CN111416642B - 基于深度学习与信道状态信息的通信系统及编解码方法 - Google Patents

Abstract

本发明公开一种基于深度学习与信道状态信息(CSI)的通信系统及编解码方法。通信系统包括一第一电子装置与一第二电子装置。第一电子装置包括已存储的一第一链路CSI与一具有深度学习功能的CSI编码器。第二电子装置包括已存储的一第二链路CSI与一具有深度学习功能的CSI编解码器，第一链路CSI与第二链路CSI具有关联性或相似性。第一电子装置的CSI编码器将第一链路CSI编码或压缩为第一码字以经由反馈链路反馈第一码字至第二电子装置，且第二电子装置的CSI编解码器将第二链路CSI编码或压缩为第二码字，以供CSI编解码器依据第一码字与第二码字解码或还原出第一电子装置的第一链路CSI。

Description

基于深度学习与信道状态信息的通信系统及编解码方法

技术领域

本发明涉及一种通信系统及编解码技术，特别涉及一种基于深度学习与信道状态信息的通信系统及编解码方法。

背景技术

近年来，虽通信技术迅速发展，但能使用的频谱却依然受限，如何在有限频谱下提高频谱的使用效率依然是未来先进通信系统需面对的难题。在提高频谱的使用效率的众多技术中，多输入多输出(Multiple-Input Multiple-Output；MIMO)技术备受重视，更作为下一代无线通信领域的关键技术之一，其主要原因在于多输入多输出(MIMO)系统具备波束成形(Beamforming)功能、分集增益(Diversity Gain)功能及多工增益(Multiplexing Gain)功能，可在传送端与接收端同时使用多天线及相关通信信号处理技术，故可在不增加带宽的情况下提供空间自由度，达到有效地提升通信系统的系统容量及频谱效率。

多输入多输出技术大致上可分为时分双工(Time-Division Duplexing；TDD)与频分双工(Frequency-Division Duplexing；FDD)二种双工方式，其中，无线通信的双工(Duplex)技术是指传送端与接收端之间利用信道接入(Channel Access)的方式实现双向通信，使二通信装置之间能够互相传送数据的方法。

由多输入多输出技术所延伸的大规模多输入多输出(Massive MIMO)技术，能够更大幅度地提升系统容量及频谱效率，以支持更大数量的用户数，故大规模多输入多输出技术被普遍认为是第五代无线通信系统的主要技术。又，由于时分双工(TDD)需要过于复杂的校准过程，且现有系统多使用频分双工(FDD)技术，使得频分双工大规模多输入多输出(FDDMassive MIMO)系统成为现今在多输入多输出技术的重要发展方向。

对于现有的大规模频分双工多输入多输出系统而言，在下行链路(Downlink)时，当接收端的用户装置(User Equipment；UE)需要反馈一信道状态信息(Channel StateInformation；CSI)给传送端的基站(Base Station；BS)时，需将信道状态信息简化以使信道结构呈现出稀疏的特性，并运用压缩感知(Compressive Sensing；CS)的方式将信道状态信息的信号压缩。

然而，基于压缩感知(CS)的方法主要存在三个挑战，第一、信道状态信息在任何的基底上实际上皆不完全稀疏，对于需要以稀疏矩阵为假设的压缩感知(CS)方法而言，结果并不甚理想。第二、压缩感知(CS)的压缩方式是使用随机投影，并没有充分利用信道所拥有的结果特征。第三、现有的压缩感知(CS)算法皆须经过多次迭代后才可重新还原出信道状态信息，以致造成系统计算复杂度上升，降低系统执行的时效。

因此，如何提升对于解码或还原出信道状态信息的效能，以解决上述悉知技术的挑战，实已成为本领域技术人员的一大研究课题。

发明内容

本发明提供一种基于深度学习与信道状态信息(CSI)的通信系统及编解码方法，可由第二电子装置利用已存储的第二链路CSI解码或还原出第一电子装置的第一链路CSI，以提升对于解码或还原出信道状态信息的效能。

本发明基于深度学习与信道状态信息(CSI)的通信系统一实施例包括：一第一电子装置，其包括已存储的一第一链路CSI与一具有深度学习功能的CSI编码器；以及一第二电子装置，其包括已存储的一第二链路CSI与一具有深度学习功能的CSI编解码器，第一链路CSI与第二链路CSI具有关联性或相似性，且第二电子装置未预先具有第一电子装置的第一链路CSI；其中，第一电子装置的CSI编码器将第一链路CSI编码或压缩为第一码字以经由反馈链路反馈第一码字至第二电子装置，且第二电子装置的CSI编解码器将第二链路CSI编码或压缩为第二码字，以供CSI编解码器依据第一码字与第二码字解码或还原出第一电子装置的第一链路CSI。

本发明基于深度学习与信道状态信息(CSI)的编码解方法一实施例包括：提供包括已存储的一第一链路CSI与一具有深度学习功能的CSI编码器的第一电子装置、以及包括已存储的一第二链路CSI与一具有深度学习功能的CSI编解码器的第二电子装置，第一链路CSI与第二链路CSI具有关联性或相似性，且第二电子装置未预先具有第一电子装置的第一链路CSI；由第一电子装置的CSI编码器将第一链路CSI编码或压缩为第一码字以经由反馈链路反馈第一码字至第二电子装置，并由第二电子装置的CSI编解码器将第二链路CSI编码或压缩为第二码字；以及由第二电子装置的CSI编解码器依据第一码字与第二码字解码或还原出第一电子装置的第一链路CSI。

为让本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合附图作详细说明。在以下描述内容中将部分阐述本发明的额外特征及优点，且此等特征及优点将部分自所述描述内容显而易见，或可借由对本发明的实践习得。本发明的特征及优点借助于在权利要求范围中特别指出的元件及组合来认识到并达到。应理解，前文一般描述与以下详细描述两者均仅为例示性及解释性的，且不欲约束本发明所主张的范围。

附图说明

图1为本发明基于深度学习与信道状态信息的通信系统的一实施例架构示意图；

图2为本发明基于深度学习与信道状态信息的通信系统的一实施例示意图；

图3A为本发明图2中第一电子装置的编码器的一实施例示意图；

图3B为本发明图2中第二电子装置的编码器的一实施例示意图；

图4为本发明图2中第二电子装置的解码器的一实施例示意图；

图5为本发明基于深度学习与信道状态信息的编解码方法的流程一实施例示意图；

图6为本发明一实施例与现有技术于正规化均方误差(NMSE)的比较表；以及

图7为本发明一实施例与现有技术对第一链路CSI的重建时间的比较图。

主要组件符号说明

1 基于深度学习与信道状态信息的通信系统

10 第一电子装置

11 第一链路CSI(信道状态信息)

12 CSI编码器

121 编码器

20 第二电子装置

21 第二链路CSI

22 CSI编解码器

221 编码器

222 解码器

223 具记忆功能的神经网络

A1 卷积层、批次正规化层与激活函数层

A2 池化层

B1 双线性升采样层

B2 卷积层、批次正规化层与第一激活函数层

B3 第一激活函数层

B4 卷积层、批次正规化层与第二激活函数层

Cw1 第一码字

Cw2 第二码字

De 解码程序或还原程序

En 编码程序或压缩程序

M1 第一LSTM单元

M2 第二LSTM单元

M3 第三LSTM单元

L1 第一链路

L2 第二链路

L3 反馈链路

P12至P14、P22至P24、P32至P34、P42至P44 点

S11至S19、S21至S31 程序

S41至S43 步骤

T1、T2 天线。

具体实施方式

以下借由特定的具体实施形态说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点与效果，也可借由其他不同的具体实施形态加以施行或应用。

图1为本发明基于深度学习与信道状态信息(CSI)的通信系统1的一实施例架构示意图。如图所示，本发明的基于深度学习与信道状态信息的通信系统1包括一第一电子装置10与一第二电子装置20，且第一电子装置10或第二电子装置20可为用户装置(如智能手机、平板电脑、笔记型电脑、智能手表)或基站等，但不以为限。

例如，在频分双工多输入多输出(FDD MIMO)系统或频分双工大规模多输入多输出(FDD Massive MIMO)系统下，第一电子装置10具有一或多天线T1，第二电子装置20具有多天线T2，且第一电子装置10与第二电子装置20能通过第一链路L1或第二链路L2互相通信或传送数据，其中第一链路L1或第二链路L2可为下行链路、平行链路或上行链路。例如，由第二电子装置20(如基站)作为传送端以传送数据至作为接收端的第一电子装置10(如用户装置)，称为第一链路L1(如下行链路)；反之，由第一电子装置10(如用户装置)作为传送端以传送数据至作为接收端的第二电子装置20(如基站)，则称为第二链路L2(如上行链路)。

第一电子装置10可包括已存储的一第一链路CSI 11与一具有深度学习功能的CSI(信道状态信息)编码器12。第二电子装置20可包括已存储的一第二链路CSI 21与一具有深度学习功能的CSI编解码器(coder-decoder，CODEC)22，第一链路CSI 11与第二链路CSI 21具有关联性或相似性，第一电子装置未预先具有第二电子装置20的第二链路CSI 21，且第二电子装置20未预先具有第一电子装置10的第一链路CSI 11。第一电子装置10的CSI编码器12可将第一链路CSI 11编码或压缩为第一码字(Codeword)Cw1，以经由反馈链路L3反馈第一码字Cw1至第二电子装置20，且第二电子装置20的CSI编解码器22将第二链路CSI 21编码或压缩为第二码字Cw2(见图2)，以供CSI编解码器22依据第一码字Cw1与第二码字Cw2解码或还原出第一电子装置10的第一链路CSI 11。

图2为本发明基于深度学习与信道状态信息的通信系统1的一实施例示意图。图3A为本发明图2中第一电子装置10的编码器121的一实施例示意图，图3B为本发明图2中第二电子装置20的编码器221的一实施例示意图，其中第一电子装置10的编码器121与第二电子装置20的编码器221均具有相同的参数(如深度学习的权重)。图4为本发明图2中第二电子装置20的解码器222的一实施例示意图。

如图1与图2所示，图1的第一电子装置10的CSI编码器12可将第一链路CSI 11进行预处理，且CSI编码器12可包括图2的编码器121，以通过编码器121将预处理后的第一链路CSI 11编码或压缩为第一码字Cw1。

如图2与图3A所示，第一电子装置10的编码器121可包括一卷积层(ConvolutionLayer)、一批次正规化层(Batch Normalization Layer)、一激活函数层(ActivationFunction Layer)与一池化层(Pooling Layer)其中至少一个，以利用卷积层、批次正规化层、激活函数层与池化层其中至少一个提供一编码程序或压缩程序En，进而依据编码程序或压缩程序En将第一链路CSI 11编码或压缩为第一码字Cw1。例如，卷积层可为3x3卷积层，激活函数层可为LeakyReLU(alpha＝0.3)，其中LeakyReLU是修正线性单元(RectifiedLinear Unit，ReLU)的特殊版本，而池化层可为平均池化层(Average Pooling layer)。

关于上述第一电子装置10的编码器121的编码程序或压缩程序En，可例如为图3A的程序S11至程序S19所载，但不以此为限。

举例而言，在图3A的程序S11中，第一电子装置10的编码器121可通过卷积层、批次正规化层与激活函数层A1将“第一链路CSI 11”编码或压缩为“64层32x32维度的三维矩阵”。在图3A的程序S12中，编码器121可通过池化层A2将“64层32x32维度的三维矩阵”编码或压缩为“64层16x16维度的三维矩阵”。在图3A的程序S13中，编码器121可通过卷积层、批次正规化层与激活函数层A1将“64层16x16维度的三维矩阵”编码或压缩为“128层16x16维度的三维矩阵”。

在图3A的程序S14中，编码器121可通过池化层A2将“128层16x16维度的三维矩阵”编码或压缩为“128层8x8维度的三维矩阵”。在图3A的程序S15中，编码器121可通过卷积层、批次正规化层与激活函数层A1将“128层8x8维度的三维矩阵”编码或压缩为“256层8x8维度的三维矩阵”。在图3A的程序S16中，编码器121可通过池化层A2将“256层8x8维度的三维矩阵”编码或压缩为“256层4x4维度的三维矩阵”。

在图3A的程序S17中，编码器121可通过卷积层、批次正规化层与激活函数层A1将“256层4x4维度的三维矩阵”编码或压缩为“512层4x4维度的三维矩阵”。在图3A的程序S18中，编码器121可通过池化层A2将“512层4x4维度的三维矩阵”编码或压缩为“512层2x2维度的三维矩阵”。在图3A的程序S19中，编码器121可通过卷积层、批次正规化层与激活函数层A1将“512层2x2维度的三维矩阵”编码或压缩为“M/(2x2)层2x2维度的三维矩阵”，以依据“M/(2x2)层2x2维度的三维矩阵”得到第一码字Cw1，其中M/(2x2)为正整数，M为4的倍数。

如图1与图2所示，图1的第二电子装置20的CSI编解码器22可包括图2的一编码器221与一解码器222，编码器221可将第二链路CSI 21编码或压缩为第二码字Cw2，且解码器222可将第一码字Cw1与第二码字Cw2一并解码或还原为三层维度的信道矩阵。

如图2与图3B所示，第二电子装置20的编码器221可包括一卷积层、一批次正规化层、一激活函数层与一池化层其中至少一个，以利用卷积层、批次正规化层、激活函数层与池化层其中至少一个提供一编码程序或压缩程序En，进而依据编码程序或压缩程序En将第二链路CSI 21编码或压缩为第二码字Cw2。

图3B所示第二电子装置20的编码器221与上述图3A所示第一电子装置10的编码器121两者均具有的编码程序或压缩程序En(如程序S11至程序S19)，也就是编码器121与编码器221两者的编码程序或压缩程序En可具有相同的参数(如深度学习的权重)，使得编码器121与编码器221两者能互相替换或取代，从而可以不必设置两套不同的编码程序或压缩程序在编码器121与编码器221中。而且，将图3A的第一链路CSI 11输入至编码器121，可以通过相同的编码程序或压缩程序En输出M/(2x2)层2x2维度的三维矩阵(如第一码字Cw1)；而将图3B的第二链路CSI 21输入至编码器221，可以通过相同的编码程序或压缩程序En输出128层2x2维度的三维矩阵(如第二码字Cw2)。同时，有关图3B的编码器221的编码程序或压缩程序En，如同上述图3A的编码器121的编码程序或压缩程序En的详细说明，在此不再重复叙述。

如图2与图4所示，第二电子装置20的解码器222可包括一双线性升采样层(Bilinear upsampling Layer)、一卷积层、一批次正规化层、一第一激活函数层与一第二激活函数层其中至少一个，以利用双线性升采样层、卷积层、批次正规化层、第一激活函数层与第二激活函数层其中至少一个提供一解码程序或还原程序De，进而依据解码程序或还原程序De将第一码字Cw1与第二码字Cw2解码或还原为三层维度的信道矩阵。例如，卷积层可为3x3卷积层，第一激活函数层可为LeakyReLU(alpha＝0.3)，其中LeakyReLU是修正线性单元(ReLU)的特殊版本，而第二激活函数层可为S形函数(Sigmoid)层。

关于上述第二电子装置20的解码器222的解码程序或还原程序De，可例如为图4的程序S21至程序S31所载，但不以此为限。

举例而言，在图4的程序S21中，第二电子装置20的解码器222可通过双线性升采样层B1将“M/(2x2)+128层2x2维度的三维矩阵(即第一码字Cw1与第二码字Cw2)”解码或还原为“M/(2x2)+128层4x4维度的三维矩阵”。在图4的程序S22中，解码器222可通过卷积层、批次正规化层与第一激活函数层B2将“M/(2x2)+128层4x4维度的三维矩阵”解码或还原为“512层4x4维度的三维矩阵”。在图4的程序S23中，解码器222可通过双线性升采样层B1将“512层4x4维度的三维矩阵”解码或还原为“512层8x8维度的三维矩阵”。在图4的程序S24中，解码器222可通过卷积层、批次正规化层与第一激活函数层B2将“512层8x8维度的三维矩阵”解码或还原为“256层8x8维度的三维矩阵”。

在图4的程序S25中，解码器222可通过双线性升采样层B1将“256层8x8维度的三维矩阵”解码或还原为“256层16x16维度的三维矩阵”。在图4的程序S26中，解码器222可通过卷积层、批次正规化层与第一激活函数层B2将“256层16x16维度的三维矩阵”解码或还原为“128层16x16维度的三维矩阵”。在图4的程序S27中，解码器222可通过双线性升采样层B1将“128层16x16维度的三维矩阵”解码或还原为“128层32x32维度的三维矩阵”。在图4的程序S28中，解码器222可通过卷积层、批次正规化层与第一激活函数层B2将“128层32x32维度的三维矩阵”解码或还原为“64层32x32维度的三维矩阵”。

在图4的程序S29、程序S30与程序S31中，解码器222可依序通过程序S29所示“卷积层、批次正规化层与第一激活函数层B2”、程序S30所示“第一激活函数层B3与第一优化网络(如RefineNet)”、程序31所示“卷积层、批次正规化层、第二激活函数层B4与第二优化网络(如RefineNet)”，将“64层32x32维度的三维矩阵”解码或还原为“2层32x32维度的信道矩阵(即三层维度的信道矩阵)”。

又如图1与图2所示，第二电子装置20的CSI编解码器22还包括一具记忆功能的神经网络223，以通过具记忆功能的神经网络223从图4的程序S31所述“2层32x32维度的信道矩阵(即三层维度的信道矩阵)”中解码或还原出第二链路CSI 21与第一链路CSI 11。具记忆功能的神经网络223可例如为递归神经网络(Recurrent Neural Network；RNN)、或由多层的长短期记忆(Long Short Term Memory；LSTM)单元所构成的长短期记忆网络，例如由三层的第一LSTM单元M1、第二LSTM单元M2与第三LSTM单元M3所构成的长短期记忆网络，但不以此为限。

图5为本发明基于深度学习与信道状态信息(CSI)的编解码方法的流程一实施例示意图，请一并参阅上述图1至图4。同时，图5的主要技术内容如下，其余技术内容如同上述图1至图4的详细说明，在此不再重复叙述。

在图5的步骤S41中，提供包括已存储的一第一链路CSI 11与一具有深度学习功能的CSI编码器12的第一电子装置10、以及包括已存储的一第二链路CSI 21与一具有深度学习功能的CSI编解码器22的第二电子装置20，第一链路CSI 11与第二链路CSI 21具有关联性或相似性，第一电子装置未预先具有第二电子装置20的第二链路CSI 21，且第二电子装置20未预先具有第一电子装置10的第一链路CSI 11。

在图5的步骤S42中，由第一电子装置10的CSI编码器12将第一链路CSI 11编码或压缩为第一码字Cw1，以经由反馈链路L3反馈第一码字Cw1至第二电子装置20，并由第二电子装置20的CSI编解码器22将第二链路CSI 21编码或压缩为第二码字Cw2。

具体而言，可由第一电子装置10的CSI编码器12将第一链路CSI 11进行预处理，且CSI编码器12包括一编码器121以将预处理后的第一链路CSI 11编码或压缩为第一码字Cw1。例如，利用编码器121的一卷积层、一批次正规化层、一激活函数层与一池化层其中至少一个提供一编码程序或压缩程序En，以依据编码程序或压缩程序En将第一链路CSI 11编码或压缩为第一码字Cw1。

此外，可由第二电子装置20的CSI编解码器22的编码器221将第二链路CSI 21编码或压缩为第二码字Cw2。例如，利用编码器221的一卷积层、一批次正规化层、一激活函数层与一池化层其中至少一个提供一编码程序或压缩程序En，以依据编码程序或压缩程序En将第二链路CSI 21编码或压缩为第二码字Cw2。

在图5的步骤S43中，由第二电子装置20的CSI编解码器22依据第一码字Cw1与第二码字Cw2解码或还原出第一电子装置10的第一链路CSI 11。

具体而言，可由CSI编解码器22的解码器222将第一码字Cw1与第二码字Cw2一并解码或还原为三层维度的信道矩阵。例如，可利用第二电子装置20的CSI编解码器22中解码器222的一双线性升采样层、一卷积层、一批次正规化层、一第一激活函数层与一第二激活函数层其中至少一个提供一解码程序或还原程序De，以依据解码程序或还原程序De将第一码字Cw1与第二码字Cw2解码或还原为三层维度的信道矩阵。同时，可利用第二电子装置20的CSI编解码器22中一具记忆功能的神经网络223从三层维度的信道矩阵中解码或还原出第一链路CSI 11，且具记忆功能的神经网络223为递归神经网络(RNN)、或由多层的长短期记忆(LSTM)单元所构成的长短期记忆网络等。

图6为本发明一实施例与现有技术在正规化均方误差(NMSE)的比较表，可将重建的第一链路的信道矩阵与原先的第一链路的信道矩阵之间通过正规化均方误差(Normalized Mean Squared Error；NMSE)来比较差异。图中，现有技术LASSO为最小绝对值缩减与选择运算(least absolute shrinkage and selection operator)技术，现有技术BM3D-AMP为区块匹配与三维滤波-近似讯息传递(Block Matching and 3D filtering-Approximate Message Passing)技术，现有技术TVAL3为增广拉格朗日量的总变差最小化(Total Variation minimization by Augmented Lagrangian)技术，现有技术CsiNet为信道状态信息(CSI)网络技术。

经实际测试结果，在室内的环境下，对第一电子装置的第一链路CSI的压缩率分别为1/16、1/32、1/64时，现有技术LASSO的正规化均方误差(NMSE)分别为-2.72、-1.03、-0.14(dB)，本实施例的正规化均方误差(NMSE)分别为-15.23、-12.08、-9.23(dB)，小于现有技术LASSO的正规化均方误差(NMSE)，表示本实施例通过深度学习与信道状态信息的技术解码或还原第一电子装置的第一链路CSI时，能具有比现有技术更好的效能。

此外，在室外的环境下，对第一电子装置的第一链路CSI的压缩率分别为1/16、1/32、1/64时，现有技术LASSO的正规化均方误差(NMSE)分别为-1.01、-0.24、-0.06(dB)，本实施例的正规化均方误差(NMSE)分别为-13.22、-13.18、-11.95(dB)，小于现有技术LASSO的正规化均方误差(NMSE)，表示本实施例通过深度学习与信道状态信息的技术解码或还原第一电子装置的第一链路CSI时，能具有比现有技术更好的效能。

同样地，在室内或室外的环境下，对第一电子装置的第一链路CSI的压缩率分别为1/16、1/32、1/64时，本实施例的正规化均方误差(NMSE)皆小于现有技术BM3D-AMP、TVAL3与CsiNet三者的正规化均方误差(NMSE)，表示本实施例通过深度学习与信道状态信息的技术解码或还原第一电子装置的第一链路CSI时，能具有比现有技术更好的效能。

图7为本发明一实施例与现有技术对第一链路CSI的重建时间的比较图。图中，对第一电子装置的第一链路CSI依序为由低至高的压缩率1/16、1/32、1/64时，本实施例依序为点P12、P13、P14，现有技术LASSO依序为点P22、P23、P24，现有技术BM3D-AMP依序为点P32、P33、P34，现有技术TVAL3依序为点P42、P43、P44。

经实际测试结果，对第一电子装置的第一链路CSI的压缩率依序为1/16、1/32、1/64时，现有技术LASSO对第一链路CSI的重建时间依序为点P22、P23、P24的约6x10^-1至9x10^-1秒，本实施例对第一链路CSI的重建时间(即CSI编码器的编码时间加CSI编解码器的编解码时间)依序为点P12、P13、P14的约9x10^-2秒而小于现有技术LASSO的重建时间，表示本实施例可用极少的反馈讯息便可得到良好的第一链路CSI的重建效果，拥有极低的时间复杂度以快速重建第一链路CSI。

同理，对第一电子装置的第一链路CSI的压缩率依序为1/16、1/32、1/64时，本实施例对第一链路CSI的重建时间(见点P12、P13、P14)分别小于现有技术BM3D-AM的重建时间(见点P32、P33、P34)与现有技术TVAL的重建时间(见点P42、P43、P44)，表示本实施例可用极少的反馈讯息便可得到良好的第一链路CSI的重建效果，拥有极低的时间复杂度以快速重建第一链路CSI。

综上所述，本发明基于深度学习与信道状态信息(CSI)的通信系统及编解码方法可具有下列的特色、优点或技术效果。

一、本发明通过深度学习的技术与第二电子装置的第二链路CSI(信道状态信息)来重建第一电子装置的第一链路CSI，除能具有比现有技术更佳的效能外，也能在任何环境(如室内或室外的环境)下都维持良好的效能。

二、本发明在编码(压缩)与解码(还原)第一链路CSI的过程中，使用了第一链路CSI与第二链路CSI之间的关联性或相似性，使信道不管在哪个环境下皆有良好的效能。

三、相较于现有技术，本发明可用极少的反馈讯息便可得到良好的第一链路CSI的重建效果，拥有极低的时间复杂度以快速重建第一链路CSI。

四、本发明所提出的编码(压缩)与解码(还原)的技术没有局限性，使得此技术能更接近实际应用。

上述实施形态仅例示性说明本发明的原理、特点及其效果，并非用以限制本发明的可实施范围，本领域技术人员均可在不违背本发明的精神及范围下，对上述实施形态进行修饰与改变。任何运用本发明所揭示内容而完成的等效改变及修饰，均仍应为权利要求范围所涵盖。因此，本发明的权利保护范围，应如权利要求书所列。

Claims (16)

1.一种基于深度学习与信道状态信息的通信系统，其特征在于，包括：

第一电子装置，其包括已存储的第一链路信道状态信息CSI与具有深度学习功能的信道状态信息CSI编码器；以及

第二电子装置，其包括已存储的第二链路信道状态信息CSI与具有深度学习功能的信道状态信息CSI编解码器，该第一链路CSI与该第二链路CSI具有关联性或相似性，且该第二电子装置未预先具有该第一电子装置的第一链路CSI；

其中，该第一电子装置的该CSI编码器将该第一链路CSI编码或压缩为第一码字，以经由反馈链路反馈该第一码字至该第二电子装置，且该第二电子装置的该CSI编解码器将该第二链路CSI编码或压缩为第二码字，以供该CSI编解码器依据该第一码字与该第二码字解码或还原出该第一电子装置的该第一链路CSI。

2.根据权利要求1所述的通信系统，其特征在于，该第一电子装置的该CSI编码器将该第一链路CSI进行预处理，且该CSI编码器包括编码器以将预处理后的该第一链路CSI编码或压缩为该第一码字。

3.根据权利要求2所述的通信系统，其特征在于，该第一电子装置的该编码器包括卷积层、批次正规化层、激活函数层与池化层其中至少一个，以利用该卷积层、批次正规化层、激活函数层与池化层其中至少一个提供编码程序或压缩程序，进而依据该编码程序或压缩程序将该第一链路CSI编码或压缩为该第一码字。

4.根据权利要求1所述的通信系统，其特征在于，该第二电子装置的该CSI编解码器包括编码器与解码器，该编码器将该第二链路CSI编码或压缩为该第二码字，且该解码器将该第一码字与该第二码字并解码或还原为三层维度的信道矩阵。

5.根据权利要求4所述的通信系统，其特征在于，该第二电子装置的该编码器包括卷积层、批次正规化层、激活函数层与池化层其中至少一个，以利用该卷积层、批次正规化层、激活函数层与池化层其中至少一个提供编码程序或压缩程序，进而依据该编码程序或压缩程序将该第二链路CSI编码或压缩为该第二码字。

6.根据权利要求4所述的通信系统，其特征在于，该第二电子装置的该解码器包括双线性升采样层、卷积层、批次正规化层、第一激活函数层与第二激活函数层其中至少一个，以利用该双线性升采样层、卷积层、批次正规化层、第一激活函数层与第二激活函数层其中至少一个提供解码程序或还原程序，进而依据该解码程序或还原程序将该第一码字与该第二码字并解码或还原为该三层维度的信道矩阵。

7.根据权利要求4所述的通信系统，其特征在于，该第二电子装置的该CSI编解码器还包括具记忆功能的神经网络，用以从该三层维度的信道矩阵中解码或还原出该第一链路CSI。

8.根据权利要求7所述的通信系统，其特征在于，该具记忆功能的神经网络为递归神经网络(RNN)、或由多层的长短期记忆(LSTM)单元所构成的长短期记忆网络。

9.一种基于深度学习与信道状态信息的编解码方法，其特征在于，包括：

提供包括已存储的第一链路信道状态信息CSI与具有深度学习功能的信道状态信息CSI编码器的第一电子装置、以及包括已存储的第二链路信道状态信息CSI与具有深度学习功能的CSI编解码器的第二电子装置，该第一链路CSI与该第二链路CSI具有关联性或相似性，且该第二电子装置未预先具有该第一电子装置的第一链路CSI；

由该第一电子装置的该CSI编码器将该第一链路CSI编码或压缩为第一码字，以经由反馈链路反馈该第一码字至该第二电子装置，并由该第二电子装置的该CSI编解码器将该第二链路CSI编码或压缩为第二码字；以及

由该第二电子装置的该CSI编解码器依据该第一码字与该第二码字解码或还原出该第一电子装置的该第一链路CSI。

10.根据权利要求9所述的编解码方法，其特征在于，该方法还包括由该第一电子装置的该CSI编码器将该第一链路CSI进行预处理，且该CSI编码器包括编码器以将预处理后的该第一链路CSI编码或压缩为该第一码字。

11.根据权利要求10所述的编解码方法，其特征在于，该方法还包括利用该编码器的卷积层、批次正规化层、激活函数层与池化层其中至少一个提供编码程序或压缩程序，以依据该编码程序或压缩程序将该第一链路CSI编码或压缩为该第一码字。

12.根据权利要求9所述的编解码方法，其特征在于，该方法还包括由该第二电子装置的该CSI编解码器的编码器将该第二链路CSI编码或压缩为该第二码字，并由该CSI编解码器的解码器将该第一码字与该第二码字并解码或还原为三层维度的信道矩阵。

13.根据权利要求12所述的编解码方法，其特征在于，该方法还包括利用该编码器的卷积层、批次正规化层、激活函数层与池化层其中至少一个提供编码程序或压缩程序，以依据该编码程序或压缩程序将该第二链路CSI编码或压缩为该第二码字。

14.根据权利要求12所述的编解码方法，其特征在于，该方法还包括利用该解码器的双线性升采样层、卷积层、批次正规化层、第一激活函数层与第二激活函数层其中至少一个提供解码程序或还原程序，以依据该解码程序或还原程序将该第一码字与该第二码字解码或还原为该三层维度的信道矩阵。

15.根据权利要求12所述的编解码方法，其特征在于，该方法还包括由该第二电子装置的该CSI编解码器中具记忆功能的神经网络从该三层维度的信道矩阵中解码或还原出该第一链路CSI。

16.根据权利要求15所述的编解码方法，其特征在于，该具记忆功能的神经网络为递归神经网络(RNN)、或由多层的长短期记忆(LSTM)单元所构成的长短期记忆网络。

Images