CN113381790A - 一种基于ai的环境知识辅助的无线信道反馈方法 - Google Patents
一种基于ai的环境知识辅助的无线信道反馈方法 Download PDFInfo
- Publication number
- CN113381790A CN113381790A CN202110641006.7A CN202110641006A CN113381790A CN 113381790 A CN113381790 A CN 113381790A CN 202110641006 A CN202110641006 A CN 202110641006A CN 113381790 A CN113381790 A CN 113381790A
- Authority
- CN
- China
- Prior art keywords
- neural network
- codebook
- feedback
- channel
- wireless channel
- 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
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
- H04B7/0413—MIMO systems
- H04B7/0417—Feedback systems
-
- 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
- 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
- H04B7/0413—MIMO systems
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
Description
技术领域
本发明涉及一种基于AI的环境知识辅助的无线信道反馈方法,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)是5G核心技术之一,其通过增加基站端的天线数,极大地提高了系统容量、频谱效率、用户体验速率,增强了覆盖,节约了能耗。同时,相关6G白皮书均指出:大规模MIMO将会在接下来的6G中得到进一步的发展,继续充当至关重要的角色。然而,大规模MIMO的发展和应用也面临诸多问题,其性能与发射机获得的信道状态信息(Channel State Information,CSI)的质量息息相关。在时分双工(Time-Division Duplexing,TDD)系统中,上下行链路工作在相同的频段,其信道存在互易性,因而可以通过上行信道得到下行信道。但是,在频分双工(Frequency-Division Duplexing,FDD)系统中,上下行链路工作在不同的频段,使得信道互易性不复存在,难以直接通过上行信道推测出下行信道,这就需要通过上行传输链路反馈下行CSI,占用了上行资源,导致了极大的带宽浪费。如何高精度、低开销的反馈下行CSI至基站成为FDD模式的难点和痛点问题,制约着FDD模式的发展。
自2012年以来,以深度学习为代表的人工智能(Artificial Intelligence,AI)在各领域取得了巨大成果。相关研究人员亦将AI技术引入到CSI反馈中,其主要利用了图像压缩中常用的自编码器架构。在该架构下,编码器执行CSI的压缩,用户将经压缩过的CSI反馈至基站端,而基站则通过解码器实现CSI的高精度重建。基于自编码器架构的CSI反馈虽然在精度和重建速度等方面都取得了很大的进步,但其一大缺点是不兼容于现有以5G NR为代表的移动通信系统。具体来说,在现有的移动通信系统中,CSI反馈均通过码本实现。如若将基于自编码器的CSI反馈技术引入到实际移动通信系统中,则需要完全改变现有的反馈架构。但是,在接下来的几年里,完全改变5G NR相关标准是很难实现的。因而,在不变现有反馈架构的基础上,通过AI技术引入环境知识,辅助CSI反馈,是亟需的。
发明内容
本发明的目的是提供一种基于AI的环境知识辅助的无线信道反馈方法,通过AI技术充分利用环境知识,在不改变现有基于码本的无线信道反馈架构的前提下,利用基于神经网络的Refine模块,辅助下行信道的反馈,提高信道反馈的精度,解决CSI反馈开销大质量低的难题。
为实现上述目的,本发明采用的技术方案为:
一种基于AI的环境知识辅助的无线信道反馈方法,包括以下步骤:
(1)根据MIMO无线通信系统中基于码本的反馈架构,量化反馈下行信道状态信息;
(4)利用步骤(2)中收集的数据,训练步骤(3)搭建的神经网络;
所述步骤(1)中,码本包括矢量量化码本和DFT码本。
所述步骤(3)中,神经网络由全连接层、卷积层、批规范化层组成。
所述步骤(4)中,训练好的神经网络包括神经网络架构和参数。
所述步骤(4)中,通过采用端到端的学习方式训练神经网络的参数,使以余弦相似度、均方误差为代表的代价函数最小,基于余弦相似度的代价函数描述如下:
其中,h和分别表示真实信道和神经网络输出的信道,||·||2为欧几里得范数,(·)H表示矩阵的共轭转置,E(·)表示数学期望即均值,余弦相似度ρ的范围为[0,1],其越接近1,表示两个向量或矩阵的方向越相似。
有益效果:本发明提供的基于AI的环境知识辅助的无线信道反馈方法,与现有技术相比,具有以下优点:本发明利用AI技术引入环境知识,对基于码本获取到的下行信道进行进一步质量增强,在不改变现有系统和标准反馈架构的前提下,极大地改善信道反馈质量。
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为本发明的基于AI的环境知识辅助反馈的AI4C2F整体架构图;
图3为本发明的AI4C2F中的Refine神经网络图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
在CSI反馈的研究中发现,用户的CSI与其所处环境息息相关,CSI可以看作是环境作用下的一个表达。在移动通信系统中,用户在不断移动,可能从一个小区运动至另一个小区。移动场景下的用户周围的环境一直在变,其CSI也是千变万化的。但是,在移动通信系统中,基站一旦被架设到高楼或者铁塔等等建筑物上,将不会轻易被移动。因此,基站周围的环境是相对固定的。因而,如果能将这样的环境知识引入到CSI反馈中,那么势必可以提高反馈的精度。由于基于自编码器架构的CSI反馈难以在近几年进入相关标准,因而,必须要在保留现有反馈架构的基础上,通过AI技术引入环境知识,提高反馈精度。
本发明的一种基于AI的环境知识辅助的无线信道反馈方法,首先通过以矢量量化和DFT码本为代表的码本技术对用户端获得的下行信道h进行量化反馈,基站端首先根据共享的码本进行译码,获得初始的反馈信道紧接着,基站将初始信道输入到预训练好的神经网络中,对其进行进一步增强,从而在不改变现有反馈架构、不在用户端进行任何改动的基础上,大幅提高反馈精度。
下面结合具体实施例对本发明做进一步说明。
本实施例包括以下步骤:
(1)一种MIMO系统的下行链路中,基站端使用Nt=64根发送天线,用户端使用单根接收天线,考虑单载波情况(所提算法亦可拓展到宽带系统),下行频率为2.655GHz。仿真环境如图1所示,基站高度为25m,二维坐标为(0,0),假设用户高度为1.5m,其在一条200m的直线上运动。用户的从坐标为(60,0)的位置出发,沿着南偏东方向以60km/h的速度运动。在该轨迹上,用户依次历经LOS,NLOS和LOS场景,随机生成9000个CSI样本数据,其中,8000个样本作为训练集,剩余的1000个随机CSI样本作为测试集,两者分别用以训练和评估模型。
(2)图2为本发明中基于AI的环境知识辅助的无线信道反馈架构AI4C2F,其保留了现有的反馈架构,只在基站端增加简单的基于神经网络的Refine模块,即可提高反馈精度。具体来说,用户受限计算下行信道h与码本中各码字的距离,选出距离最小的码字作为其量化后的信道表示,通过上行链路反馈其索引至基站端。当基站端获得该索引时,通过查表的方式,找到对应的信道码字再接该码字输入到由神经网络组成的通过大数据端到端预训练好的Refine模块,得到高精度的下行信道其核心在于由神经网络组成的Refine模块。
(3)图3的为本发明中Refine模块的一个示例。鉴于CSI数据为复数形式,而以TensorFlow等为代表的深度学习库都只能处理实数数据,因而首先将的实虚部分离,首尾相连,因而输入由Ntx1的复数向量转换为2Ntx1的实数向量;为了防止过拟合,第一层采用了Dropout层,可以看作向神经网络的输入引入随机噪声,随机丢弃概率设置为5%。紧接着,其被输入到两个含有4Nt个神经元的全连接层,该全连接层采用SELU作为激活函数,相较于输入层的2Nt个神经元,这两个全连接层通过增加网络宽度来提高网络的拟合能力。最后一层为以Tanh为激活函数的全连接层,神经元个数于输入相同,为2Nt,该层通过Tanh函数,将输出归一化到[-1,+1]之间。最终输出为一个2Ntx1大小的实数向量,拆分成两个Ntx1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AI4C2F架构的代价函数为神经网络输出信道同完美下行信道h之间的方向误差,即余弦相似度的相反数。用步骤(1)中产生的信道h的8000个训练集样本,采用Adam优化算法和端到端的学习方式,训练基于神经网络的Refine模块的参数,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256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。
(5)训练好的神经网络即可嵌入到AI4C2F架构中,即可用于基于AI的环境知识辅助的无线信道反馈中。同时,为了降低基站端复杂度,可以在实际工作前将每一个信道码字对应的神经网络输出进行记录,组成新的包含环境知识的码本。因而,实际工作中,可以直接通过索引,选择经神经网络Refine过的信道码字,大大降低了基站端的复杂度。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
2.根据权利要求1所述的基于AI的环境知识辅助的无线信道反馈方法,其特征在于:所述步骤(1)中,码本包括矢量量化码本和DFT码本。
3.根据权利要求1所述的基于AI的环境知识辅助的无线信道反馈方法,其特征在于:所述步骤(3)中,神经网络由全连接层、卷积层、批规范化层组成。
4.根据权利要求1所述的基于AI的环境知识辅助的无线信道反馈方法,其特征在于:所述步骤(4)中,训练好的神经网络包括神经网络架构和参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110641006.7A CN113381790B (zh) | 2021-06-09 | 2021-06-09 | 一种基于ai的环境知识辅助的无线信道反馈方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110641006.7A CN113381790B (zh) | 2021-06-09 | 2021-06-09 | 一种基于ai的环境知识辅助的无线信道反馈方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113381790A true CN113381790A (zh) | 2021-09-10 |
CN113381790B CN113381790B (zh) | 2022-07-26 |
Family
ID=77572958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110641006.7A Active CN113381790B (zh) | 2021-06-09 | 2021-06-09 | 一种基于ai的环境知识辅助的无线信道反馈方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113381790B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023077274A1 (zh) * | 2021-11-02 | 2023-05-11 | Oppo广东移动通信有限公司 | Csi反馈方法、装置、设备及存储介质 |
WO2023087235A1 (en) * | 2021-11-19 | 2023-05-25 | Apple Inc. | Artificial intelligence based channel state information framework |
WO2023115254A1 (zh) * | 2021-12-20 | 2023-06-29 | Oppo广东移动通信有限公司 | 处理数据的方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110311718A (zh) * | 2019-07-05 | 2019-10-08 | 东南大学 | 一种大规模mimo信道状态信息反馈中的量化和逆量化方法 |
CN112737985A (zh) * | 2020-12-25 | 2021-04-30 | 东南大学 | 基于深度学习的大规模mimo信道联合估计和反馈方法 |
CN112929304A (zh) * | 2021-01-26 | 2021-06-08 | 东南大学 | 一种环境知识库辅助的无线信道获取方法 |
-
2021
- 2021-06-09 CN CN202110641006.7A patent/CN113381790B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110311718A (zh) * | 2019-07-05 | 2019-10-08 | 东南大学 | 一种大规模mimo信道状态信息反馈中的量化和逆量化方法 |
CN112737985A (zh) * | 2020-12-25 | 2021-04-30 | 东南大学 | 基于深度学习的大规模mimo信道联合估计和反馈方法 |
CN112929304A (zh) * | 2021-01-26 | 2021-06-08 | 东南大学 | 一种环境知识库辅助的无线信道获取方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023077274A1 (zh) * | 2021-11-02 | 2023-05-11 | Oppo广东移动通信有限公司 | Csi反馈方法、装置、设备及存储介质 |
WO2023087235A1 (en) * | 2021-11-19 | 2023-05-25 | Apple Inc. | Artificial intelligence based channel state information framework |
US12088380B2 (en) | 2021-11-19 | 2024-09-10 | Apple Inc. | Artificial intelligence based channel state information framework |
WO2023115254A1 (zh) * | 2021-12-20 | 2023-06-29 | Oppo广东移动通信有限公司 | 处理数据的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113381790B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113381790B (zh) | 一种基于ai的环境知识辅助的无线信道反馈方法 | |
Guo et al. | Overview of deep learning-based CSI feedback in massive MIMO systems | |
Huang et al. | Deep learning for physical-layer 5G wireless techniques: Opportunities, challenges and solutions | |
CN109672464B (zh) | 基于fcfnn的大规模mimo信道状态信息反馈方法 | |
Liao et al. | CSI feedback based on deep learning for massive MIMO systems | |
Guo et al. | CAnet: Uplink-aided downlink channel acquisition in FDD massive MIMO using deep learning | |
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 | |
CN107332598A (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 | |
Lu et al. | Binarized aggregated network with quantization: Flexible deep learning deployment for CSI feedback in massive MIMO systems | |
CN109714091B (zh) | 一种在毫米波mimo系统中基于分层设计的迭代混合预编码方法 | |
CN111713035A (zh) | 基于人工智能的mimo多天线信号传输与检测技术 | |
Elbir et al. | Federated learning for physical layer design | |
CN113438002B (zh) | 基于lstm的模拟波束切换方法、装置、设备及介质 | |
CN112929304A (zh) | 一种环境知识库辅助的无线信道获取方法 | |
CN113193893B (zh) | 毫米波大规模mimo智能混合波束成形设计方法 | |
CN113972939A (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 | |
CN110113088A (zh) | 一种分离型数模混合天线系统波达角智能化估计方法 | |
Yang et al. | Environment semantics aided wireless communications: A case study of mmWave beam prediction and blockage prediction | |
Guo et al. | User-centric online gossip training for autoencoder-based CSI feedback | |
CN114422059A (zh) | 信道预测方法、装置、电子设备及存储介质 | |
Xiao et al. | AI enlightens wireless communication: Analyses, solutions and opportunities on CSI feedback | |
CN115549742A (zh) | 一种基于深度学习的csi压缩反馈方法 | |
CN113078931B (zh) | 基于qga-omp算法的毫米波大规模mimo混合预编码方法及系统 | |
Shen et al. | MixerNet: Deep learning for eigenvector-based CSI feedback | |
Wang et al. | Multi-rate compression for downlink CSI based on transfer learning in FDD massive MIMO systems |
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 |