CN112468203A - 深度迭代神经网络用低秩csi反馈方法、存储介质及设备 - Google Patents

深度迭代神经网络用低秩csi反馈方法、存储介质及设备 Download PDF

Info

Publication number
CN112468203A
CN112468203A CN202011304130.6A CN202011304130A CN112468203A CN 112468203 A CN112468203 A CN 112468203A CN 202011304130 A CN202011304130 A CN 202011304130A CN 112468203 A CN112468203 A CN 112468203A
Authority
CN
China
Prior art keywords
channel
rank
low
neural network
rest
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
Application number
CN202011304130.6A
Other languages
English (en)
Other versions
CN112468203B (zh
Inventor
薛江
郭建华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Leberger Intelligent System Co ltd
Original Assignee
Hangzhou Leberger Intelligent System Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Leberger Intelligent System Co ltd filed Critical Hangzhou Leberger Intelligent System Co ltd
Priority to CN202011304130.6A priority Critical patent/CN112468203B/zh
Publication of CN112468203A publication Critical patent/CN112468203A/zh
Application granted granted Critical
Publication of CN112468203B publication Critical patent/CN112468203B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04B7/06—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]
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/02—Arrangements for detecting or preventing errors in the information received by diversity reception
    • H04L1/06—Arrangements for detecting or preventing errors in the information received by diversity reception using space diversity
    • H04L1/0618—Space-time coding
    • H04L1/0675—Space-time coding characterised by the signaling
    • H04L1/0693—Partial feedback, e.g. partial channel state information [CSI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明公开了一种深度迭代神经网络用低秩CSI反馈方法、存储介质及设备，把FISTA展开为深度迭代神经网络；基于信道到的低秩性对信道矩阵进行分解，得到信道的线性无关部分与其余部分；基于信道的线性无关部分与其余部分相互线性表出，重构出重构的低秩信道的线性无关部分得到其余部分的一个较优初值；基于稀疏性与低秩信道其余部分的较优初值，利用FISTA算法展开得到深度迭代神经网络分别重构低秩信道的线性无关部分与其余部分；使用CSI压缩反馈信息和测量矩阵训练网络，利用训练好的网络分别重构出的低秩信道的线性无关部分与其余部分，重构出完整的低秩CSI。本发明通过信道的低秩性分别重构低秩信道矩阵的线性无关部分与其余部分，提高CSI重构精度。

Description

深度迭代神经网络用低秩CSI反馈方法、存储介质及设备
技术领域
本发明属于技术领域，具体涉及一种深度迭代神经网络用低秩CSI反馈方法、存储介质及设备。
背景技术
大规模MIMO(Multi-input Multi-output)是5G和未来无线通信系统的重要技术之一。该技术通过在的信号接收端和发射端分别部署多根发射天线和接收天线，在基站获得精准的下行CSI(Channel State Information)的前提下，使得通信系统的频谱效率更高、系统容量更大、鲁棒性更强等优点。
在TDD(Time Division Duplex)系统中，根据上下行信道的互易性，基站可以非常轻松的得到下行CSI。但在FDD(Frequency Division Duplex)系统中，由于上下行信道处在不同的频带，基站无法通过上行CSI直接获取下行CSI，只能通过UE(User Equipment)反馈来获取下行CSI。但由于大规模MIMO中天线数量庞大导致反馈开销巨大。因此如何降低CSI反馈开销成为亟需解决的问题。
基于信道的稀疏性，包括ISTA、AMP、LASSO等压缩感知方法可以以较低压缩比进行CSI重构。但由于这些算法中的很多操作都是手工设置的并且只是单一运用信道稀疏性并没有运用低秩性，而很多情况下信道仅仅是近似稀疏但却拥有低秩性，这使得CSI重构的提升精度并不显著。
近年来，深度学习在自然语言处理和计算机视觉等领域取得了显著的成就，因此也逐渐成为了国内外学者研究的热点。近期，深度学习同样也成功应用到了无线物理层中，在CSI反馈问题上取得了初步的成效。目前使用深度网络实现CSI反馈的方法大都是通过图像处理中一些简单模块设计自动编码器，从而提升CSI反馈重构的精度。但是这些方法大多是数据驱动的，可解释性并不强，并且对于数据较为敏感。
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，提供一种深度迭代神经网络用低秩CSI反馈方法、存储介质及设备，以模型驱动的方式来降低计算复杂度与反馈开销，同时提高重构精度。
本发明采用以下技术方案：
深度迭代神经网络用低秩CSI反馈方法，包括以下步骤：
S1、基于信道的低秩性对信道矩阵进行分解，得到信道的线性无关部分与其余部分；
S2、利用终端与基站同步设定的测量矩阵，分别对步骤S1低秩信道矩阵的线性无关部分与其余部分进行压缩，并反馈至基站得到CSI的压缩反馈信息；
S3、基于步骤S2得到的CSI压缩反馈信息，基于信道矩阵的稀疏性，利用FISTA算法展开得到的深度迭代神经网络重构低秩信道的线性无关部分，并根据信道矩阵的线性无关部分与其余部分的相互线性表出，得到信道矩阵其余部分的一个优于最小二乘方法的初值；
S4、基于步骤S3得到的信道矩阵的其余部分的一个优于最小二乘方法的一个优于最小二乘方法的初值，再次利用FISTA算法展开得到的深度迭代神经网络重构信道矩阵的其余部分；
S5、在不同的信噪比下，使用CSI压缩反馈信息和测量矩阵训练步骤S3与步骤S4中得到的深度迭代神经网络，利用训练好的深度迭代神经网络在基站从终端通过测量矩阵分别压缩低秩信道矩阵的线性无关部分和其余部分的压缩反馈信息，分别重构低秩信道的线性无关部分与其余部分，重构出完整终端反馈的低秩CSI。
具体的，步骤S1中，信道的线性无关部分与其余部分为：
Figure BDA0002787755790000031
其中，
Figure BDA0002787755790000032
Nr,Nt分别为终端和基站的天线数，信道矩阵
Figure BDA0002787755790000033
的秩为r，
Figure BDA0002787755790000034
为信道的线性无关部分，
Figure BDA0002787755790000035
为信道的线性无关部分。
具体的，步骤S3中，令重构出的信道线性无关部分为
Figure BDA0002787755790000036
其余部分的初值为：
Figure BDA0002787755790000037
其中，
Figure BDA0002787755790000038
为信道的线性无关部分，M＝kron(I,h1)，kron为克罗内克积，I为，
Figure BDA0002787755790000039
为信道的线性无关部分，
Figure BDA00027877557900000310
为终端与基站同步设定的测量矩阵，y2为其余部分的反馈信息，m2为目标压缩维度。
具体的，步骤S4中，重构网络具体为：
S401、在第k次迭代中，展开FISTA算法的第一步，进行梯度下降得到
Figure BDA00027877557900000311
S402、将步骤S401中计算的
Figure BDA00027877557900000312
转化为一张单通道的图像
Figure BDA00027877557900000313
Ni表示代表信道的线性无关部分与其余部分的列维度；
S403、利用二维3×3卷积
Figure BDA00027877557900000314
增加
Figure BDA00027877557900000318
的通道数至D，得到卷积后的图像ri (k)且
Figure BDA00027877557900000316
S404、对步骤S403得到的卷积后的图像，利用一个小型子网络逐通道学习出一组阈值
Figure BDA00027877557900000317
S405、根据步骤S404得到的阈值对ri (k)进行软阈值处理，得到稀疏数据并利用3×3卷积
Figure BDA0002787755790000041
降低通道数至1，得到单通道图像
Figure BDA0002787755790000042
S406、基于残差网络，将步骤S402中的单通道图像
Figure BDA0002787755790000043
与步骤S405中的单通道图像
Figure BDA0002787755790000044
相加得到
Figure BDA0002787755790000045
并再次转化为向量得到第k次迭代的迭代值
Figure BDA0002787755790000046
S407、将FISTA算法中的收缩系数整体作为一个可学习的参数
Figure BDA0002787755790000047
进行梯度加速得到第k次迭代的重构值
Figure BDA0002787755790000048
S408、将步骤S401到步骤S407的过程重复迭代训练K次，得到展开FISTA算法的深度迭代神经网络。
进一步的，步骤S404中，小型子网络包括对ri (k)的绝对值进行全局平均池化、两个全连接层、ReLu与Sigmoid激活函数，阈值
Figure BDA0002787755790000049
计算如下：
Figure BDA00027877557900000410
其中，GAP为全局平均池化函数，
Figure BDA00027877557900000411
为通过全连接并放缩到(0,1)的系数。
具体的，步骤S5中，使用25％的压缩比下的CSI反馈样本训练深度迭代神经网络，利用训练得到的深度迭代神经网络模型分别重构低秩信道的线性无关部分和其余部分。
进一步的，训练深度迭代神经网络具体为：
产生训练数据集D，测量矩阵C1与C2；信道H(i)根据基于几何模型的毫米波信道在有散射簇场景下波束域的表示模型随机产生；测量矩阵的每一个元素从独立同分布的服从标准正态分布N(0,1)的随机变量中随机产生；
对训练数据集作预处理，对低秩信道矩阵H(n)进行分解，训练数据集分为针对重构线性无关部分网络与重构其余部分网络两部分数据集，使用多阶段损失函数指导深度迭代神经网络训练，使用反向传播算法计算损失函数关于参数的梯度，应用随机梯度类优化器Adam对神经网络进行优化。
更进一步的，用多阶段损失函数指导深度迭代神经网络训练具体的为：
Figure BDA0002787755790000051
其中，Ni，N，K和γ分别表示vec(hi)的长度，样本数，网络算法迭代次数以及正则参数。
本发明的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。
本发明的另一个技术方案是，一种计算设备，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种深度迭代神经网络用低秩CSI反馈方法，基于信道矩阵的低秩性，将低秩信道矩阵分解为线性无关部分与其余部分，分别进行压缩反馈；通过展开FISTA，将需要手工设计的步长、收缩系数作为可学习的参数，并利用一个小型自网络对于不同的数据自动学习出阈值来分别重构低秩信道矩阵的线性无关部分与其余部分；在重构低秩信道矩阵的其余部分中，利用低秩信道矩阵的两部分间的线性关系得到其余部分的一个优于最小二乘方法的初值，从而提高方法的收敛速度与重构精度；使用CSI压缩反馈信息与测量矩阵分别训练网络，利用训练好的神经网络模型便可以实现对低秩信道矩阵的压缩反馈以及准确重构。
进一步的，利用低秩性，将大型CSI反馈问题分解为两个轻量级CSI反馈问题，并给出其中一个问题的较优初始解。通过这种分解方式，使用基于FISTA展开的神经网络分别重构低秩CSI的两部分，减少了计算开销，并极大地提升了重构的精度。
进一步的，基于传统算法FISTA展开设计深度迭代神经网络，使得网络具有较高的可解释性，并且传统算法中需要手工设置的参数利用网络进行学习，使得其能自适应地重构不同低秩信道数据。
进一步的，通过从低秩信道的线性无关部分来获得其余部分的初值，使得初值利用了信道矩阵的更多信息，从而使得初值的选择更优，算法的迭代次数大大减少，重构结果更加精确。
进一步的，基于注意力机制的设计阈值网络，使得传统算法中的需要手工设置的阈值可以利用网络进行自动学习和调整，并且对于每个样本都有自己独特的一组阈值，使得其能自适应地重构不同低秩信道数据。
进一步的，在不同的信噪比下，采用25％的压缩比，得到CSI反馈样本对网络进行训练，使得网络更加鲁棒。
进一步的，训练数据集中的测量矩阵以及低秩信道矩阵均是随机产生的，排除了其他因素的干扰。
进一步的，采用多阶段损失函数指导网络训练，使得网络可以每个迭代块中尽可能地找到最优的参数，从而更快的收敛。
综上所述，本发明基于展开FISTA算法为深度迭代神经网络，通过信道的低秩性分别重构低秩信道矩阵的线性无关部分与其余部分，以此来提高CSI重构精度。
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为本发明重构方法流程示意图；
图2为展开的FISTA网络示意图；
图3为第k次迭代网络结构示意图；
图4为在低秩信道的无关部分h1在25％的压缩比下重构NMSE为0.008时，h2在不同信噪比下通过最小二乘法从直接从反馈信息重构初值与通过重构的低秩信道无关部分来重构出的初值vec(h2 (0))的精度示意图；
图5为压缩率为25％时，使用CsiNet和本方法在不同信噪比下NMSE对比图。
具体实施方式
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。基于本发明中的实施例，本领域普通技术人员在没有做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。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种深度迭代神经网络用低秩CSI反馈方法、存储介质及设备，把传统算法FISTA(Fast Iterative Shrinkage-Thresholding Algorithm)展开为深度迭代神经网络应用到低秩CSI(Channel State Information)反馈问题中以降低重构复杂度、提高重构精度的准确性；通过基站接收到的CSI压缩反馈信息以及终端与基站同步设定的测量矩阵；基于信道到的低秩性对信道矩阵进行分解，得到信道的线性无关部分与其余部分；基于信道的线性无关部分与其余部分可以相互线性表出，重构出重构的低秩信道的线性无关部分得到其余部分的一个较优初值；基于稀疏性与低秩信道其余部分的较优初值，利用FISTA算法展开得到深度迭代神经网络分别重构低秩信道的线性无关部分与其余部分；使用CSI压缩反馈信息和测量矩阵训练网络，利用训练好的网络分别重构出的低秩信道的线性无关部分与其余部分，从而重构出完整的低秩CSI。本发明基于展开FISTA算法为深度迭代神经网络，通过信道的低秩性分别重构低秩信道矩阵的线性无关部分与其余部分，以此来提高CSI重构精度。
请参阅图1，本发明一种深度迭代神经网络用低秩CSI反馈方法，包括以下步骤：
S1、基于信道的低秩性对信道矩阵进行分解，得到信道的线性无关部分与其余部分；
将信道的实部与虚部进行列拼接，并根据信道低秩性对信道矩阵进行分解，得到信道的线性无关部分与其余部分为：
Figure BDA0002787755790000091
其中，
Figure BDA0002787755790000092
Nr,Nt分别为终端和基站的天线数，信道矩阵
Figure BDA0002787755790000093
的秩为r，
Figure BDA0002787755790000094
为信道的线性无关部分，
Figure BDA0002787755790000095
为信道的线性无关部分。
S2、利用终端与基站同步设定的测量矩阵，对低秩信道矩阵的线性无关部分与其余部分分别进行压缩，并反馈至基站得到CSI的压缩反馈信息；
S3、基于信道矩阵的稀疏性，利用FISTA算法展开得到的深度迭代神经网络重构低秩信道的线性无关部分，并根据信道矩阵的线性无关部分与其余部分可以相互线性表出，得到信道矩阵其余部分的一个优于最小二乘方法的初值；
低秩信道的其余部分可以通过线性无关部分线性表出为：
h2＝h1B (2)
其中，
Figure BDA0002787755790000096
是线性表出矩阵。
向量化后为：
vec(h2)＝Mvec(B) (3)
其中，M＝kron(I,h1)，kron为克罗内克积。
压缩信道的线性无关部分与其余部分的反馈信息分别为：
y1＝C1vec(h1) (4)
y2＝C2vec(h2) (5)
其中，
Figure BDA0002787755790000097
为终端与基站同步设定的测量矩阵，m1和m2为目标压缩维度。
在本发明中令重构出的信道线性无关部分为
Figure BDA0002787755790000098
根据低秩信道的其余部分与线性无关部分的线性关系得到其余部分的初值为：
Figure BDA0002787755790000101
S4、基于信道矩阵的其余部分的初值，再次利用FISTA算法展开得到的深度迭代神经网络重构信道矩阵的其余部分；
请参阅图2和图3，利用展开FISTA的深度迭代神经网络重构低秩信道的线性无关部分与其余部分，展开后k次迭代的网络结构如图3所示。
重构网络的具体如过程为：
S401、在第k次迭代中，展开FISTA算法的第一步
Figure BDA0002787755790000102
其中，i＝1,2分别代表信道的线性无关部分与其余部分，
Figure BDA0002787755790000103
为在第k次迭代中需要学习的步长；
S402、将步骤S401中计算的
Figure BDA0002787755790000104
转化为一张单通道的图像
Figure BDA0002787755790000105
Ni表示代表信道的线性无关部分与其余部分的列维度；
S403、利用二维3×3卷积
Figure BDA0002787755790000106
增加
Figure BDA00027877557900001015
的通道数至D，卷积后的图像如下：
Figure BDA0002787755790000108
且
Figure BDA0002787755790000109
S404、对步骤S403中的结果，利用一个小型子网络逐通道学习出一组阈值
Figure BDA00027877557900001010
小型子网络包括对ri (k)的绝对值进行全局平均池化、两个全连接层、ReLu与Sigmoid激活函数，阈值
Figure BDA00027877557900001011
的计算公式为
Figure BDA00027877557900001012
Figure BDA00027877557900001013
其中，GAP为全局平均池化函数，
Figure BDA00027877557900001014
为通过全连接并放缩到(0,1)的系数。
S405、根据步骤S404得到的阈值对ri (k)进行软阈值处理，得到稀疏数据并利用3×3卷积
Figure BDA00027877557900001111
降低通道数至1，即单通道图像
Figure BDA0002787755790000112
为：
Figure BDA0002787755790000113
S406、基于残差网络，将步骤S402中的单通道图像
Figure BDA00027877557900001112
与
Figure BDA0002787755790000115
相加得到
Figure BDA0002787755790000116
并再次转化为向量得到第k次迭代的迭代值
Figure BDA0002787755790000117
S407、将FISTA算法中的收缩系数整体看作一个可学习的参数
Figure BDA0002787755790000118
进行梯度加速得到第k次迭代的重构值
Figure BDA0002787755790000119
即：
Figure BDA00027877557900001110
S408、将步骤S401到步骤S407的过程重复迭代训练K次，得到展开FISTA算法的深度迭代神经网络。
S5、使用CSI压缩反馈信息和测量矩阵训练深度迭代神经网络，利用训练好的深度迭代神经网络分别重构出的低秩信道的线性无关部分与其余部分，从而重构出完整的低秩CSI。
使用25％的压缩比下的CSI反馈样本训练网络，利用训练得到的神经网络模型分别重构低秩信道的线性无关部分和其余部分；过程如下：
S501、训练深度迭代神经网络阶段
首先，产生训练数据集D，D＝{(H(n)|n＝1,2,…,N)}，其中，N为训练样本总数，以及产生测量矩阵C1与C2；信道H(i)根据基于几何模型的毫米波信道在有散射簇场景下波束域的表示模型随机产生。测量矩阵的每一个元素从独立同分布的服从标准正态分布N(0,1)的随机变量中随机产生。
其次，为了与分解后的重构模型相对应，对训练数据集作预处理。对低秩信道矩阵H(n)进行分解分解，即
Figure BDA0002787755790000121
此时，训练数据集分为针对重构线性无关部分网络与重构其余部分网络两部分数据集
Figure BDA00027877557900001210
网络使用多阶段损失函数指导深度迭代神经网络训练，其形式为：
Figure BDA0002787755790000122
其中，Ni，N，K和γ分别表示vec(hi)的长度，样本数，网络算法迭代次数以及正则参数。
除此之外，使用反向传播算法计算损失函数关于参数的梯度，应用随机梯度类优化器Adam对神经网络进行优化。
S502、深度迭代神经网络测试阶段
对于一个新的低秩信道矩阵H，首先，将其实部与虚部分开进行列拼接，并按照秩进行分解为h1,h2，利用测量矩阵C1与C2进行压缩得到反馈信息y1与y2，将y1与C1输入到训练好的网络之中，此时网络的输出即为重构的低秩信道线性无关部分
Figure BDA0002787755790000123
其次，根据h1与h2之间的线性关系，通过y2和C2得到h2的初值
Figure BDA0002787755790000124
再将y2、C2和
Figure BDA0002787755790000125
输入到训练好的网络中，此时网络的输出即为重构的低秩信道其余部分
Figure BDA0002787755790000126
最后将
Figure BDA0002787755790000127
与
Figure BDA0002787755790000128
恢复到原始维度，并按照在信道矩阵中的索引进行拼接重构出低秩信道矩阵
Figure BDA0002787755790000129
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于深度迭代神经网络用低秩CSI反馈的操作，包括：基于信道的低秩性对信道矩阵进行分解，得到信道的线性无关部分与其余部分；利用终端与基站同步设定的测量矩阵，分别对低秩信道矩阵的线性无关部分与其余部分进行压缩，并反馈至基站得到CSI的压缩反馈信息；基于得到的CSI压缩反馈信息，基于信道矩阵的稀疏性，利用FISTA算法展开得到的深度迭代神经网络重构低秩信道的线性无关部分，并根据信道矩阵的线性无关部分与其余部分的相互线性表出，得到信道矩阵其余部分的一个优于最小二乘方法的初值；基于得到的信道矩阵的其余部分的一个优于最小二乘方法的一个优于最小二乘方法的初值，再次利用FISTA算法展开得到的深度迭代神经网络重构信道矩阵的其余部分；在不同的信噪比下，使用CSI压缩反馈信息和测量矩阵训练深度迭代神经网络，利用训练好的深度迭代神经网络在基站从终端通过测量矩阵分别压缩低秩信道矩阵的线性无关部分和其余部分的压缩反馈信息，分别重构低秩信道的线性无关部分与其余部分，重构出完整终端反馈的低秩CSI。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关电网中长期检修计划的校核方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：基于信道的低秩性对信道矩阵进行分解，得到信道的线性无关部分与其余部分；利用终端与基站同步设定的测量矩阵，分别对低秩信道矩阵的线性无关部分与其余部分进行压缩，并反馈至基站得到CSI的压缩反馈信息；基于得到的CSI压缩反馈信息，基于信道矩阵的稀疏性，利用FISTA算法展开得到的深度迭代神经网络重构低秩信道的线性无关部分，并根据信道矩阵的线性无关部分与其余部分的相互线性表出，得到信道矩阵其余部分的一个优于最小二乘方法的初值；基于得到的信道矩阵的其余部分的一个优于最小二乘方法的一个优于最小二乘方法的初值，再次利用FISTA算法展开得到的深度迭代神经网络重构信道矩阵的其余部分；在不同的信噪比下，使用CSI压缩反馈信息和测量矩阵训练深度迭代神经网络，利用训练好的深度迭代神经网络在基站从终端通过测量矩阵分别压缩低秩信道矩阵的线性无关部分和其余部分的压缩反馈信息，分别重构低秩信道的线性无关部分与其余部分，重构出完整终端反馈的低秩CSI。
请参阅图4，从图中可以看出，本方法在多数噪声情况下的通过低秩信道的无关部分获得其余部分的初值精度远优于直接从反馈信息中获得初值精度。
请参阅图5，CsiNet是利用神经网络进行CSI反馈的一种基本方法，从图中可以看出，本方法在信噪比0dB到30dB之间时，重构的低秩信道精度远优于目前常用的利用神经网络的CSI重构方法。
综上所述，本发明一种深度迭代神经网络用低秩CSI反馈方法、存储介质及设备，把传统算法FISTA(Fast Iterative Shrinkage-Thresholding Algorithm)展开为深度迭代神经网络应用到低秩CSI(Channel State Information)反馈问题中以降低重构复杂度、提高重构精度的准确性；基于信道的低秩性对信道矩阵进行分解，得到信道的线性无关部分与其余部分；基于终端与基站同步设定的测量矩阵，对低秩信道矩阵的线性无关部分与其余部分分别进行压缩，并反馈至基站得到CSI的压缩反馈信息；基于步骤S2得到的CSI压缩反馈信息，，首先基于信道矩阵的稀疏性，利用FISTA算法展开得到的深度迭代神经网络重构低秩信道的线性无关部分，并根据信道矩阵的线性无关部分与其余部分可以相互线性表出，得到信道矩阵其余部分的一个优于最小二乘方法的初值；基于信道矩阵的其余部分的初值，再次利用FISTA算法展开得到的深度迭代神经网络重构信道矩阵的其余部分；在不同的信噪比下，使用CSI压缩反馈信息和测量矩阵训练设计的深度迭代神经网络，利用训练好的深度迭代神经网络在基站从终端通过测量矩阵分别压缩低秩信道矩阵的线性无关部分和其余部分的压缩反馈信息，分别重构低秩信道的线性无关部分与其余部分，从而重构出完整的终端反馈的低秩CSI。本发明基于展开FISTA算法为深度迭代神经网络，通过信道的低秩性分别重构低秩信道矩阵的线性无关部分与其余部分，以此来提高CSI重构精度。
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 (10)

1.深度迭代神经网络用低秩CSI反馈方法，其特征在于，包括以下步骤：
S1、基于信道的低秩性对信道矩阵进行分解，得到信道的线性无关部分与其余部分；
S2、利用终端与基站同步设定的测量矩阵，分别对步骤S1低秩信道矩阵的线性无关部分与其余部分进行压缩，并反馈至基站得到CSI的压缩反馈信息；
S3、基于步骤S2得到的CSI压缩反馈信息，基于信道矩阵的稀疏性，利用FISTA算法展开得到的深度迭代神经网络重构低秩信道的线性无关部分，并根据信道矩阵的线性无关部分与其余部分的相互线性表出，得到信道矩阵其余部分的一个优于最小二乘方法的初值；
S4、基于步骤S3得到的信道矩阵的其余部分的一个优于最小二乘方法的一个优于最小二乘方法的初值，再次利用FISTA算法展开得到的深度迭代神经网络重构信道矩阵的其余部分；
S5、在不同的信噪比下，使用CSI压缩反馈信息和测量矩阵训练步骤S3与步骤S4中得到的深度迭代神经网络，利用训练好的深度迭代神经网络在基站从终端通过测量矩阵分别压缩低秩信道矩阵的线性无关部分和其余部分的压缩反馈信息，分别重构低秩信道的线性无关部分与其余部分，重构出完整终端反馈的低秩CSI。
2.根据权利要求1所述的方法，其特征在于，步骤S1中，信道的线性无关部分与其余部分为：
Figure FDA0002787755780000011
其中，
Figure FDA0002787755780000012
Nr,Nt分别为终端和基站的天线数，信道矩阵
Figure FDA0002787755780000013
的秩为r，
Figure FDA0002787755780000014
为信道的线性无关部分，
Figure FDA0002787755780000015
为信道的线性无关部分。
3.根据权利要求1所述的方法，其特征在于，步骤S3中，令重构出的信道线性无关部分为
Figure FDA0002787755780000021
其余部分的初值为：
Figure FDA0002787755780000022
其中，
Figure FDA0002787755780000023
为信道的线性无关部分，M＝kron(I,h1)，kron为克罗内克积，I为，
Figure FDA0002787755780000024
为信道的线性无关部分，
Figure FDA0002787755780000025
为终端与基站同步设定的测量矩阵，y2为其余部分的反馈信息，m2为目标压缩维度。
4.根据权利要求1所述的方法，其特征在于，步骤S4中，重构网络具体为：
S401、在第k次迭代中，展开FISTA算法的第一步，进行梯度下降得到
Figure FDA0002787755780000026
S402、将步骤S401中计算的
Figure FDA0002787755780000027
转化为一张单通道的图像
Figure FDA0002787755780000028
Ni表示代表信道的线性无关部分与其余部分的列维度；
S403、利用二维3×3卷积
Figure FDA0002787755780000029
增加
Figure FDA00027877557800000210
的通道数至D，得到卷积后的图像ri (k)且
Figure FDA00027877557800000211
S404、对步骤S403得到的卷积后的图像，利用一个小型子网络逐通道学习出一组阈值
Figure FDA00027877557800000212
S405、根据步骤S404得到的阈值对ri (k)进行软阈值处理，得到稀疏数据并利用3×3卷积
Figure FDA00027877557800000213
降低通道数至1，得到单通道图像
Figure FDA00027877557800000214
S406、基于残差网络，将步骤S402中的单通道图像
Figure FDA00027877557800000215
与步骤S405中的单通道图像
Figure FDA00027877557800000216
相加得到
Figure FDA00027877557800000217
并再次转化为向量得到第k次迭代的迭代值
Figure FDA00027877557800000218
S407、将FISTA算法中的收缩系数整体作为一个可学习的参数
Figure FDA00027877557800000219
进行梯度加速得到第k次迭代的重构值
Figure FDA00027877557800000220
S408、将步骤S401到步骤S407的过程重复迭代训练K次，得到展开FISTA算法的深度迭代神经网络。
5.根据权利要求4所述的方法，其特征在于，步骤S404中，小型子网络包括对ri (k)的绝对值进行全局平均池化、两个全连接层、ReLu与Sigmoid激活函数，阈值
Figure FDA0002787755780000031
计算如下：
Figure FDA0002787755780000032
其中，GAP为全局平均池化函数，
Figure FDA0002787755780000033
为通过全连接并放缩到(0,1)的系数。
6.根据权利要求1所述的方法，其特征在于，步骤S5中，使用25％的压缩比下的CSI反馈样本训练深度迭代神经网络，利用训练得到的深度迭代神经网络模型分别重构低秩信道的线性无关部分和其余部分。
7.根据权利要求6所述的方法，其特征在于，训练深度迭代神经网络具体为：
产生训练数据集D，测量矩阵C1与C2；信道H(i)根据基于几何模型的毫米波信道在有散射簇场景下波束域的表示模型随机产生；测量矩阵的每一个元素从独立同分布的服从标准正态分布N(0,1)的随机变量中随机产生；
对训练数据集作预处理，对低秩信道矩阵H(n)进行分解，训练数据集分为针对重构线性无关部分网络与重构其余部分网络两部分数据集，使用多阶段损失函数指导深度迭代神经网络训练，使用反向传播算法计算损失函数关于参数的梯度，应用随机梯度类优化器Adam对神经网络进行优化。
8.根据权利要求7所述的方法，其特征在于，用多阶段损失函数指导深度迭代神经网络训练具体的为：
Figure FDA0002787755780000034
其中，Ni，N，K和γ分别表示vec(hi)的长度，样本数，网络算法迭代次数以及正则参数。
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至8所述的方法中的任一方法。
10.一种计算设备，其特征在于，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至8所述的方法中的任一方法的指令。
CN202011304130.6A 2020-11-19 2020-11-19 深度迭代神经网络用低秩csi反馈方法、存储介质及设备 Active CN112468203B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011304130.6A CN112468203B (zh) 2020-11-19 2020-11-19 深度迭代神经网络用低秩csi反馈方法、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011304130.6A CN112468203B (zh) 2020-11-19 2020-11-19 深度迭代神经网络用低秩csi反馈方法、存储介质及设备

Publications (2)

Publication Number Publication Date
CN112468203A true CN112468203A (zh) 2021-03-09
CN112468203B CN112468203B (zh) 2022-07-26

Family

ID=74837218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011304130.6A Active CN112468203B (zh) 2020-11-19 2020-11-19 深度迭代神经网络用低秩csi反馈方法、存储介质及设备

Country Status (1)

Country Link
CN (1) CN112468203B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113938952A (zh) * 2021-10-20 2022-01-14 澳门大学 信道状态信息压缩方法、重建方法、装置及计算机设备
WO2023036164A1 (zh) * 2021-09-13 2023-03-16 华为技术有限公司 一种基于物理信息神经网络的模型训练方法及相关装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102271031A (zh) * 2011-08-09 2011-12-07 中兴通讯股份有限公司 一种信道信息反馈的方法和系统
CN108629412A (zh) * 2017-03-15 2018-10-09 中国科学院声学研究所 一种基于无网格最大互信息准则的神经网络训练加速方法
CN109194378A (zh) * 2018-08-06 2019-01-11 重庆邮电大学 基于线性神经网络的物理层安全波束赋形方法
CN109474316A (zh) * 2018-11-22 2019-03-15 东南大学 一种基于深度循环神经网络的信道信息压缩反馈方法
CN109672464A (zh) * 2018-12-13 2019-04-23 西安电子科技大学 基于fcfnn的大规模mimo信道状态信息反馈方法
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
WO2020062022A1 (en) * 2018-09-28 2020-04-02 Intel Corporation Machine learning-based link adaptation
US20200210843A1 (en) * 2018-12-29 2020-07-02 Canon Kabushiki Kaisha Training and application method of a multi-layer neural network model, apparatus and storage medium
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
WO2020180221A1 (en) * 2019-03-06 2020-09-10 Telefonaktiebolaget Lm Ericsson (Publ) Compression and decompression of downlink channel estimates

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102271031A (zh) * 2011-08-09 2011-12-07 中兴通讯股份有限公司 一种信道信息反馈的方法和系统
CN108629412A (zh) * 2017-03-15 2018-10-09 中国科学院声学研究所 一种基于无网格最大互信息准则的神经网络训练加速方法
CN109194378A (zh) * 2018-08-06 2019-01-11 重庆邮电大学 基于线性神经网络的物理层安全波束赋形方法
WO2020062022A1 (en) * 2018-09-28 2020-04-02 Intel Corporation Machine learning-based link adaptation
CN109474316A (zh) * 2018-11-22 2019-03-15 东南大学 一种基于深度循环神经网络的信道信息压缩反馈方法
CN109672464A (zh) * 2018-12-13 2019-04-23 西安电子科技大学 基于fcfnn的大规模mimo信道状态信息反馈方法
US20200210843A1 (en) * 2018-12-29 2020-07-02 Canon Kabushiki Kaisha Training and application method of a multi-layer neural network model, apparatus and storage medium
WO2020180221A1 (en) * 2019-03-06 2020-09-10 Telefonaktiebolaget Lm Ericsson (Publ) Compression and decompression of downlink channel estimates
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
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAORAN SUN;ZIPING ZHAO;XIAO FU;MINGYI HONG: "Limited Feedback Double Directional Massive MIMO Channel Estimation: From Low-Rank Modeling to Deep Learning", 《2018 IEEE 19TH INTERNATIONAL WORKSHOP ON SIGNAL PROCESSING ADVANCES IN WIRELESS COMMUNICATIONS》 *
孙梦璐；唐起超: "基于低秩矩阵完备的大规模MIMO系统信道估计研究", 《计算机应用研究》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023036164A1 (zh) * 2021-09-13 2023-03-16 华为技术有限公司 一种基于物理信息神经网络的模型训练方法及相关装置
CN113938952A (zh) * 2021-10-20 2022-01-14 澳门大学 信道状态信息压缩方法、重建方法、装置及计算机设备
CN113938952B (zh) * 2021-10-20 2023-10-20 澳门大学 信道状态信息压缩方法、重建方法、装置及计算机设备

Also Published As

Publication number Publication date
CN112468203B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
CN111464220B (zh) 一种基于深度学习的信道状态信息重建方法
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
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
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
CN109672464B (zh) 基于fcfnn的大规模mimo信道状态信息反馈方法
CN105827250B (zh) 一种基于自适应字典学习的电能质量数据压缩重构方法
CN110311718A (zh) 一种大规模mimo信道状态信息反馈中的量化和逆量化方法
CN112468203B (zh) 深度迭代神经网络用低秩csi反馈方法、存储介质及设备
CN112615801B (zh) 基于压缩感知和深度学习的信道估计方法、介质及设备
CN107547088A (zh) 基于压缩感知的增强型自适应分段正交匹配追踪方法
Yin et al. Deep CSI compression for massive MIMO: A self-information model-driven neural network
CN115087038A (zh) 一种用于5g定位的信道状态信息压缩解压方法
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
CN116011608A (zh) 光伏功率超短期预测方法及装置、电子设备、存储介质
CN114157331B (zh) 基于伪复值输入的大规模mimo信道状态信息反馈方法
Wu et al. A holistic approach to reconstruct data in ocean sensor network using compression sensing
CN113556158B (zh) 一种面向车联网的大规模mimo智能csi反馈方法
US11132617B2 (en) Quantum simulation of real time evolution of lattice Hamiltonians
CN116863959B (zh) 一种基于生成对抗网络的海豚叫声生成方法
Cui et al. IALNet: An integration attention lightweight neural network for massive MIMO CSI feedback
CN116319190A (zh) 基于gan的大规模mimo系统信道估计方法、装置、设备及介质
CN114630207B (zh) 基于降噪自编码器的多传感节点感知数据收集方法
CN114553280A (zh) 一种基于深度学习大规模mimo系统的csi反馈方法
Liu et al. Scientific Error-bounded Lossy Compression with Super-resolution Neural Networks
Chen et al. Reconstructing a quantum state with a variational autoencoder

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