CN109687897B - 基于深度学习大规模mimo系统的叠加csi反馈方法 - Google Patents
基于深度学习大规模mimo系统的叠加csi反馈方法 Download PDFInfo
- Publication number
- CN109687897B CN109687897B CN201910135942.3A CN201910135942A CN109687897B CN 109687897 B CN109687897 B CN 109687897B CN 201910135942 A CN201910135942 A CN 201910135942A CN 109687897 B CN109687897 B CN 109687897B
- Authority
- CN
- China
- Prior art keywords
- sequence
- model
- state information
- channel state
- uplink data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000013135 deep learning Methods 0.000 title claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 21
- 230000007480 spreading Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 238000011084 recovery Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- H04B7/06—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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0204—Channel estimation of multiple channels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0224—Channel estimation using sounding signals
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Radio Transmission System (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了基于深度学习大规模MIMO系统的叠加CSI反馈方法,用户端读取一段信道状态信息和一段上行数据;对信道状态信息扩频处理,得到扩频序列,对上行数据进行数字调制,得到上行调制序列;将扩频序列与上行调制序列进行加权叠加,得到叠加序列,用户端发射叠加序列,基站端接收得到接收序列;构建模型HDNet,模型HDNet包括信道状态信息估计模型和上行数据检测模型;初始化模型参数,离线训练模型HDNet,误差收敛后保存模型;在线接收信号,得到在线接收序列,根据在线接收序列,用训练好的模型HDNet恢复出信道状态信息的估计值,检测出上行数据的检测值。本发明的反馈不需要额外的频谱开销,可提高反馈CSI的恢复精度,并减小了系统的处理复杂度。
Description
技术领域
本发明涉及大规模MIMO(multiple input multiple output)系统的叠加信道状态信息反馈技术领域,特别涉及一种基于深度学习大规模MIMO系统的叠加信道状态信息反馈方法。
背景技术
作为满足未来5G(the fifth generation)网络高效频谱效率和能量效率的关键技术,大规模MIMO系统通过基站端部署的上百根天线,能在不增加发射功率和系统带宽的情况下为更多用户提供无线数据服务。同时,大规模MIMO系统中诸多带来性能提升的操作(如多用户调度、速率分配、发射端预编码等)依赖于准确的下行信道状态信息(CSI,channel state information)的获取。在频分双工(FDD,frequency division duplex)大规模MIMO系统中信道间的互惠性不再适用,CSI只能由用户端反馈回基站。
传统基于码本的CSI方案因天线数众多,所需码本维度巨大,继而变得难以适用;而利用信号稀疏特性的压缩感知(CS,compressed sensing)反馈技术虽能一定程度上降低系统的反馈开销,但在反馈过程中占用一定的频谱资源。
近年来,叠加(SC,superimposed coding)技术以其能够高效利用频谱资源的特性,被广泛应用于无线通信各领域。同时,深度学习因其精度高,计算速度快等优点,引起广泛关注。本发明结合SC和CS技术优点,将CSI加权叠加到信息序列上反馈回基站,在接收端利用深度学习技术恢复CSI。继而在不增加频谱开销的情况下,提高CSI的重构精度以及重构速率,为信道反馈研究带来更多可实施方案,具有重大意义。
发明内容
本发明的目的在于提供一种基于深度学习大规模MIMO系统的叠加信道状态信息反馈方法,与传统叠加反馈方法相比,本方法借助深度神经网络,在不增加额外带宽资源的条件下,减小了系统的处理复杂度,同时有效提高了重构反馈CSI的精度和速率。
具体的发明方案为:
基于深度学习大规模MIMO系统的叠加信道状态信息反馈方法,包括以下步骤:
(1)用户端读取长度为NH的信道状态信息H和长度为2ND的上行数据D,对信道状态信息H进行扩频处理得到长度为ND的扩频序列Hspread,对上行数据D进行数字调制得到长度为ND的上行调制序列Dmodulate;
所述的信道状态信息H,扩频序列Hspread和上行调制序列Dmodulate的元素均为复数;
所述的上行数据D的元素均为二进制比特;
(2)将扩频序列Hspread与上行调制序列Dmodulate进行加权叠加得到长度为ND的叠加序列S,用户端发射叠加序列S,基站端接收得到长度为ND的接收序列R;所述的叠加序列S和接收序列R的元素均为复数;
(3)构建模型HDNet,所述的模型HDNet包括信道状态信息估计模型fH(R)和上行数据检测模型fD(R);
(4)初始化模型HDNet参数,离线训练模型HDNet,误差收敛后保存模型;
其中,该方法步骤(1)所述扩频包括:
其中,该方法步骤(2)所述加权叠加可表示为:
其中,ρ表示叠加因子,EK表示用户发送功率。
其中,该方法步骤(3)包括以下步骤:
(3-1)信道状态信息估计模型fH(R)包含1个输入层,mH个全连接层(mH≥3),1个输出层,输入层节点数为2ND,各全连接层节点数分别为输出层节点数为2NH,全连接层均采用Leaky ReLU函数作为激活函数,以均方误差(MSE)作为损失函数,将接收序列R作为输入,期望输出为信道状态信息H;
(3-2)上行数据检测模型fD(R)包含1个输入层,mD个全连接层(mD≥3),1个输出层,输入层节点数为2ND,各全连接层节点数分别为 输出层节点数为2ND,全连接层均采用Leaky ReLU函数作为激活函数,以交叉熵函数作为损失函数,将接收序列R作为输入,期望输出为上行数据D。
本发明的有益效果是:在不增加额外的频谱开销条件下,提高了反馈CSI的恢复精度,并减小了系统的处理复杂度。
附图说明
图1为本发明的流程示意图;
图2为实施例模型HDNet结构示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,基于深度学习大规模MIMO系统的叠加信道状态信息反馈方法,包括以下步骤:
1)用户端读取长度为NH的信道状态信息H和长度为2ND的上行数据D,对信道状态信息H进行扩频处理得到长度为ND的扩频序列Hspread,对上行数据D进行数字调制得到长度为ND的上行调制序列Dmodulate;
所述的信道状态信息H,扩频序列Hspread和上行调制序列Dmodulate的元素均为复数;
所述的上行数据D的元素均为二进制比特;
具体地,该方法步骤1)所述扩频包括:
示例1:所述步骤1)示例如下:
假设:NH=4,ND=12,K=3,Q=(1+1j,2+2j,3+3j),
信道状态信息:H=(0.2+0.3j,0.4+0.5j,0.6+0.7j,0.8+0.9j),
上行数据:D=(0,1,1,0,1,1,0,0,1,0,0,1,1,0,0,1,1,1,0,0,0,1,1,0);
上行数据D采用数字调制后得到的上行调制序列:
Dmodulate=(-1+1j,1-1j,1+1j,-1-1j,1-1j,-1+1j,1-1j,-1+1j,1+1j,-1-1j,-1+1j,1-1j);
2)将扩频序列Hspread与上行调制序列Dmodulate进行加权叠加得到长度为ND的叠加序列S,用户端发射叠加序列S,基站端接收得到长度为ND的接收序列R;
所述的叠加序列S和接收序列R的元素均为复数;
具体地,该方法步骤2)所述加权叠加可表示为:
其中,ρ表示叠加因子,EK表示用户发送功率;
示例2:所述步骤2)示例如下:
假设:ρ=0.2,EK=100,调制序列:Dmodulate=(1-1j,-1+1j,1+1j),
扩频后序列:Hspread=(0.2+0.3j,0.4+0.5j,0.6+0.7j),
S=(0.984-7.603j,-7.155+11.180j,11.628+12.075j);
构建模型HDNet,所述的模型HDNet包括信道状态信息估计模型fH(R)和上行数据检测模型fD(R);
如图2所示,在本申请的实施例中,所述步骤3)包括:
3-1)信道状态信息估计模型fH(R)包含1个输入层,mH个全连接层(mH≥3),1个输出层,输入层节点数为2ND,各全连接层节点数分别为输出层节点数为2NH,全连接层均采用Leaky ReLU函数作为激活函数,以均方误差(MSE)作为损失函数,将接收序列R作为输入,期望输出为信道状态信息H;
3-2)上行数据检测模型fD(R)包含1个输入层,mD个全连接层(mD≥3),1个输出层,输入层节点数为2ND,各全连接层节点数分别为 输出层节点数为2ND,全连接层均采用Leaky ReLU函数作为激活函数,以交叉熵函数作为损失函数,将接收序列R作为输入,期望输出为上行数据D;
3)初始化模型HDNet参数,离线训练模型HDNet,误差收敛后保存模型;
需要说明的是,本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的实施方法,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (1)
1.基于深度学习大规模MIMO系统的叠加CSI反馈方法,其特征在于,包括以下步骤:
(1)用户端读取长度为NH的信道状态信息H和长度为2ND的上行数据D,对信道状态信息H进行扩频处理得到长度为ND的扩频序列Hspread,对上行数据D进行数字调制得到长度为ND的上行调制序列Dmodulate;
所述的信道状态信息H,扩频序列Hspread和上行调制序列Dmodulate的元素均为复数;
所述的上行数据D的元素均为二进制比特;
(2)将扩频序列Hspread与上行调制序列Dmodulate进行加权叠加得到长度为ND的叠加序列S,用户端发射叠加序列S,基站端接收得到长度为ND的接收序列R;
所述的叠加序列S和接收序列R的元素均为复数;
(3)构建模型HDNet,所述的模型HDNet包括信道状态信息估计模型fH(R)和上行数据检测模型fD(R);
(4)初始化模型HDNet参数,离线训练模型HDNet,误差收敛后保存模型;
步骤(1)所述扩频包括:
步骤(2)所述的加权叠加表示为:
其中,ρ表示叠加因子,EK表示用户发送功率;
步骤(3)包括以下步骤:
(3-1)信道状态信息估计模型fH(R)包含1个输入层,mH个全连接层,mH≥3,1个输出层,输入层节点数为2ND,各全连接层节点数分别为l1ND,…,li≥2,i=1,…,mH,输出层节点数为2NH,全连接层均采用Leaky ReLU函数作为激活函数,以均方误差作为损失函数,将接收序列R作为输入,期望输出为信道状态信息H;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910135942.3A CN109687897B (zh) | 2019-02-25 | 2019-02-25 | 基于深度学习大规模mimo系统的叠加csi反馈方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910135942.3A CN109687897B (zh) | 2019-02-25 | 2019-02-25 | 基于深度学习大规模mimo系统的叠加csi反馈方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109687897A CN109687897A (zh) | 2019-04-26 |
CN109687897B true CN109687897B (zh) | 2021-12-28 |
Family
ID=66196151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910135942.3A Active CN109687897B (zh) | 2019-02-25 | 2019-02-25 | 基于深度学习大规模mimo系统的叠加csi反馈方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109687897B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN111049559B (zh) * | 2019-11-13 | 2022-03-11 | 东南大学 | 一种利用位置信息的深度学习预编码方法 |
CN111193535B (zh) * | 2020-01-14 | 2022-05-31 | 西华大学 | 一种在fdd大规模mimo系统中基于elm叠加csi的反馈方法 |
US20230396466A1 (en) * | 2020-10-16 | 2023-12-07 | Nokia Technologies Oy | Monitoring data processing model for channel information recovery |
CN112564757A (zh) * | 2020-12-03 | 2021-03-26 | 西华大学 | 一种深度学习1-bit压缩叠加信道状态信息反馈方法 |
CN113098804B (zh) * | 2021-03-29 | 2022-08-23 | 东南大学 | 一种基于深度学习与熵编码的信道状态信息反馈方法 |
CN113726376B (zh) * | 2021-08-31 | 2022-05-20 | 西华大学 | 基于特征抽取与互异性融合的1bit压缩叠加CSI反馈方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102511130A (zh) * | 2009-08-14 | 2012-06-20 | 诺基亚西门子通信公司 | 对协作多点传输的改进 |
CN104967469A (zh) * | 2015-03-18 | 2015-10-07 | 郑州大学 | 一种基于无比率编码的大规模mimo传输方法 |
CN107968689A (zh) * | 2017-12-06 | 2018-04-27 | 北京邮电大学 | 基于无线通信信号的感知识别方法及装置 |
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 |
---|---|---|---|---|
US8588204B2 (en) * | 2009-02-13 | 2013-11-19 | The Indian Institute Of Technology, Kharagpur | Efficient channel estimation method using superimposed training for equalization in uplink OFDMA systems |
CN102916735B (zh) * | 2012-10-17 | 2016-06-08 | 东南大学 | 利用大规模天线阵列的无线通信方法 |
-
2019
- 2019-02-25 CN CN201910135942.3A patent/CN109687897B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102511130A (zh) * | 2009-08-14 | 2012-06-20 | 诺基亚西门子通信公司 | 对协作多点传输的改进 |
CN104967469A (zh) * | 2015-03-18 | 2015-10-07 | 郑州大学 | 一种基于无比率编码的大规模mimo传输方法 |
CN107968689A (zh) * | 2017-12-06 | 2018-04-27 | 北京邮电大学 | 基于无线通信信号的感知识别方法及装置 |
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 |
---|
"同时同频全双工宽带射频自干扰抵消性能分析";卿朝进等;《通信学报》;20160925;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109687897A (zh) | 2019-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109687897B (zh) | 基于深度学习大规模mimo系统的叠加csi反馈方法 | |
CN107018099B (zh) | 一种针对毫米波多用户mimo系统的时变信道估计方法 | |
Wang et al. | Compressive sampled CSI feedback method based on deep learning for FDD massive MIMO systems | |
CN110166089B (zh) | 基于深度学习的叠加编码csi反馈方法 | |
CN101771509B (zh) | 一种正交网络空时编码方法及中继传输系统 | |
CN112564757A (zh) | 一种深度学习1-bit压缩叠加信道状态信息反馈方法 | |
CN112260737A (zh) | 总能效与最小能效权衡的多波束卫星通信鲁棒预编码方法 | |
CN108900449B (zh) | 多小区mimo-imac的干扰对齐方法 | |
CN111193535B (zh) | 一种在fdd大规模mimo系统中基于elm叠加csi的反馈方法 | |
CN104468054A (zh) | 一种基于短波多天线系统的有限反馈预编码方法 | |
CN104682996A (zh) | 一种全双工系统的自干扰消除方法 | |
CN103036656B (zh) | 基于施密特正交化的双码本mu-mimo预编码方法 | |
CN113726376B (zh) | 基于特征抽取与互异性融合的1bit压缩叠加CSI反馈方法 | |
CN103856298A (zh) | 一种低复杂度最小距离收发信端编译码构建方法 | |
CN114389730B (zh) | 一种基于深度学习和脏纸编码的miso系统波束形成设计方法 | |
CN103220089B (zh) | 基于双向多中继网络的分布式循环重叠空时码传输方法 | |
CN109039402A (zh) | 基于用户压缩的mimo拓扑干扰对齐方法 | |
CN104821840A (zh) | 一种大规模多输入多输出下行系统的抗干扰方法 | |
CN101547067B (zh) | 一种预编码矩阵跟踪方法及装置 | |
CN112073156B (zh) | 一种高维非正交传输方法 | |
TW201944745A (zh) | 基於深度學習作為通道狀態資訊之回饋方法 | |
CN117220745B (zh) | 基于深度学习的多用户信道状态信息联合压缩反馈方法 | |
CN105812310B (zh) | 基于zcz序列和相位旋转的单载波mimo通信方法及装置 | |
CN100544327C (zh) | 一种低复杂度的最小均方误差串行干扰删除检测器 | |
CN114499770B (zh) | 一种基于深度学习的多用户下行csi反馈方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190426 Assignee: Chengdu Tiantongrui Computer Technology Co.,Ltd. Assignor: XIHUA University Contract record no.: X2023510000028 Denomination of invention: Stacked CSI Feedback Method for Large scale MIMO Systems Based on Deep Learning Granted publication date: 20211228 License type: Common License Record date: 20231124 |