CN111464220B - 一种基于深度学习的信道状态信息重建方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的信道状态信息重建方法，在用户端得到频域上N_BS×N_c维的信道矩阵H；对得到的信道矩阵H进行变换到只有非零元素的角度时延域信道矩阵H^a；在角度时延域上，截取得到的信道矩阵H^a中前

行得到

维的新矩阵

将新矩阵

变换为维度2N×1的非稀疏向量X，将非稀疏向量X作为待压缩的数据，利用压缩感知技术进行压缩得到待反馈的信道状态信息Y；重建信道状态信息网络并训练；根据训练好的ReNet网络模型，从得到的待反馈的信道状态信息Y中恢复

Y为网络的输入数据，

为网络的输出数据，得到

后执行傅里叶逆变换得到原始的CSI。本发明对用户端得到的原始CSI数据进行处理，便于后续的压缩与反馈，通过经由已知样本训练好的网络完成对压缩数据的恢复。

Description

一种基于深度学习的信道状态信息重建方法

技术领域

本发明属于通信技术领域，具体涉及一种基于深度学习的信道状态信息重建方法。

背景技术

大规模多输入多输出(Multiple-input Multiple-output,MIMO)系统可以提高无线通信的频谱和功率利用率，是第五代无线通信系统的主要技术之一。在大规模MIMO系统中，基站通常需要利用信道状态信息(Channel State Information，CSI)进行预编码、自适应编码、用户调度等操作，因此在基站端能否获得准确的CSI对通信系统的性能具有显著的影响。

在时分双工(Time Division Duplexing,TDD)系统下，由于上下信道之间的互易性，发射端可以通过上行信道估计得到CSI，然后通过互易性确定下行信道的CSI。但是在频分双工(Frequency Division Duplexing，FDD)模式下，上下行链路所占有的频率并不相同，瞬时信道中不具有互易性。用户需要将获得的信道状态信息反馈回基站，以便在基站处获得准确的CSI。然而由于大规模MIMO天线数量巨大，子载波数量较多，这一过程将导致巨大的开销，需要通过一定的方法对反馈的信息进行压缩从而减小信道反馈所占用的频谱资源。

常用的信道反馈方法有完全信道反馈，基于码本的部分信道信息反馈和基于压缩感知的算法。基于码本的部分信道信息反馈算法的原理是基站端和用户端都保留码本信息，用户端将接收到的信道信息同码字作比较之后只反馈一个最接近信道信息的码字在码本中的序号，该方法可在牺牲一定系统性能的前提下降低反馈开销。完全信道反馈虽然能得到完整的信道信息，但却极大降低了频谱效率。

基于压缩感知的算法在近年来被广泛应用，该理论证明只要信号在某个空间具有稀疏性，就能以较低的速率采样原始信号，并且可以以较高的概率重构信号。由于信道在角度以及时延域上都可表现出稀疏特性，因此可以利用压缩感知技术对用户端获得的信道信息进行压缩，在基站端利用重建算法完成对信道信息的重建。传统的重建算法，如正交匹配追踪(Orthogonal Matching Pursuit，OMP)等算法都需要较多的迭代次数，这增加了计算的复杂性。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于深度学习的信道状态信息重建方法，使得在基站端不仅可以获得准确CSI，同时还可以降低计算复杂度。

本发明采用以下技术方案：

一种基于深度学习的信道状态信息重建方法，包括以下步骤：

S1、在用户端得到频域上N_BS×N_c维的信道矩阵H；

S2、对步骤S1得到的信道矩阵H进行变换到只有非零元素的角度时延域信道矩阵H^a；

S3、在角度时延域上，根据步骤S2得到的信道矩阵H^a中只有前

行有非零元素，将H^a截取前

行，得到

维的新矩阵

S4、将步骤S3得到的新矩阵

中每个实部和虚部的元素分别加上0.5后再变换为维度2N×1的非稀疏向量X，将非稀疏向量X作为待压缩的数据，利用压缩感知技术进行压缩得到待反馈的信道状态信息Y；

S5、基于深度学习重建信道状态信息网络，利用已有的样本集训练重建的信道状态信息网络；

S6、根据步骤S5中训练好的ReNet网络模型，从步骤S4得到的待反馈的信道状态信息Y中恢复

Y为网络的输入数据，

为网络的输出数据，得到

后执行傅里叶逆变换得到原始的CSI。

具体的，步骤S1中，信道矩阵H为：

其中，

表示N_BS×N_c维元素为复数的矩阵，h为信道矢量。

具体的，步骤S2中，角度时延域上的信道矩阵H^a为：

其中，A_d和

分别为N_c×N_c与N_BS×N_BS维的傅里叶变换矩阵，H表示共轭转置。

具体的，步骤S4中，压缩比为

待反馈的信道状态信息Y为：

Y＝ΦX

其中，X∈C^2N×1，

Φ∈C^M×2N为高斯随机测量矩阵，Y∈C^M×1。

具体的，步骤S5中，基于深度学习的信道状态信息重建网络包括预训练模型和fine tune模型，预训练模型中包含七层卷积神经网络，一层SPP网络和全连接层；每层卷积神经网络均使用线性单元作为激活函数，并且每一层都加入了批归一化，每层的卷积核尺寸均为3×3；最后一个卷积神经网络和全连接层之间添加的SPP网络；fine tune模型用于微调，每一个Resblock模块包括四个卷积网络，每层的卷积核尺寸均为3×3；第二层、第三层、第四层分别生成8、16、2个特征图；每个Resblock的输出都为其输入和第四个卷积网络的输出之和；最后一个Resblock的输出是X的最终重构结果，最后将X线性变换为

finetune模型最后的卷积层使用sigmoid激活函数，用于将值缩放到[0,1]。

进一步的，具体为：

S501、首先进行多尺寸交叉训练，使用四个不同压缩比下获得的输入分别训练预训练模型，并将得到的四个不同压缩比下的模型保存；

S502、利用训练后的预训练模型对整个ReNet网络进行单尺寸训练，得到最终结果。

更进一步的，步骤S501中，利用自适应矩估计算法和均方误差损失函数，在每一轮训练中，首先用尺寸为size2的样本训练一轮网络，然后用尺寸为size1的样本再训练一轮。

更进一步的，均方误差损失函数为：

其中，||·||为欧几里得范数，Θ为参数集，T为训练集的样本数，f(Y；Θ)为训练模型的输出。

更进一步的，步骤S502中，使用尺寸为size1的样本训练ReNet。

与现有技术相比，本发明至少具有以下有益效果：

本发明基于一种深度学习的信道状态信息重建方法，将用户端获得的频域信道信息转换到角度时延域，得到稀疏的信道矩阵。将角度时延域信道矩阵趋近于零的部分删去，得到一个新的稀疏矩阵，以便减少反馈量，将稀疏矩阵线性变换到非稀疏域，乘以四个不同尺寸的测量矩阵以实现对信号不同压缩比下的压缩，根据训练好的不同压缩比下的网络，对接收到的压缩信号进行恢复，完成信道反馈与重建过程；与传统压缩感知中的重建算法相比，本发明能够在相同反馈量的前提下，利用已有的CSI样本集训练重建网络，通过训练好的网络恢复原始信道状态信息，提高了CSI重建的精确度，极大降低了基站端重建的计算时间。

进一步的，提出了一种基于深度学习的信道状态信息重建网络，可将信道矩阵乘以测量矩阵后的压缩测量值作为网络的输入，网络的输出即为角度时延域下的信道矩阵，重建网络包括预训练模型和fine tune模型，预训练模型用于得到角度时延域下的信道矩阵的初始估计值，fine tune模型用于对预训练模型进行微调，用于获得更加准确的角度时延域下的信道矩阵。

进一步的，在训练预训练模型时使用多尺寸交叉训练，该训练模式的引入可以在模型训练的过程中有效减小模型过拟合。

进一步的，使用预训练模型得到的数据来训练fine tune模型。

综上所述，本发明对用户端得到的原始CSI数据进行处理，便于后续的压缩与反馈。为了提高重建的性能，设计了基于深度学习的重建网络，通过经由已知样本训练好的网络完成对压缩数据的恢复。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明方法所应用的场景示意图；

图2为信道链路示意图；

图3为实现模块流程图；

图4为CSI反馈框架图；

图5为压缩比为1/8下的部分样本的重建信道状态信息与原始信道状态信息对比图。

具体实施方式

本发明提供了一种基于深度学习的信道状态信息重建方法，在FDD模式下采用正交频分复用的大规模MIMO系统中，基站端设置N_BS根天线，K个单天线用户，子载波数为N_c。链路传输示意图如图2所示。第K个用户的第n个子载波上的接收信号表示为：

其中，

为频域上的信道矢量，

为预编码矢量，s_kn∈C为数据符号，v_kn∈C为第n个子载波上的加性噪声。

请参阅图3，本发明一种基于深度学习的信道状态信息重建方法，包括以下步骤：

S1、在用户端得到频域上N_BS×N_c维的信道矩阵H，表示为：

其中，

表示N_BS×N_c维元素为复数的矩阵；

S2、根据S1得到的频域上的信道矩阵，对其变换到只有少量非零元素的角度时延域，转换后的角度时延域上的稀疏信道矩阵表示为：

其中，A_d和

分别为N_c×N_c与N_BS×N_BS维的傅里叶变换矩阵，H表示共轭转置，H^a为角度时延域上的信道矩阵。

S3、在时延域上，根据步骤S2得到的H^a中只有前

行有非零元素，将H^a截取前

行，得到

维的新矩阵

S4、将稀疏域上的

每个实部和虚部的元素分别加上0.5后再变换为维度为2N×1的非稀疏向量X，将X作为待压缩的数据，利用压缩感知技术对其进行压缩，表示如下：

Y＝ΦX

其中，X∈C^2N×1，

Φ∈C^M×2N为高斯随机测量矩阵，压缩比为

Y∈C^M×1代表待反馈的压缩后的CSI。

S5、基于深度学习重建信道状态信息网络，利用已有的样本集训练重建的信道状态信息网络；

请参阅图4，图4(a)为用户端对CSI的预处理以及压缩步骤，在步骤S1～S4中已叙述详细。图4(b)为基站端构建的名为ReNet的基于深度学习的CSI重建网络。

基于深度学习重建信道状态信息网络包括预训练模型和fine tune模型。

预训练模型中包括七层卷积神经网络，一层SPP网络和全连接层；每层卷积神经网络均使用线性单元(LeakeyReLU)作为激活函数，并且每一层都加入了批归一化(BatchNormolization)，每层的卷积核尺寸均为3×3；最后一个卷积神经网络和全连接层之间添加的SPP网络，用于训练具有不同输入尺寸的模型，即预训练模型使用多尺度交叉训练。通过多尺度交叉训练，可以有效减少过拟合，提高CSI的恢复精度。

请参阅图4(b)，基站端可以得到不同压缩比下的测量值。将每个压缩比下的测量值变换为尺寸为size1的二维矩阵，再将该二维矩阵裁剪为更小的尺寸为size2的二维矩阵，不同压缩比下的size1和size2分别如表1所示。

表1多尺度交叉训练网络的输入尺寸

fine tune模型用于微调，从而获得更加精确的CSI。

fine tune模型中包含两个Resblock模块，每一个Resblock模块由四个卷积网络组成，每层的卷积核尺寸均为3×3；第二层、第三层、第四层分别生成8、16、2个特征图；每个Resblock的输出都为其输入和第四个卷积网络的输出之和；即最后一个Resblock的输出是X的最终重构结果，最后将X线性变换为

fine tune模型最后的卷积层使用sigmoid激活函数，用于将值缩放到[0,1]。

网络的训练过程分为以下两个步骤：

S501、首先进行多尺寸交叉训练，使用四个不同压缩比下获得的输入来分别训练预训练模型，并将得到的四个不同压缩比下的模型保存；

对于多尺寸交叉训练过程，预训练模型可以接受不同尺寸的输入。在每一轮训练中，首先用尺寸为size2的样本训练一轮网络，然后用尺寸为size1的样本再训练一轮。该过程利用自适应矩估计算法(adaptive moment estimation algorithm,ADAM)和均方误差损失函数(mean-squared error,MSE)。其中MSE的计算方法如下：

其中，||·||为欧几里得范数，Θ为参数集，T为训练集的样本数，f(Y；Θ)为训练模型的输出。

S502、利用训练后的预训练模型对整个ReNet网络进行单尺寸训练，得到最终结果；在该训练过程中，只使用尺寸为size1的样本训练ReNet。

S6、根据S5中训练好的ReNet网络模型，从步骤S4得到的待反馈的信道状态信息Y中恢复

Y为ReNet网络的输入数据，

为ReNet网络的输出数据，得到

后执行傅里叶逆变换得到原始的CSI。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，仿真使用的场景为COST 2100信道模型下5.3GHZ带宽的室内微微蜂窝场景。在该场景中，基站位于20米宽的正方形室内的中心，用户在其中随机分布，基站天线个数为32，子载波个数为1024。在训练过程中的批量大小为200，每次训练最多迭代800轮。数据集分别为130000个训练集，10000个测试集和10000个验证集。

表1中给出了不同压缩比下，预训练模型输入的两个二维矩阵的尺寸。

后续图中ReNet代表本发明提出的基于深度学习的信道重建算法，即图4(b)的基于深度学习的CSI重建网络，LASSO代表用于稀疏信号恢复的LASSO算法，BM3D-AMP为结合去噪算法的近似消息传递算法，TVAL3为一种基于全变分正则化的重建算法，CS-CsiNet为一种基于压缩感知的卷积神经网络恢复方法。

使用归一化均方误差(Normalized Mean Square Error，NMSE)和余弦相似性用作信道CSI重建性能的评估。

归一化均方误差和余弦相似性的表达表示为：

其中，

为重建的信道矩阵，H为原始的信道矩阵，

为重建得到的第n个子载波上的信道矢量，h_n为原始的第n个子载波上的信道矢量。

表2不同压缩比下的归一化均方误差和离散余弦相似度结果

从表2中可以看出，所提出的可见ReNet算法的性能要明显优于其他算法，其NMSE与其他方法相比具有最小值，并且在余弦相似度上具有最大值。这意味着与传统方法相比，ReNet重建网络在重建精度相同的情况下需要的反馈开销更少。随着压缩比的增加，ReNet的性能也变得更好，与其他传统方法之间的差异更明显。这是因为随着压缩比的增大，压缩测量值可以保留更多的原始信息。此外，ReNet网络重建的速度比其他方法快得多，因为ReNet网络在计算时不需要迭代。

请参阅图5，为压缩比为1/16下的原始的CSI与重建后得到的CSI的伪灰度图对比，从图中可以看出ReNet网络可以较好的重建出CSI。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (6)

1.一种基于深度学习的信道状态信息重建方法，其特征在于，包括以下步骤：

S1、在用户端得到频域上N_BS×N_c维的信道矩阵H；

S2、对步骤S1得到的信道矩阵H进行变换到只有非零元素的角度时延域信道矩阵H^a；

S3、在角度时延域上，根据步骤S2得到的信道矩阵H^a中只有前

行有非零元素，将H^a截取前

行，得到

维的新矩阵

S4、将步骤S3得到的新矩阵

中每个实部和虚部的元素分别加上0.5后再变换为维度2N×1的非稀疏向量X，将非稀疏向量X作为待压缩的数据，利用压缩感知技术进行压缩得到待反馈的信道状态信息Y；

S5、基于深度学习重建信道状态信息网络，利用已有的样本集训练重建的信道状态信息网络，基于深度学习的信道状态信息重建网络包括预训练模型和fine tune模型，预训练模型中包含七层卷积神经网络，一层SPP网络和全连接层；每层卷积神经网络均使用线性单元作为激活函数，并且每一层都加入了批归一化，每层的卷积核尺寸均为3×3；最后一个卷积神经网络和全连接层之间添加的SPP网络；fine tune模型用于微调，每一个Resblock模块包括四个卷积网络，每层的卷积核尺寸均为3×3；第二层、第三层、第四层卷积核个数分别为8、16、2；每个Resblock的输出都为其输入和第四个卷积网络的输出之和；最后一个Resblock的输出是X的最终重构结果，最后将X线性变换为

fine tune模型最后的卷积层使用sigmoid激活函数，用于将值缩放到[0,1]，具体为：

S501、首先进行多尺寸交叉训练，在每一轮训练中，首先用尺寸为size2的样本训练一次网络，然后用尺寸为size1的样本再训练一次；其中，每个压缩比下得到的测量值线性变换为尺寸为size1的二维矩阵，再将该二维矩阵裁剪为更小的尺寸为size2的二维矩阵；使用四个不同压缩比下获得的尺寸为size1和size2的样本分别训练预训练模型，并将得到的四个不同压缩比下的模型保存；

S502、利用训练后的预训练模型对整个ReNet网络进行单尺寸训练，得到最终结果；

S6、根据步骤S5中训练好的ReNet网络模型，从步骤S4得到的待反馈的信道状态信息Y中恢复

Y为网络的输入数据，

为网络的输出数据，得到

后执行傅里叶逆变换得到原始的CSI。

2.根据权利要求1所述的基于深度学习的信道状态信息重建方法，其特征在于，步骤S1中，信道矩阵H为：

其中，

表示N_BS×N_c维元素为复数的矩阵，h为信道矢量。

3.根据权利要求1所述的基于深度学习的信道状态信息重建方法，其特征在于，步骤S2中，角度时延域上的信道矩阵H^a为：

其中，A_d和

分别为N_c×N_c与N_BS×N_BS维的傅里叶变换矩阵，H表示共轭转置。

4.根据权利要求1所述的基于深度学习的信道状态信息重建方法，其特征在于，步骤S4中，压缩比为

待反馈的信道状态信息Y为：

Y＝ΦX

其中，X∈C^2N×1，

Φ∈C^M×2N为高斯随机测量矩阵，Y∈C^M×1。

5.根据权利要求1所述的基于深度学习的信道状态信息重建方法，其特征在于，步骤S5中，均方误差损失函数为：

其中，||·||为欧几里得范数，Θ为参数集，T为训练集的样本数，f(Y；Θ)为训练模型的输出。

6.根据权利要求1所述的基于深度学习的信道状态信息重建方法，其特征在于，步骤S502中，使用尺寸为size1的样本训练ReNet。

Images