CN113660015A - 环境知识库辅助下在线无线信道获取优化方法 - Google Patents

环境知识库辅助下在线无线信道获取优化方法 Download PDF

Info

Publication number
CN113660015A
CN113660015A CN202110917287.4A CN202110917287A CN113660015A CN 113660015 A CN113660015 A CN 113660015A CN 202110917287 A CN202110917287 A CN 202110917287A CN 113660015 A CN113660015 A CN 113660015A
Authority
CN
China
Prior art keywords
channel
environment
knowledge base
knowledge
acquisition
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
CN202110917287.4A
Other languages
English (en)
Other versions
CN113660015B (zh
Inventor
金石
崔艺鸣
郭佳佳
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202110917287.4A priority Critical patent/CN113660015B/zh
Publication of CN113660015A publication Critical patent/CN113660015A/zh
Application granted granted Critical
Publication of CN113660015B publication Critical patent/CN113660015B/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
    • H04B7/0413—MIMO 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • 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
    • H04B7/0478—Special codebook structures directed to feedback optimisation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

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

Abstract

本发明公开了一种环境知识库辅助下在线无线信道获取优化方法。包括：在信道环境变化时，从新的信道环境中萃取知识，从而构建新的环境知识库；采用人工智能等算法设计信道反馈的优化方法；将接收到的码字同环境知识库一起，输入到信道反馈优化模块，输出所需的高精度信道信息。本发明在信道获取的工作过程中，不引入额外通信开销的前提下，实现了提高反馈准确度的功能，减小了信道环境变化对信道获取的影响。

Description

环境知识库辅助下在线无线信道获取优化方法
技术领域
本发明涉及一种环境知识库辅助下在线无线信道获取优化方法，属于通信技术领域。
背景技术
随着移动设备的快速发展和数据流量的爆炸性增长，对于无线通信的需求也在日益增长。其中，大规模多输入多输出(Massive Multiple-Input Multiple-Output，MassiveMIMO)是5G的关键技术，并将在6G中起到重要作用，它极大的提高了频谱效率，改善了覆盖范围和功耗，降低了终端复杂度。而发射机获得的信道状态信息(Channel StateInformation)的质量，决定了MIMO的增益大小。而CSI的获取依赖于信道估计，这一过程会带来很大的训练开销。而在频分双工(Frequency-Division Duplexing,FDD)系统中，由于上下行信道不具有互易性，用户需要将估计到的CSI反馈回基站，这一反馈过程占用了大量的上行资源。因此，如何将CSI高效地反馈到基站(Base Station,BS)成为了MIMO中的一个重要问题。
在1G到5G中，CSI的获取都是由矢量量化、压缩感知等传统算法实现。这些算法已经由严格的数学证明出在普适场景下有性能下界。然而在下一代移动通信中，对信道环境的感知与利用是一个重要的议题。由于在实际系统中，基站部署后其周围环境会在一段时间内相对保持固定。因此，有效利用环境信息可以在一定程度上改善CSI的获取。
然而，利用环境信息来改善CSI获取存在以下问题。一方面，环境知识库的使用，需要经历一个数据搜集、知识提取、知识分发的三步过程，这一过程需要花费一定的时间；另一方面，一旦环境改变，知识库就需要重新建立或调整，而重新经历一个上述的三步过程，势必会影响通信系统的正常运行。因此，在面对环境改变等因素影响时，如何在不影响通信系统工作的情况下，调整环境知识库，对于借助环境知识库的CSI获取具有重要的意义。
发明内容
发明目的：本发明提出一种环境知识库辅助下在线无线信道获取优化方法，在不同的信道环境中，调整环境知识库，在不增加额外通信开销的前提下，降低信道环境变化带来的性能损失。
技术方案：本发明所述的一种环境知识库辅助下在线无线信道获取优化方法，包括以下步骤：
(1)在信道环境变化时，从新的环境信息中提取知识，从而构建新的环境知识库；
(2)采用人工智能等算法设计信道反馈的优化方法；
(3)将接收到的码字同环境知识库一起，输入到(2)中设计的信道反馈优化模块，输出所需的高精度信道信息。
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；所述的信道环境变化，不局限于自然环境中的环境变化，包含任意两个不相同的环境之间的切换。
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。
所述基于人工智能的算法采用端到端的学习方式，训练改善模块参数,使代价函数最小，代价函数描述如下：
Figure BDA0003206095310000021
其中，T为训练集样本数，‖·‖2为欧几里得范数，
Figure BDA0003206095310000022
获得的重建信道，
Figure BDA0003206095310000023
改善模块调整后的信道，si为基站接收到的码字，
Figure BDA0003206095310000024
为附加编码器对
Figure BDA0003206095310000025
再次编码后的码字。
与现有技术相比，本发明的有益效果：在信道获取的工作过程中，不引入额外通信开销的前提下，实现提高反馈的准确度，减小了信道环境变化对信道获取的影响。
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下无线信道获取优化的整体架构图；
图3为本发明中串行结构的神经网络架构图；
图4为本发明中并行结构的神经网络架构图；
图5为本发明的具体实施例中场景1和场景2的示意图。
具体实施方式
目前，基于深度学习的CSI反馈技术是一类利用环境知识库改善CSI获取的有效途径。下面将以此为例，介绍本发明提出的在线无线信道获取优化方法。基于深度学习的CSI反馈可以有效减少反馈开销，但是由于神经网络的泛化性能有限，一旦信道环境变化，基于深度学习的CSI反馈的准确度就可能下降。但是由于编码器和译码器分别位于用户和基站，一旦训练好的神经网络被分发到用户和基站，在现有的方法中，神经网络就难以在不产生大量通信开销的情况下被再次训练或微调。
以下将结合3GPP_38.901_UMi_NLOS信道和图例，进一步阐述本发明的详细内容。
一种在线无线信道获取优化方法，有效利用了码字中的信息，通过将重建出的CSI再次进行压缩，将再次压缩的码字与接收到的码字作为数据集进行训练，以实现在不增加额外通信开销，不影响通信系统正常工作的情况下提升CSI反馈效果。具体包括如下步骤：
(1)在一种MIMO系统的下行链路中，考虑单载波情形，用户端使用单根接收天线，基站端使用Nt＝256根发送天线，下行中心频率为2.655GHz，频带宽度为70MHz。场景为无视距径的城市微小区场景，仿真环境如图1所示，基站高度为25m。用户均匀分布在基站周围的圆形区域内的20层建筑物内，建筑物每层高度为3m，用户自身高度为1.5m。按照上述设置生成2个不同位置的数据集，每个数据集包含200000个样本，其中训练集根据需要调整，至多包括160000个样本，验证集和测试集分别包括20000个样本，分别对应场景1的数据集和场景2的数据集。每一个样本中的空域信道向量
Figure BDA0003206095310000031
均通过DFT变换将其转化到角度域信道向量h。
(2)如图3和图4所示的神经网络架构由编码器、译码器、改善模块和附加编码器组成。复数域信道向量h的实部和虚部被分别成两个256×1的向量，将它们首尾相接组成一个512×1的向量作为神经网络的输入。其中编码器由2层全连接层组成，第1层后使用了批归一化以及Leaky ReLU激活函数，输出为M×1的码字向量s，即为用户反馈回基站端的压缩信道信息。而译码器由5层全连接层组成，其中前4层均使用了批归一化以及Leaky ReLU激活函数，第5层生成一个与输入同样大小的信道向量，将其拆分成两个256×1的实向量分别作为重建信道的实部和虚部，即可得到重建的信道
Figure BDA0003206095310000041
(3)图3和图4所示的神经网络架构的改善模块用于提取前后环境知识差异的信息，将译码器重建的信道再次调整成更精确的信道向量。其中图3所示的并行结构网络由3层全连接层和1层缩放层组成，其中前2层使用了批归一化和Leaky ReLU激活函数，后1层将其恢复成512×1的信道向量，缩放层由1个标量缩放因子构成，用于控制改善模块作用效果的大小。而图4所示的串行结构中使用了3层全连接层、1层缩放层和一层残差叠加层，其中残差叠加层用于将改善模块的输入向量叠加到输出向量上。附加编码器采用和编码器完全相同的结构和参数，用于将改善模块和解码器共同重建出信道再次压缩成码字
Figure BDA0003206095310000042
用于损失函数的计算。改善模块和译码器共同的输出向量将被拆分成两个256×1的实向量，分别作为最终重建的信道
Figure BDA0003206095310000043
的实部和虚部。
(4)采用两步训练方式来验证模型性能。第一步，采用场景1中的数据集训练编码器和译码器模块。损失函数使用
Figure BDA0003206095310000044
其中T为训练集样本数，‖·‖2为欧几里得范数。采用Adam优化算法训练使得代价函数最小化，其中Adam算法的学习率首先设为0.0001，损失函数收敛之后，调整为0.00001继续训练直至损失函数收敛，每次迭代使用512个样本。第二步，采用场景2中的数据集训练改善模块，此时其他模块的参数设为不可训练。代价函数由码字向量损失和改善限制损失两部分组成，采用均方误差来衡量s和
Figure BDA0003206095310000045
以及h和
Figure BDA0003206095310000046
之间的差异。串行和并行网络结构的代价函数均为
Figure BDA0003206095310000047
其中λ为缩放参数，取值为0.04。同样采用Adam优化算法训练使得代价函数最小化，其中学习率为0.00001，训练轮数为2000轮，每次迭代使用512个样本。在训练的过程中，通过验证集选择性能更好的神经网络参数。测试集用于测试神经网络最终的性能。
(5)分别采用
Figure BDA0003206095310000051
和
Figure BDA0003206095310000052
作为第一步和第二步训练完成后的神经网络性能衡量指标。通过测试集可以验证，第二步训练完成后，神经网络在场景2下的压缩与重建性能会优于第一步中在场景1下训练完成的神经网络在场景2下的性能。
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下在线无线信道获取优化方法，其特征在于，包括以下步骤：
(1)在信道环境变化时，从新的环境信息中提取环境知识，从而构建新的环境知识库；
(2)采用人工智能算法设计信道反馈的优化方法，并设计相应的信道反馈优化模块；
(3)将接收到的码字同环境知识库一起，输入到(2)中设计的信道反馈优化模块，输出所需的高精度信道信息。
2.根据权利要求1所述的环境知识库辅助下的在线无线信道获取优化方法，其特征在于，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知识，包含通过人工智能等算法学习到的抽象的高层次环境知识。
3.根据权利要求1所述的环境知识库辅助下的在线无线信道获取优化方法，其特征在于，步骤(1)所述信道环境变化，不局限于自然环境中的环境变化，包含任意两个不相同的环境之间的切换。
4.根据权利要求1所述的环境知识库辅助下在线无线信道获取优化方法，其特征在于，步骤(2)所述的基于人工智能算法设计信道反馈的优化方法包括神经网络架构的搭建，所述神经网络架构包括编码器、译码器、改善模块和附加编码器；所述改善模块用于提取前后环境知识差异的信息，将译码器重建的信道再次调整成更精确的信道向量。
5.根据权利要求1所述的环境知识库辅助下在线无线信道获取优化方法，其特征在于，基于人工智能的算法采用端到端的学习方式，训练改善模块的参数，使得代价函数最小化，代价函数描述如下：
Figure FDA0003206095300000011
其中，T为训练集样本数，‖·‖2为欧几里得范数，
Figure FDA0003206095300000012
获得的重建信道，
Figure FDA0003206095300000013
改善模块调整后的信道，si为基站接收到的码字，
Figure FDA0003206095300000014
为附加编码器对
Figure FDA0003206095300000015
再次编码后的码字。
CN202110917287.4A 2021-08-11 2021-08-11 环境知识库辅助下在线无线信道获取优化方法 Active CN113660015B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110917287.4A CN113660015B (zh) 2021-08-11 2021-08-11 环境知识库辅助下在线无线信道获取优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110917287.4A CN113660015B (zh) 2021-08-11 2021-08-11 环境知识库辅助下在线无线信道获取优化方法

Publications (2)

Publication Number Publication Date
CN113660015A true CN113660015A (zh) 2021-11-16
CN113660015B CN113660015B (zh) 2022-08-16

Family

ID=78491362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110917287.4A Active CN113660015B (zh) 2021-08-11 2021-08-11 环境知识库辅助下在线无线信道获取优化方法

Country Status (1)

Country Link
CN (1) CN113660015B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778260A (zh) * 2015-04-21 2015-07-15 电子科技大学 一种动态雷达环境知识库建模方法
CN105790813A (zh) * 2016-05-17 2016-07-20 重庆邮电大学 一种大规模mimo下基于深度学习的码本选择方法
CN108390706A (zh) * 2018-01-30 2018-08-10 东南大学 一种基于深度学习的大规模mimo信道状态信息反馈方法
US20200084777A1 (en) * 2018-09-12 2020-03-12 Ambeent Wireless Bilisim ve Yazilim A.S Method and system for assigning one or more optimal wireless channels to a wi-fi access point using a cloud-based software defined network (sdn)
CN111901024A (zh) * 2020-07-29 2020-11-06 燕山大学 基于抗拟合深度学习的mimo信道状态信息反馈方法
CN112866904A (zh) * 2021-01-25 2021-05-28 东南大学 基于波束索引地图的免信道训练大维通信波束对齐方法
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778260A (zh) * 2015-04-21 2015-07-15 电子科技大学 一种动态雷达环境知识库建模方法
CN105790813A (zh) * 2016-05-17 2016-07-20 重庆邮电大学 一种大规模mimo下基于深度学习的码本选择方法
CN108390706A (zh) * 2018-01-30 2018-08-10 东南大学 一种基于深度学习的大规模mimo信道状态信息反馈方法
US20200084777A1 (en) * 2018-09-12 2020-03-12 Ambeent Wireless Bilisim ve Yazilim A.S Method and system for assigning one or more optimal wireless channels to a wi-fi access point using a cloud-based software defined network (sdn)
CN111901024A (zh) * 2020-07-29 2020-11-06 燕山大学 基于抗拟合深度学习的mimo信道状态信息反馈方法
CN112866904A (zh) * 2021-01-25 2021-05-28 东南大学 基于波束索引地图的免信道训练大维通信波束对齐方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIALING LI: "Deep Learning-Based Massive MIMO CSI Feedback", 《2019 18TH INTERNATIONAL CONFERENCE ON OPTICAL COMMUNICATIONS AND NETWORKS》 *
陈慕涵: "基于深度学习的大规模MIMO信道状态信息反馈", 《物联网学报》 *

Also Published As

Publication number Publication date
CN113660015B (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN109672464B (zh) 基于fcfnn的大规模mimo信道状态信息反馈方法
CN112737985B (zh) 基于深度学习的大规模mimo信道联合估计和反馈方法
Liao et al. CSI feedback based on deep learning for massive MIMO systems
CN105978674A (zh) 基于压缩感知的fdd下大规模mimo信道估计的导频优化方法
Guo et al. Deep learning for joint channel estimation and feedback in massive MIMO systems
Elbir et al. Federated learning for physical layer design
CN116054887A (zh) 一种基于神经网络模型的天线信号调制方法
CN113381790B (zh) 一种基于ai的环境知识辅助的无线信道反馈方法
CN107566305A (zh) 一种低复杂度的毫米波系统信道估计方法
CN102710393A (zh) 一种基于施蒂费尔流形的干扰对齐预编码方法
CN107104711A (zh) 一种大规模非正交多接入方法
CN104253638B (zh) 基于Stiefel流形上共轭梯度法的MIMO干扰对齐算法
CN112929304A (zh) 一种环境知识库辅助的无线信道获取方法
CN113660015B (zh) 环境知识库辅助下在线无线信道获取优化方法
CN114844541B (zh) 一种基于深度学习的混合预编码和反馈方法
CN104821840B (zh) 一种大规模多输入多输出下行系统的抗干扰方法
CN109039402B (zh) 基于用户压缩的mimo拓扑干扰对齐方法
TWI669921B (zh) 基於深度學習作為通道狀態資訊之回饋方法
CN113556159A (zh) 一种大规模mimo多用户系统的信道反馈方法
CN108347269B (zh) 针对多天线系统的发送接收优化设计方法
CN115085782B (zh) 基于深度学习的智能反射面联合反馈和混合预编码方法
US20240072927A1 (en) Signal processing method, communication device, and communication system
CN115001547B (zh) 多小区协作大规模mimo鲁棒预编码设计方法
CN115694767B (zh) 一种基于Transformer的联合导频设计、反馈和信道估计方法
Qiao et al. Meta-Learning-Based Fronthaul Compression for Cloud Radio Access Networks

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