《IEEE》 * |
Cited By (66)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020220278A1 (zh) * | 2019-04-30 | 2020-11-05 | 华为技术有限公司 | 一种信道估计模型训练方法及设备 |
| CN113748614B (zh) * | 2019-04-30 | 2023-06-20 | 华为技术有限公司 | 一种信道估计模型训练方法及设备 |
| CN113748614A (zh) * | 2019-04-30 | 2021-12-03 | 华为技术有限公司 | 一种信道估计模型训练方法及设备 |
| CN110350958A (zh) * | 2019-06-13 | 2019-10-18 | 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 |
| 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 |
| CN110429965A (zh) * | 2019-07-03 | 2019-11-08 | 北京科技大学 | 一种大规模多输入多输出系统上行信号检测方法 |
| CN110429965B (zh) * | 2019-07-03 | 2020-10-20 | 北京科技大学 | 一种大规模多输入多输出系统上行信号检测方法 |
| CN110311718A (zh) * | 2019-07-05 | 2019-10-08 | 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 |
| 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 |
| WO2021037139A1 (en) * | 2019-08-30 | 2021-03-04 | Huawei Technologies Co., Ltd. | Sparse reference signal-related signaling apparatus and methods |
| US11258565B2 (en) | 2019-08-30 | 2022-02-22 | Huawei Technologies Co., Ltd. | Sparse reference signal-related signaling apparatus and methods |
| US11973714B2 (en) | 2019-08-30 | 2024-04-30 | Huawei Technologies Co., Ltd | Sparse reference signal-related signaling apparatus and methods |
| US11569961B2 (en) | 2019-08-30 | 2023-01-31 | Huawei Technologies Co., Ltd. | Reference signaling overhead reduction apparatus and methods |
| CN110728314A (zh) * | 2019-09-30 | 2020-01-24 | 西安交通大学 | 一种大规模免调度系统活跃用户检测方法 |
| CN110728314B (zh) * | 2019-09-30 | 2022-10-25 | 西安交通大学 | 一种大规模免调度系统活跃用户检测方法 |
| WO2021077419A1 (zh) * | 2019-10-25 | 2021-04-29 | Oppo广东移动通信有限公司 | 用于传输信道状态信息的方法和设备 |
| CN110912598A (zh) * | 2019-11-22 | 2020-03-24 | 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 |
| CN110995327B (zh) * | 2019-12-17 | 2021-05-04 | 电子科技大学 | 一种多载波mimo系统的混合波束成形优化方法及系统 |
| CN110995327A (zh) * | 2019-12-17 | 2020-04-10 | 电子科技大学 | 一种多载波mimo系统的混合波束成形优化方法及系统 |
| CN115136518A (zh) * | 2020-02-24 | 2022-09-30 | 高通股份有限公司 | 信道状态信息(csi)学习 |
| CN115136518B (zh) * | 2020-02-24 | 2023-11-21 | 高通股份有限公司 | 信道状态信息(csi)学习 |
| CN111464220A (zh) * | 2020-03-10 | 2020-07-28 | 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 |
| CN111510402A (zh) * | 2020-03-12 | 2020-08-07 | 西安电子科技大学 | 基于深度学习的ofdm信道估计方法 |
| WO2021208061A1 (en) * | 2020-04-17 | 2021-10-21 | Qualcomm Incorporated | Configurable neural network for channel state feedback (csf) learning |
| US11984955B2 (en) | 2020-04-17 | 2024-05-14 | Qualcomm Incorporated | Configurable neural network for channel state feedback (CSF) learning |
| 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 |
| CN111865375B (zh) * | 2020-06-24 | 2022-03-25 | 哈尔滨工业大学（深圳） | 一种针对频分双工系统的多传播路径三维波束成形方法 |
| CN111865375A (zh) * | 2020-06-24 | 2020-10-30 | 哈尔滨工业大学（深圳） | 一种针对频分双工系统的多传播路径三维波束成形方法 |
| CN111884976A (zh) * | 2020-07-21 | 2020-11-03 | 西安电子科技大学 | 基于神经网络的信道插值方法 |
| WO2022033456A1 (zh) * | 2020-08-13 | 2022-02-17 | 华为技术有限公司 | 一种信道状态信息测量反馈方法及相关装置 |
| CN112468203A (zh) * | 2020-11-19 | 2021-03-09 | 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 |
| 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 |
| CN114726413A (zh) * | 2021-01-04 | 2022-07-08 | 中国移动通信有限公司研究院 | 信道信息获取方法、装置及相关设备 |
| WO2022151074A1 (zh) * | 2021-01-13 | 2022-07-21 | Oppo广东移动通信有限公司 | 反馈方式的确定方法、装置、设备及存储介质 |
| WO2022160353A1 (zh) * | 2021-02-01 | 2022-08-04 | 北京小米移动软件有限公司 | 一种信道状态信息csi的编译码方法及装置 |
| WO2022199090A1 (zh) * | 2021-03-25 | 2022-09-29 | 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 |
| WO2022217502A1 (zh) * | 2021-04-14 | 2022-10-20 | Oppo广东移动通信有限公司 | 信息处理方法、装置、通信设备及存储介质 |
| CN113381950A (zh) * | 2021-04-25 | 2021-09-10 | 清华大学 | 基于网络聚合策略的高效mimo信道反馈方法及装置 |
| CN113347123B (zh) * | 2021-05-31 | 2023-03-28 | 北京理工大学 | 一种基于模型驱动的混合mimo系统信道估计与反馈网络 |
| CN113347123A (zh) * | 2021-05-31 | 2021-09-03 | 北京理工大学 | 一种基于模型驱动的混合mimo系统信道估计与反馈网络 |
| CN113346970A (zh) * | 2021-06-01 | 2021-09-03 | 上海科技大学 | 面向无线三维信道的用户级信道空域特征建模方法 |
| CN113346970B (zh) * | 2021-06-01 | 2022-10-18 | 上海科技大学 | 面向无线三维信道的用户级信道空域特征建模方法 |
| CN113381790A (zh) * | 2021-06-09 | 2021-09-10 | 东南大学 | 一种基于ai的环境知识辅助的无线信道反馈方法 |
| CN113381790B (zh) * | 2021-06-09 | 2022-07-26 | 东南大学 | 一种基于ai的环境知识辅助的无线信道反馈方法 |
| CN113872652B (zh) * | 2021-06-25 | 2023-12-12 | 南京邮电大学 | 一种基于3d mimo时变系统的csi反馈方法 |
| 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 |
| CN113872652A (zh) * | 2021-06-25 | 2021-12-31 | 南京邮电大学 | 一种基于3d mimo时变系统的csi反馈方法 |
| 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 |
| CN113660058A (zh) * | 2021-07-05 | 2021-11-16 | 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 |
| CN113556158A (zh) * | 2021-07-21 | 2021-10-26 | 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 |
| WO2023006096A1 (zh) * | 2021-07-30 | 2023-02-02 | 华为技术有限公司 | 一种通信方法及装置 |
| WO2023013512A1 (ja) * | 2021-08-03 | 2023-02-09 | 三菱電機株式会社 | 通信システム |
| WO2023011472A1 (zh) * | 2021-08-04 | 2023-02-09 | 中兴通讯股份有限公司 | 信道状态信息的反馈方法及接收方法、终端、基站、计算机可读存储介质 |
| 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 |
| CN114157331A (zh) * | 2021-12-20 | 2022-03-08 | 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 |
| CN114257347A (zh) * | 2022-01-18 | 2022-03-29 | 西安电子科技大学 | 基于截断信道冲激响应动态选择的信道状态信息反馈方法 |
| WO2023174032A1 (en) * | 2022-03-15 | 2023-09-21 | Mediatek Singapore Pte. Ltd. | Method and apparatus for multiple-input and multiple-output (mimo) channel state information (csi) feedback |
| WO2024032701A1 (zh) * | 2022-08-12 | 2024-02-15 | 大唐移动通信设备有限公司 | 信道状态信息处理方法及装置 |
| WO2024045689A1 (zh) * | 2022-09-01 | 2024-03-07 | 浙江大学 | 一种基于深度学习的csi压缩反馈方法 |
| CN115549742A (zh) * | 2022-09-01 | 2022-12-30 | 浙江大学 | 一种基于深度学习的csi压缩反馈方法 |
| 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 |
| CN116633402A (zh) * | 2023-04-27 | 2023-08-22 | 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109672464B (zh) | 2021-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109672464B (zh) | 基于fcfnn的大规模mimo信道状态信息反馈方法 | |
| 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 | |
| CN111630787B (zh) | 基于深度学习的mimo多天线信号传输与检测技术 | |
| 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 | |
| CN112737985B (zh) | 基于深度学习的大规模mimo信道联合估计和反馈方法 | |
| 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 | |
| CN111464220B (zh) | 一种基于深度学习的信道状态信息重建方法 | |
| Liang et al. | Deep learning and compressive sensing-based CSI feedback in FDD massive MIMO systems | |
| Liao et al. | CSI feedback based on deep learning for massive MIMO systems | |
| Cai et al. | Attention model for massive MIMO CSI compression feedback and recovery | |
| Chen et al. | Deep learning-based implicit CSI feedback in massive MIMO | |
| Song et al. | SALDR: Joint self-attention learning and dense refine for massive MIMO CSI feedback with multiple compression ratio | |
| CN111713035B (zh) | 基于人工智能的mimo多天线信号传输与检测技术 | |
| Yin et al. | Deep CSI compression for massive MIMO: A self-information model-driven neural network | |
| 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 | |
| Gao et al. | Fully connected feedforward neural networks based CSI feedback algorithm | |
| CN114884549A (zh) | 基于深度学习的大规模mimo信道状态信息反馈方法 | |
| Xu et al. | Transformer empowered CSI feedback for massive MIMO systems | |
| Hussien et al. | PRVNet: A novel partially-regularized variational autoencoders for massive MIMO CSI feedback | |
| Hussien | PRVNet: Variational autoencoders for massive MIMO CSI feedback | |
| CN115865145A (zh) | 一种基于Transformer的大规模MIMO信道状态信息反馈方法 | |
| 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 | |
| Chen et al. | Viewing the MIMO channel as sequence rather than image: A Seq2Seq approach for efficient CSI feedback |
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 |