CN112929304A - 一种环境知识库辅助的无线信道获取方法 - Google Patents
一种环境知识库辅助的无线信道获取方法 Download PDFInfo
- Publication number
- CN112929304A CN112929304A CN202110101644.XA CN202110101644A CN112929304A CN 112929304 A CN112929304 A CN 112929304A CN 202110101644 A CN202110101644 A CN 202110101644A CN 112929304 A CN112929304 A CN 112929304A
- Authority
- CN
- China
- Prior art keywords
- channel
- knowledge base
- feedback
- knowledge
- neural network
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000007613 environmental effect Effects 0.000 claims abstract description 22
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 17
- 230000008713 feedback mechanism Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 6
- 239000013598 vector Substances 0.000 description 13
- 230000004913 activation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- 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
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
-
- 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
-
- 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
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种环境知识库辅助的无线信道获取方法。包括:从大量数据、专家知识、环境信息等要素中萃取知识,构建相应的环境知识库;通过人工智能等算法设计通信中的导频信号/信道反馈机制;信道估计/重建模块联合利用导频信号/反馈数据流以及环境知识库信息,输出高精度的无线信道。本发明充分利用数据、环境信息、专家知识等要素中含有的知识,通过构建环境知识库,来辅助无线信道的获取,从而降低信道获取的开销,提高信道获取的精度。
Description
技术领域
本发明涉及一种环境知识库辅助的无线信道获取方法,属于通信技术领域。
背景技术
大规模多输入多输出(Massive Multiple-Input Multiple-Output,MassiveMIMO)因具备提升系统容量、频谱效率、用户体验速率、增强全维覆盖和节约能耗等诸多优点,是5G核心技术之一,同时也将在6G中起到至关重要的作用。然而,大规模MIMO的发展和应用也面临诸多问题,其增益依赖于发射机获得的信道状态信息(Channel StateInformation,CSI)的质量。为了获取精确的CSI,信道估计是不可或缺的,其占用了大量的训练开销。同时,对于不具有上下行互易性的频分双工(Frequency-Division Duplexing,FDD)系统,下行CSI需要通过上行链路进行反馈,占用了大量的上行资源,如何高效地反馈以使得基站(Base Station,BS)侧获取到准确的CSI成为一个关键问题。
现行的通信系统中,信道信息的获取都通过传统算法实现,例如压缩感知、矢量量化等。此类算法通过较严格的数学证明,确保了普适场景下性能的下界,在1G-5G时代较好地满足了无线通信系统的需求。但此类方法忽略了环境知识,无法满足下一代通信需要。基实际系统中,站一旦部署以后,其位置相对固定,在较长的一段时间内都将会保持不变。那么,其周边的环境也将相对固定,保持有一定的规律。可以预见,通过建立环境知识库,将其引入到CSI的获取中,势必可以提高信道的获取精度,降低获取的开销。
发明内容
技术问题:本发明提出一种环境知识库辅助的无线信道获取方法,通过从大量数据、环境信息、专家知识等要素中萃取知识,构建多模态的环境知识库,从而来辅助信道状态信息的获取,解决信道获取开销大质量低的难题。
技术方案:本发明的一种环境知识库辅助的无线信道获取方法包括以下步骤:
步骤1.从大量数据、专家知识、环境信息要素中,通过各种手段萃取到环境知识,从而构建一个环境知识库;
步骤2.利用卷积神经网络、全连接网络和图神经网络等人工智能算法设计信道估计所需的导频信号/信道反馈的压缩反馈机制;
步骤3.设计与步骤2相对应的信道估计/重建模块;
步骤4.将接收到的导频信号/反馈数据流同环境知识库一起,输入到步骤3中设计的信道估计/重建模块,输出所需的高精度信道矩阵。
其中,
步骤1所述的环境知识库含有多模态的环境知识,不局限于人为设计的特征知识,包含通过人工智能算法学习到的抽象的高层次环境知识。
步骤2中的信道估计所需的导频信号/信道反馈的压缩反馈机制,可由人工智能算法设计得到,其包括神经网络架构的搭建、神经网络的训练和部署步骤。
步骤3所述的信道估计/重建模块,包含码本、人工智能的算法,其中基于码本的方法包括了显式和隐式的反馈,即反馈全信道信息和只反馈PMI\RI\CQI等信道相关信息,基于人工智能算法的信道估计/重建算法,包含神经网络的搭建、训练和部署等步骤。
所述的无线信道获取方法,基于人工智能的算法采用端到端的学习方式,联合训练信道估计、信道反馈等模块的神经网络参数,使代价函数最小,代价函数描述如下:
有益效果:与现有技术相比,本发明的有益效果:将环境知识库引入到信道获取中,增加了额外的信息来源,从而可以极大地改善信道获取质量,且可以进一步降低信道获取的训练和反馈开销。
附图说明
图1为本发明的具体实施例的仿真场景示意图;
图2为本发明的环境知识库辅助反馈的CoCsiNet整体架构图;
图3为本发明的CoCsiNet中的编码器和译码器的NN架构图;
图4是本发明环境知识库辅助的无线信道获取方法示意图。
具体实施方式
本发明所述的一种环境知识库辅助的无线信道获取方法,包括以下步骤:
(1)从大量数据、专家知识、环境信息等要素中,通过各种手段萃取到环境知识,从而构建一个环境知识库;
(2)利用人工智能等算法设计出信道估计所需的导频信号/信道反馈的压缩反馈机制;
(3)设计与(2)相对应的信道估计/重建算法;
(4)将接收到的导频信号/反馈数据流同环境知识库一起,输入到(3)中设计的信道估计/重建模块,输出所需的高精度信道矩阵。
所述步骤(1)所述的知识库含有多模态的环境知识,不局限于人为设计的特征。所述步骤(2)所述的人工智能等算法主要包括神经网络架构和参数。
所述步骤(3)所述的信道估计/重建模块,包含码本、人工智能等算法。
所述基于人工智能的算法采用端到端的学习方式,联合训练各部分的参数,使代价函数最小,代价函数描述如下:
在CSI反馈的研究中发现,由于共享的局部散射簇,邻近用户的CSI具有确定性的多径分量和相似的稀疏性结构。在未来,随着设备密度的增加,上述观测会越来越普遍。因而,可以将该专家知识和物理环境特性构建一个环境知识库,为信道获取中的反馈模块提供额外的增益。具体来说,利用大量相邻用户的信道数据,通过神经网络端到端训练的方式,来萃取相邻用户之间信道相关性的环境知识库,即可利用相邻用户的信道信息来辅助某一用户进行信道反馈与恢复,从而基站可以更加准确地还原出信道状态信息,供其进行预编码等处理,以获得最优的通信性能。
以下将结合附图和3GPP_38.901_UMi_NLOS信道,对本发明做进一步详细说明。
本发明的一种环境知识库辅助的无线信道获取方法,通过数据驱动的编码器、独立译码器和共享译码器的协作,在各用户端用编码器将信道状态信息压缩编码为低维度码字,经反馈链路传送至基站端,独立译码器和共享译码器协作重建出信道状态信息,减少反馈开销的同时提高信道重建质量和速度。通过神经网络端到端训练,萃取用户相关性知识,建立该场景下的环境知识库,辅助完成高精度低开销的信道反馈。具体包括如下步骤:
(1)一种MIMO系统的下行链路中,基站端使用Nt=256根发送天线,用户端使用单根接收天线,考虑单载波情况(单载波时,信道为向量形式,多载波时,信道为矩阵形式),下行频率为2.17GHz,载频在2GHz。场景为无视距径的城市微小区场景,仿真环境如图1所示,基站的高度为25m。距离基站100m处有一栋20层的建筑,每层高度为3m。用户高度为1.5m,在20m×20m的范围内移动,并随机分布在20层中。每组用户有2个,用户之间的距离小于0.3m。共产生100000组样本数据,其中70000组作为训练集,10000组作为验证集,20000组作为测试集来完成模型训练与选择。对样本中每一个空域的信道向量用Nt×Nt(256×256)的DFT矩阵Fa,对做DFT变换,得到角度域上稀疏的信道向量h,即
(2)如图3的NN架构中编码器部分所示设计图2中用户端(用户1和用户2)的编码器,将复数域信道向量h的实部和虚部拆分为两个均为256×1大小的实数向量,拼接成一个512×1的向量输入编码器。编码器由三层全连接层构成,各层均使用了批归一化,前两层采用LeakyReLU激活函数,第三层采用Tanh激活函数,将输出值范围限制在[-1,1]区间,输出M×1的向量s,即为用户端要传送给基站端的压缩编码后的码字,再进行量化,生成传输比特流。
(3)如图3的NN架构中译码器部分所示设计图2中基站端的独立译码器和共享译码器,译码器由三层全连接层构成,各层均使用了批归一化,前两层采用LeakyReLU激活函数,第三层采用Sigmoid激活函数,将输出值范围限制在[0,1]区间。在基站端,先逆量化恢复码字。独立译码器的输入是各用户分别所对应的码字,该译码器的输出是各用户所对应的信道中的具有随机性的部分,共享译码器的输入是用户1和用户2的码字的集合,该该译码器的输出是用户间所对应的的信道中的具有确定性的部分,将独立译码器和共享译码器的输出进行合并,最终输出为一个512×1大小的实数向量,拆分成两个256×1的实数向量,分别作为最终重建的信道的实部和虚部。
(4)设计整个CoCsiNet架构的代价函数为用户1和用户2最终输出的信道向量与真实信道矩阵h1,h2的均方误差,即代价函数为其中M为训练集的所有样本数,||·||2为欧几里得范数。用(1)中产生的信道h的100000个训练集样本,采用Adam优化算法和端到端的学习方式,联合训练编码器和译码器的参数,主要包括权重、偏置,使得代价函数最小,其中Adam算法中采用的学习率为0.001,每次迭代是使用训练集中的200个样本来计算梯度,并根据Adam算法的公式更新参数,以此方式遍历整个训练集1000次。训练过程中可用验证集选择性能好的模型,上述CoCsiNet模型即为经选择后的模型;测试集可以测试最终模型的性能。
(5)训练好的CoCsiNet模型即可用于环境知识库辅助的无线信道反馈。根据(1)所述将相邻用户们的信道状态信息转为变换域稀疏的形式,输入CoCsiNet架构,即可输出重建后的信道,再转到原始域,即可恢复出原信道状态信息。
实施例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,均落入本发明保护范围之内。
Claims (5)
1.一种环境知识库辅助的无线信道获取方法,其特征在于该方法包括以下步骤:
步骤1.从大量数据、专家知识、环境信息要素中,通过各种手段萃取到环境知识,从而构建一个环境知识库;
步骤2.利用卷积神经网络、全连接网络和图神经网络等人工智能算法设计信道估计所需的导频信号/信道反馈的压缩反馈机制;
步骤3.设计与步骤2相对应的信道估计/重建模块;
步骤4.将接收到的导频信号/反馈数据流同环境知识库一起,输入到步骤3中设计的信道估计/重建模块,输出所需的高精度信道矩阵。
2.根据权利要求1所述的一种环境知识库辅助的无线信道获取方法,其特征在于,步骤1所述的环境知识库含有多模态的环境知识,不局限于人为设计的特征知识,包含通过人工智能算法学习到的抽象的高层次环境知识。
3.根据权利要求1所述的一种环境知识库辅助的无线信道获取方法,其特征在于,步骤2中的信道估计所需的导频信号/信道反馈的压缩反馈机制,可由人工智能算法设计得到,其包括神经网络架构的搭建、神经网络的训练和部署步骤。
4.根据权利要求1所述的一种环境知识库辅助的无线信道获取方法,其特征在于,步骤3所述的信道估计/重建模块,包含码本、人工智能的算法,其中基于码本的方法包括了显式和隐式的反馈,即反馈全信道信息和只反馈PMI\RI\CQI等信道相关信息,基于人工智能算法的信道估计/重建算法,包含神经网络的搭建、训练和部署等步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110101644.XA CN112929304A (zh) | 2021-01-26 | 2021-01-26 | 一种环境知识库辅助的无线信道获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110101644.XA CN112929304A (zh) | 2021-01-26 | 2021-01-26 | 一种环境知识库辅助的无线信道获取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112929304A true CN112929304A (zh) | 2021-06-08 |
Family
ID=76166020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110101644.XA Pending CN112929304A (zh) | 2021-01-26 | 2021-01-26 | 一种环境知识库辅助的无线信道获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112929304A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113660015A (zh) * | 2021-08-11 | 2021-11-16 | 东南大学 | 环境知识库辅助下在线无线信道获取优化方法 |
-
2021
- 2021-01-26 CN CN202110101644.XA patent/CN112929304A/zh active Pending
Non-Patent Citations (3)
Title |
---|
JIAJIA GUO等: ""Deep Learning-Based CSI Feedback for Beamforming in Single and Multi-Cell Massive MIMO Systems"", 《HTTPS://WWW.RESEARCHGATE.NET/PUBLICATION/339786886》 * |
张兴 等: ""深度学习在无线通信系统信道估计中的应用"", 《信息通信》 * |
陈慕涵 等: ""基于深度学习的大规模MIMO信道状态信息反馈"", 《物联网学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113660015A (zh) * | 2021-08-11 | 2021-11-16 | 东南大学 | 环境知识库辅助下在线无线信道获取优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111630787B (zh) | 基于深度学习的mimo多天线信号传输与检测技术 | |
He et al. | Model-driven deep learning for MIMO detection | |
Huang et al. | Deep learning for physical-layer 5G wireless techniques: Opportunities, challenges and solutions | |
Ji et al. | CLNet: Complex input lightweight neural network designed for massive MIMO CSI feedback | |
Wang et al. | Compressive sampled CSI feedback method based on deep learning for FDD massive MIMO systems | |
CN107332598B (zh) | 一种基于深度学习的mimo系统联合预编码和天线选择方法 | |
Cao et al. | Lightweight convolutional neural networks for CSI feedback in massive MIMO | |
CN110557177A (zh) | 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法 | |
CN110336594B (zh) | 一种基于共轭梯度下降法的深度学习信号检测方法 | |
CN110289898B (zh) | 一种大规模mimo系统中基于1比特压缩感知的信道反馈方法 | |
CN110912598A (zh) | 基于长短时注意力机制的大规模mimo系统csi反馈方法 | |
CN111713035B (zh) | 基于人工智能的mimo多天线信号传输与检测技术 | |
Wang et al. | Pilot-assisted channel estimation and signal detection in uplink multi-user MIMO systems with deep learning | |
CN113972939B (zh) | 基于双时间尺度和深度学习的天线系统预编码方法和装置 | |
CN111555781B (zh) | 一种基于深度学习注意力机制的大规模mimo信道状态信息压缩及重建方法 | |
CN113381828B (zh) | 基于条件生成对抗网络的稀疏码多址接入随机信道建模方法 | |
CN113381790B (zh) | 一种基于ai的环境知识辅助的无线信道反馈方法 | |
CN112929304A (zh) | 一种环境知识库辅助的无线信道获取方法 | |
Wang et al. | A deep learning-based intelligent receiver for improving the reliability of the MIMO wireless communication system | |
Marseet et al. | Application of complex-valued convolutional neural network for next generation wireless networks | |
Guo et al. | User-centric online gossip training for autoencoder-based CSI feedback | |
Zhang et al. | Pilot-assisted MIMO-V-OFDM systems: Compressed sensing and deep learning approaches | |
Yu et al. | Non-orthogonal wireless backhaul design for cell-free massive MIMO: An integrated computation and communication approach |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210608 |
|
RJ01 | Rejection of invention patent application after publication |