CN113660020A - 一种无线通信信道信息传输方法、系统和解码器 - Google Patents

一种无线通信信道信息传输方法、系统和解码器 Download PDF

Info

Publication number
CN113660020A
CN113660020A CN202110713004.4A CN202110713004A CN113660020A CN 113660020 A CN113660020 A CN 113660020A CN 202110713004 A CN202110713004 A CN 202110713004A CN 113660020 A CN113660020 A CN 113660020A
Authority
CN
China
Prior art keywords
information
channel information
channel
unit
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
Application number
CN202110713004.4A
Other languages
English (en)
Inventor
马琪
刘凤山
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.)
Shaanxi Shangpin Information Technology Co ltd
Original Assignee
Shaanxi Shangpin Information Technology 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 Shaanxi Shangpin Information Technology Co ltd filed Critical Shaanxi Shangpin Information Technology Co ltd
Priority to CN202110713004.4A priority Critical patent/CN113660020A/zh
Publication of CN113660020A publication Critical patent/CN113660020A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • 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
    • H04B7/0658—Feedback reduction
    • H04B7/0663—Feedback reduction using vector or matrix manipulations

Landscapes

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

Abstract

本发明公开了一种无线通信信道信息传输方法、系统和解码器，其中方法包括：用户端获取信道状态信息在空间频率域的信道矩阵，并对信道矩阵进行二维离散傅里叶变换，得到时延角度域的信道矩阵；用户端将时延角度域的信道矩阵输入编码器进行压缩，得到压缩信道信息；用户端将压缩信道信息进行量化，得到量化信道信息，并向无线信道发射量化信道信息；基站端接收量化信道信息并将其输入解码器进行解压缩，并对解压缩结果进行信息重建，得到重建的信道信息；其中，编码器和解码器均为预先训练完成的神经网络。本发明实施例提供的方案，基站端重建的信道信息与原始信道信息更接近，在户外高压缩率场景下可以表现出很好的性能。

Description

一种无线通信信道信息传输方法、系统和解码器
技术领域
本发明属于通信技术领域，具体涉及一种无线通信信道信息传输方法、系统和解码器。
背景技术
大规模多输入多输出(MIMO,multiple-input multiple output)技术被认为是5G移动通信的核心关键技术之一，随着6G移动通信的研发启动，大规模多输入多输出MIMO作为6G移动通信的潜在使能技术仍有较大的发展空间。
MIMO能提供更高的信道容量，大幅度减小用户间干扰；但是这些好处取决于能否获取准确的信道信息。在频分双工(FDD,frequency division duplex)制式下，对于上行链路，基站可以通过用户传输的导频来获取信道信息，但是对于下行链路，由于FDD系统信道缺少互易性，基站无法从上行信道信息获得下行信道信息，因此基站想要利用下行信道信息来进行预编码时，用户必须通过上行链路将下行信道信息传回去。但由于下行信道信息和基站天线数是成正比的，在大规模MIMO系统中的庞大的基站天线数会导致下行信道信息非常巨大，这意味这用户需要消耗巨大的频谱资源。因此传统的信道反馈方案在大规模MIMO系统中难以适用。
随着人工智能的兴起，出现了一些基于机器学习的信道反馈方案，该方案借鉴压缩感知(CS,compressivesensing)的CSI反馈方案，虽然比起传统方法有了不少进步，但是压缩感知方法有着严重依赖于信道的稀疏性假设和重建算法复杂度过高的缺点，在户外、高压缩率场景下表现出很差的性能。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种无线通信信道信息传输方法、系统和解码器。本发明要解决的技术问题通过以下技术方案实现：
第一方面，本发明实施例提供了一种无线通信信道信息传输方法，包括：
用户端获取信道状态信息在空间频率域的信道矩阵，并对所述信道矩阵进行二维离散傅里叶变换，得到时延角度域的信道矩阵；
所述用户端将所述时延角度域的信道矩阵输入编码器进行压缩，得到压缩信道信息；
所述用户端将所述压缩信道信息进行量化，得到量化信道信息，并向无线信道发射所述量化信道信息；
基站端接收所述量化信道信息并将其输入解码器进行解压缩，并对解压缩结果进行信息重建，得到重建的信道信息；
其中，所述编码器和所述解码器均为预先训练完成的神经网络；所述解码器中包含有残差网络，所述残差网络包括串行连接的三个信息重建模块以及一个加法模块；每个所述信息重建模块均包括串行连接的第一卷积单元、第二卷积单元、第一重塑单元、第一全连接单元、第二重塑单元以及第三卷积单元；所述第一卷积单元、所述第二卷积单元和所述第三卷积单元均采用swish函数作为激活函数；所述第一全连接单元包括串行连接的四个全连接层，所述四个全连接层的神经元数量之比为1:2:2:4；所述加法模块用于将所述残差网络的输入和第三个信息重建模块的输出相加，以重建信道信息。
在本发明的一个实施例中，所述用户端将所述时延角度域的信道矩阵输入编码器进行压缩，包括：
所述用户端分别提取所述时延角度域的信道矩阵的前Np行元素的实部和虚部，得到信道实部矩阵和信道虚部矩阵；其中，Np为预设的正整数；
按列拼接所述信道实部矩阵和所述信道虚部矩阵，得到待传输的信道信息；
将所述待传输的信道信息输入所述编码器进行压缩。
在本发明的一个实施例中，所述编码器包括串行连接的两个第四卷积单元、一个第三重塑单元和一个第二全连接单元；所述第四卷积单元包括一7×7卷积核的卷积层，且所述第四卷积单元采用swish函数作为激活函数；
将所述待传输的信道信息输入所述编码器进行压缩，得到压缩信道信息，包括：
两个所述第四卷积单元对输入的待传输的信道信息进行特征提取；
所述第三重塑单元对经两个所述第四卷积单元特征提取结果进行重塑；
所述第二全连接单元对经所述第三重塑单元重塑后的结果进行压缩，得到压缩信道信息。
在本发明的一个实施例中，所述用户端将所述压缩信道信息进行量化，得到量化信道信息，包括：
所述用户端采用μ律非均匀量化将所述压缩信道信息转化为量化信道信息。
在本发明的一个实施例中，所述解码器包括串行连接的解压缩网络、所述残差网络和第五卷积单元；其中，
所述解压缩网络用于接收并解压缩所述量化信道信息，输出解压缩结果；
所述残差网络用于接收所述解压缩结果并进行信息重建，输出信息重建结果；
所述第五卷积单元用于对所述信息重建结果进行特征提取。
在本发明的一个实施例中，所述解压缩网络包括串行连接的第三全连接单元501和第四重塑单元；
所述基站端将所述量化信道信息输入解码器进行解压缩，包括：
所述基站端将所述量化信道信息输入所述第三全连接单元501进行解压缩；
所述第四重塑单元对经所述第三全连接单元501解压缩的结果进行重塑，该重塑结果作为所述残差网络的输入以进行信道信息重建。
在本发明的一个实施例中：所述基站端对解压缩结果进行信息重建，得到重建的信道信息，包括：
第一个信息重建模块对所述解压缩网络的解压缩结果依次进行特征提取、重塑、解压缩后得到第一信息重建结果；
第二个信息重建模块对所述第一信息重建结果再依次进行特征提取、重塑、解压缩后得到第二信息重建结果；
第三个信息重建模块对所述第二信息重建结果再依次进行特征提取、重塑、解压缩后得到第三信息重建结果；
所述加法模块将所述第三信息重建结果和所述残差网络的输入相加，以得到所述重建的信道信息。
在本发明的一个实施例中，所述编码器和所述解码器的训练方法，均包括：
获取一样本信道信息；
将所述样本信道信息输入至编码网络，以使所述编码网络输出压缩样本信道信息；
通过模拟的无线信道将所述压缩样本信道信息传送至解码网络，以使所述解码网络输出重建的样本信道信息；
根据重建的样本信道信息和原始获取的样本信道信息计算均方误差；
若所述均方误差不小于阈值，基于Adam优化算法调整所述编码网络和所述解码网络的网络参数，获取下一样本信道信息继续训练；
若所述均方误差小于阈值，结束训练，将所述编码网络作为所述编码器，并将所述解码网络作为所述解码器。
第二方面，本发明实施例提供了一种无线通信信道信息传输系统，包括用户端和基站端，其中，
所述用户端获取信道状态信息在空间频率域的信道矩阵，并对所述信道矩阵进行二维离散傅里叶变换，得到时延角度域的信道矩阵；
所述用户端将所述时延角度域的信道矩阵输入编码器进行压缩并重建，得到压缩信道信息；
所述用户端将所述压缩信道信息进行量化，得到量化信道信息；
所述用户端向无线信道发射所述量化信道信息；
基站端接收所述量化信道信息并将其输入解码器进行解压缩，得到重建的信道信息；
其中，所述编码器和所述解码器均为预先训练完成的神经网络；所述解码器中包含有残差网络，所述残差网络包括串行连接的三个信息重建模块以及一个加法模块；每个所述信息重建模块均包括串行连接的第一卷积单元、第二卷积单元、第一重塑单元、第一全连接单元、第二重塑单元以及第三卷积单元；所述第一卷积单元、所述第二卷积单元和所述第三卷积单元均采用swish函数作为激活函数；所述第一全连接单元包括串行连接的四个全连接层，所述四个全连接层的神经元数量之比为1:2:2:4；所述加法模块用于将所述残差网络的输入和第三个信息重建模块的输出相加，以重建信道信息。
第三方面，本发明实施例提供了一种解码器，包括串行连接的解压缩网络和残差网络；其中，
所述解压缩网络用于接收并解压缩经编码器压缩的量化信道信息，输出解压缩结果；所述解压缩网络包括串行连接的第三全连接单元501和第四重塑单元，所述第三全连接单元501用于对基站端接收的量化信道信息进行解压缩，所述第四重塑单元对经所述第三全连接单元501解压缩的结果进行重塑，该重塑结果作为所述残差网络的输入以进行信道信息重建；
所述残差网络用于接收所述解压缩结果并对其进行信息重建，输出信息重建结果；所述残差网络包括串行连接的三个信息重建模块以及一个加法模块；每个所述信息重建模块均包括串行连接的第一卷积单元、第二卷积单元、第一重塑单元、第一全连接单元、第二重塑单元以及第三卷积单元；所述第一卷积单元、所述第二卷积单元和所述第三卷积单元均采用swish函数作为激活函数；所述第一全连接单元包括串行连接的四个全连接层，所述四个全连接层的神经元数量之比为1:2:2:4；所述加法模块用于将所述残差网络的输入和第三个信息重建模块的输出相加，以重建信道信息。
本发明实施例方案中编码器和解码器采用预先训练的神经网络，且解码器的残差网络将其输入和第三个信息重建模块的输出相加作为解码器的输出，有效避免了梯度消失问题；此外，采用三个信息重建模块和一个加法模块来计算恢复的信道信息和原信道信息的残差，且每个信息重建模块包含有四个全连接层，相当于采用了更深的恢复网络来减小真实信道信息和恢复信道信息的残差，可以获得更好的对于残差的估计。同时，本发明实施例的解码器的卷积单元均采用swish函数作为激活函数，更深层恢复网络结构，可以减小激活函数对深层神经网络的不利影响；本发明实施例提供的方案，基站端重建的信道信息与原始信道信息更接近，在户外高压缩率场景下可以表现出很好的性能。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种无线通信信道信息传输方法的流程示意图；
图2是本发明实施例提供的一种编码器的网络结构示意图；
图3是本发明实施例提供的一种残差网络的网络结构示意图；
图4是本发明实施例提供的一种信息重建模块的网络结构示意图；
图5是本发明实施例提供的一种解码器的网络结构示意图；
图6是本发明实施例提供的一种编码器的网络结构图；
图7是本发明实施例提供的一种解码器的网络结构图；
图8是本发明实施例提供的一种信息重建模块的结构图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
为了解决现有基于机器学习的信道反馈方案在户外、高压缩率场景下表现出很差的性能的问题，本发明实施例提供了一种无线通信信道信息传输方法、系统和解码器。
第一方面，本发明实施例提供了一种无线通信信道信息传输方法。
请参见图1，图1是本发明实施例提供的一种无线通信信道信息传输方法的流程示意图。本发明实施例提供的无线通信信道信息传输方法，包括：
S101、用户端获取信道状态信息在空间频率域的信道矩阵，并对信道矩阵进行二维离散傅里叶变换，得到时延角度域的信道矩阵。
由于在FDD制式的大规模MIMO系统中，基站配置有大量的天线，用户端通过反馈链路反馈完整的信道状态信息CSI矩阵需要消耗大量的反馈资源，因此，将信道状态信息在空间频率域的信道矩阵转换为时延角度域的信道矩阵，可以减小反馈开销。
S102、用户端将时延角度域的信道矩阵输入编码器进行压缩并重建，得到压缩信道信息。
本步骤具体可以包括：
a1、用户端分别提取时延角度域的信道矩阵的前Np行元素的实部和虚部，得到信道实部矩阵和信道虚部矩阵；其中，Np为预设的正整数；
a2、按列拼接信道实部矩阵和信道虚部矩阵，得到待传输的信道信息；
a3、将待传输的信道信息输入编码器进行压缩。
也即，将时延角度域的信道矩阵的实部和虚部提取出来，以便在编码器中对实部和虚部分别进行处理。
本发明实施例涉及的编码器为预先训练完成的神经网络，该神经网络可以是现有的具备编码功能的神经网络，比如Autoencoder。
请参见图2，图2是本发明实施例提供的一种编码器的网络结构示意图；作为优选的方案，本发明实施例的编码器包括包括串行连接的两个第四卷积单元201、一个第三重塑单元202和一个第二全连接单元203；第四卷积单元201包括一7×7卷积核的卷积层，且第四卷积单元201采用swish函数作为激活函数。
其中，第三卷积单元406除包含一7×7卷积核的卷积层外，还可以包含有一BN(Batch Normalization)层，BN层放在7×7卷积核的卷积层后，能够加速网络收敛，并且能够控制过拟合过程。
而编码器通过采用两个带有7×7卷积核的卷积层来捕获信道信息，相比于现有编码器采用的较小卷积核的卷积层，更大的卷积核尺寸可以捕获更多非零特征，利于减小真实信道信息和恢复信道信息的残差。
第三重塑单元202以及本发明实施例涉及的其它重塑单元的作用是在不改变输入数据总维度的前提下重塑输出数据的结构，比如可以是Reshape层。
这里的第二全连接单元203以及本发明实施例涉及的其它全连接单元可以是相同的包含一全连接层并采用Sigmoid函数作为激活函数的全连接单元。
结合上述编码器的网络结构，本步骤中将待传输的信道信息输入编码器进行压缩，得到压缩信道信息，包括：
b1、两个第四卷积单元201对输入的待传输的信道信息进行特征提取；
b2、第三重塑单元202对经两个第四卷积单元201特征提取结果进行重塑；
b3、第二全连接单元203对经第三重塑单元202重塑后的结果进行压缩，得到压缩信道信息。
通过步骤b1～b3完成编码器对待传输信道信息的压缩过程。
S103、用户端将压缩信道信息进行量化，得到量化信道信息，并向无线信道发射量化信道信息。
完整的信道状态信息回传需要消耗大量的链路开销，所以在实际应用中需要对压缩的信道信息再进行量化处理，压缩的信道信息将在量化后以比特流形式进行发送，实现高效的存储、传输和处理。
作为一种优选的方案，量化方法可以采用μ律非均匀量化法，将压缩信道信息转化为量化信道信息。
采用的μ律非均匀量化法进行量化，可以通过调整压扩函数中的μ值可达到较好的量化效果，解决了小数据量化时信量噪比小的问题。
S104、基站端接收量化信道信息并将其输入解码器进行解压缩，得到重建的信道信息。
其中，解码器均为预先训练完成的神经网络。
请参见图3和图4，图3是本发明实施例提供的一种残差网络的网络结构示意图，图4是本发明实施例提供的一种信息重建模块301的网络结构示意图；本发明实施例的解码器中包含有残差网络，残差网络包括串行连接的三个信息重建模块301以及一个加法模块302；每个信息重建模块301均包括串行连接的第一卷积单元401、第二卷积单元402、第一重塑单元403、第一全连接单元、第二重塑单元405以及第三卷积单元406；第一卷积单元401、第二卷积单元402均和第三卷积单元406均采用swish函数作为激活函数；第一全连接单元包括串行连接的四个全连接层，四个全连接层的神经元数量之比为1:2:2:4；加法模块302用于将残差网络的输入和第三个信息重建模块301的输出相加，以重建信道信息。
本发明实施例的残差网络将其输入和第三个信息重建模块301的输出相加作为解码器的输出，有效避免了梯度消失问题；此外，采用三个信息重建模块301和一个加法模块302来计算恢复的信道信息和原信道信息的残差，且每个信息重建模块301包含有四个全连接层，相当于采用了更深的恢复网络来减小真实信道信息和恢复信道信息的残差，可以获得更好的对于残差的估计。本发明实施例的解码器的第一卷积单元401和第二卷积单元402均采用swish函数作为激活函数，更适用于本发明实施例提供的具有三个信息重建模块301，以及每个信息重建模块301具有4个全连接层的深层恢复网络结构，减小激活函数对深层神经网络的不利影响，相对于常规ReLU函数可以取得更好的效果，因为对于层次较深的深层网络，使用ReLU函数作为激活函数时容易产生梯度小时的情况，因此本发明实施例提供的方案，基站端重建的信道信息与原始信道信息更接近，在户外高压缩率场景下可以表现出很好的性能。
请参见图5，图5是本发明实施例提供的一种解码器的网络结构示意图；作为进一步的方案，本发明实施例的解码器包括串行连接的解压缩网络、残差网络和第五卷积单元503；其中，解压缩网络用于接收并解压缩量化信道信息，输出解压缩结果；残差网络用于接收解压缩结果并进行信息重建，输出信息重建结果；第五卷积单元503用于对信息重建结果进行特征提取。
也即，在上述实施例中解码器包括残差网络的基础上，在第一个信息重建模块301之前还包括解压缩网络和一个卷积单元，解压缩网络和该卷积单元在完成解码器接收的量化信道信息的解压缩和特征提取后的输出结果作为残差网络的输入，以进行信道信息重建。
示例性的，解压缩网络可以包括串行连接的第三全连接单元501和第四重塑单元502，且第四卷积单元201采用swish函数作为激活函数。那么，上述实施例中基站端将量化信道信息输入解码器进行解压缩，可以包括：
c1、基站端将量化信道信息输入第三全连接单元501进行解压缩；
c2、第四重塑单元502对经第三全连接单元501解压缩的结果进行重塑，该重塑结果作为残差网络的输入以进行信道信息重建。
通过步骤c1～c2完成解码器接收的量化信道信息的解压缩过程。
上述实施例中基站端对解压缩结果进行信息重建，得到重建的信道信息，包括：
d1、第一个信息重建模块301对解压缩网络的解压缩结果依次进行特征提取、重塑、解压缩后得到第一信息重建结果；
d2、第二个信息重建模块301对第一信息重建结果再依次进行特征提取、重塑、解压缩后得到第二信息重建结果；
d3、第三个信息重建模块301对第二信息重建结果再依次进行特征提取、重塑、解压缩后得到第三信息重建结果；
d4、加法模块302将第三信息重建结果和残差网络的输入相加，以得到重建的信道信息。
通过步骤d1～d4完成对解码器中解压缩网络输出结果的信道信息重建过程。
本发明实施例的解码器还可以进一步包括第五卷积单元503，该第五卷积单元503包括一3×3卷积核的卷积层，同样采用swish函数作为激活函数；通过该卷积层对残差网络的输出结果进行特征提取，将提取的特征作为最终的重建的信道信息。
下面对本发明的方法所使用的编码器和解码器的训练过程进行说明。
为了无需对训练样本标注以及减小网络误差，本发明实施例采用端到端的训练方式来对编码器和解码器进行同步训练。具体的训练过程可以包括：
e1、获取一样本信息。
e2：将样本信息输入至编码网络，以使编码网络输出压缩样本信息。
e3：通过模拟的无线信道将压缩样本信息传送至解码网络的输入端，以使解码网络输出重建的样本信息。
其中，模拟的无线信道可以通过matlab软件来仿真实现，相关技术中已有基于matlab进行瑞利信道、多径信道等无线信道的仿真，可根据系统实际的无线信道进行选择使用，本发明实施例不再赘述。
e4：根据重建的样本信息和原始获取的样本信息计算均方误差(MSE)。计算公式如下：
Figure BDA0003133694730000131
其中，Hi表示原始获取的第i个样本信息，
Figure BDA0003133694730000132
表示对第i个样本信息重建的样本信息，||||2是欧几里得范数，N表示当前已加入训练的样本信息的总数。
e5：若计算的均方误差不小于阈值，基于Adam优化算法调整编码网络和解码网络的网络参数，获取下一样本信息继续训练。
这里，获取下一样本信息后，返回步骤e2继续执行。
e6：若计算的均方误差小于阈值，结束训练，将当前的编码网络作为编码器，并将当前的解码网络作为解码器。
其中，本发明实施例创新性的将无线传输过程纳入到了对编码网络和解码网络的训练过程中，可以使两种神经网络对无线信道的传输特性进行学习，从而使训练完成的编码网络和解码网络更精确。
下面的实施例对本发明提供的无线通信信道信息传输方法进行具体说明。
假设一FDD基站大规模MIMO系统，基站端有Nt根天线，用户端有单根天线，系统采用有Nc个子载波的OFDM系统。
(一)用户端在编码器压缩之前，获取下行信道信息的过程
(1)用户端根据FDD基站发来的信号估计空间频率域的下行信道矩阵。
FDD基站发来的信号主要包括经过无线信道传输的各个子载波上的预编码向量和发送向量；这两种向量是FDD基站和终端设备之间预先约定的已知量；假如用yn来表示终端设备第n个子载波上收到的信号，n∈Nc,Nc为子载波总数，则该信号yn可以表示为：
Figure BDA0003133694730000141
其中，
Figure BDA0003133694730000142
表示第n个子载波上的预编码向量，Nt为FDD基站的天线个数；xn表示第n个子载波上的发送向量；zn表示终端设备第n个子载波上的加性噪声和干扰；
Figure BDA0003133694730000143
表示第n个子载波的信道频域响应向量，Nc个子载波的信道频域响应向量即构成下行信道矩阵
Figure BDA0003133694730000144
(·)H代表共轭转置，符号
Figure BDA0003133694730000145
代表的是集合的含义。
(2)对空间频率域的下行信道矩阵进行二维离散傅里叶变换，得到时延角度域的下行信道矩阵。
具体的，对下行信道矩阵进行如下的二维离散傅里叶变换：
Figure BDA0003133694730000151
其中，
Figure BDA0003133694730000152
和
Figure BDA0003133694730000153
都是根据Nc和Nt预先计算好的DFT(DiscreteFourier Transform，离散傅里叶变换)矩阵，H表示时延角度域的下行信道矩阵。
(3)提取时延角度域的下行信道矩阵中前Np行元素的实部，并提取时延角度域的下行信道矩阵中前Np行元素的虚部，得到信道实部矩阵和信道虚部矩阵；Np为预设的正整数，Np可根据实际的系统由人工经验预先设定。
由于大规模MIMO的下行信道矩阵在时延角度域是稀疏的且多径时延是有限的，故而时延角度域的下行信道矩阵中大多数的元素是近似于0的，且只有前Np行有非零值；因此，可以提取时延角度域的下行信道矩阵的共Nc行中的前Np行；另外，为了降低编码器和解码器的复杂度，可以将这前Np行元素的实部和虚部分开，信道实部矩阵和信道虚部矩阵的大小均为Np×Nt。
(4)按列拼接信道实部矩阵和信道虚部矩阵，得到下行信道信息。
具体而言，按列拼接信道实部矩阵和信道虚部矩阵，得到一个Np×Nt×2的矩阵，作为下行信道信息。
可以理解的是，在FDD系统中，对于上行传输链路，FDD基站可以通过终端设备传来的导频信号来获取准确的信息；对于下行传输链路，终端设备需要通过上行链路给FDD基站回传下行信道信息。随着通信技术的发展，大规模MIMO技术因其更高的信道容量、更低的用户间干扰成为了未来移动通信系统的关键技术；应用MIMO技术的FDD系统的下行信道信息的量是和FDD基站的天线数成正比的，FDD基站天线数越多，下行信道信息的量越大，需要消耗大量的频谱资源。因此，适合采用本发明实施例提供的方法来对下行信道信息进行压缩。
(二)用户端编码器压缩的过程
编码器的压缩率根据第二全连接层的神经元个数确定；如果第二全连接层有M个神经元，则编码器的压缩率(CR)可以计算为：
Figure BDA0003133694730000161
编码器中两个7×7卷积核的第三卷积单元406对输入信道矩阵的实部和虚部分别进行特征提取，生成两通道特征图；第三重塑单元202再将两通道特征图合并，重塑成一个向量并输入第二全连接层进行压缩；第二全连接层采用2048个神经元进行压缩。第三卷积单元406采用swish函数作为激活函数对输出信道矩阵的元素进行归一化；第二全连接层采用sigmoid作为激活函数对输出信道矩阵的元素进行归一化。
swish激活函数表示如下：
Figure BDA0003133694730000162
其中，x代表激活函数的输入，e为自然底数，sigmoid(·)为另外一种常见的激活函数。
通过两个第三卷积单元406、第三重塑单元202和第二全连接单元203完成输入的下行信道信息的压缩过程。
(三)用户端量化过程
量化过程和编码过程一样是在客户端，采用μ律非均匀量化法对压缩后的信道信息进行量化。该非均匀量化相当于将数据先输入一个μ律压扩函数，再进行均匀量化。
μ律压扩函数表达式为：
Figure BDA0003133694730000171
其中，x为输入的压缩信道信息，y为经压扩函数压缩后的信道信息，μ为μ律中控制压扩程度的参数。
(四)基站端解压缩和重建的过程
基站端接收的量化信道信息先通过解压缩网络进行解压缩处理，再输入残差网络的进行信息重建。解压缩网络采用的第三全连接单元501采用sigmoid作为激活函数输出信道矩阵的元素进行归一化；第四重塑单元502对归一化结果进行重塑后作为残差网络的输入。下面对残差网络进行重点说明。
当压缩率(CR)比较低，如CR等于4的时候，压缩过程不会丢失掉很多信息，因此卷积神经网络足够捕获并估计残差，但是当CR很高的时候，比如CR等于64的时候，压缩过程会丢失掉很多信息，这给恢复网络带来了更高的要求，一般得卷积神经网络很难达到这个要求。因此，基站端的解码器采用深度更深的恢复网络来减小真实信道信息和恢复信道信息的残差。本发明的方案每个信息重建模块301选择四个全连接层进行信息重建，每个全连接层神经元的数量为512个、1024个、1024个和2048个，由于相邻全连接层之间每个神经元都有连接，能够捕获更多的特征，因此本发明的解码器具有更强的信道信息恢复性能，尤其是在编码器高压缩率的情况下，即使因压缩丢掉了很多信息，采用该神经网络也可以对信息进行有效的恢复与重建。
下面对本发明实施例提供的无线通信信道信息传输方法的仿真验证情况进行说明。仿真配置包括：FDD系统，工作频段300MHz，基站有Nc＝1024个子载波和Nt＝32个均匀线性阵列天线，Np设置为32，故下行信道信息的大小为32×32×2，无线信道采用COST2100MIMO信道模型来模拟；编码器的网络结构图如图6所示，解码器的网络结构图如图7所示，图7中的“Refine”模块的结构图如图8所示。图中，“Conv”代表的是卷积的含义，“Refine”代表的是信息重建模块；“Dense”代表的是全连接层的含义；“Reshape”代表的是重塑层的含义。
本发明实施例提供的无线通信信道信息传输方法的性能参见表1：
表1
CR NMSE
8 -9.05dB
16 -8.56dB
32 -7.32dB
64 -6.78dB
其中，NMSE(归一化均方误差)的计算方式如下：
Figure BDA0003133694730000181
E{·}代表求取期望，其余参数含义参见上文。
从表1可以看到，本发明实施例中，在不同高压缩率的情况下，本发明实施例的NMSE始终保持在-6dB以下，说明重建的信道信息与真实的信道信息非常接近，恢复性能很好。
基于同样的发明构思，第二方面，本发明还提供了一种无线通信信道信息传输系统，包括用户端和基站端，其中，
用户端获取信道状态信息在空间频率域的信道矩阵，并对信道矩阵进行二维离散傅里叶变换，得到时延角度域的信道矩阵；
用户端将时延角度域的信道矩阵输入编码器进行压缩并重建，得到压缩信道信息；
用户端将压缩信道信息进行量化，得到量化信道信息；
用户端向无线信道发射量化信道信息；
基站端接收量化信道信息并将其输入解码器进行解压缩，得到重建的信道信息；
其中，编码器和解码器均为预先训练完成的神经网络；解码器中包含有残差网络，残差网络包括串行连接的三个信息重建模块301以及一个加法模块302；每个信息重建模块301均包括串行连接的第一卷积单元401、第二卷积单元402、第一重塑单元403、第一全连接单元、第二重塑单元405以及第三卷积单元406；第一卷积单元401、第二卷积单元402和第三卷积单元406均采用swish函数作为激活函数；第一全连接单元包括串行连接的四个全连接层，四个全连接层的神经元数量之比为1:2:2:4；加法模块302用于将残差网络的输入和第三个信息重建模块301的输出相加，以重建信道信息。
关于无线通信信道信息传输系统用户端和基站端的具体结构以及信息传输方法对应于上述第一方面中各具体实施例，亦可以达到相同的作用，在此不再赘述。
第三方面，本发明实施例还提供了一种解码器，包括串行连接的解压缩网络和残差网络；其中，
解压缩网络用于接收并解压缩经编码器压缩的量化信道信息，输出解压缩结果；解压缩网络包括串行连接的第三全连接单元501和第四重塑单元502，第三全连接单元501用于对基站端接收的量化信道信息进行解压缩，第四重塑单元502对经第三全连接单元501解压缩的结果进行重塑，该重塑结果作为残差网络的输入以进行信道信息重建；
残差网络用于接收解压缩结果并对其进行信息重建，输出信息重建结果；残差网络包括串行连接的三个信息重建模块301以及一个加法模块302；每个信息重建模块301均包括串行连接的第一卷积单元401、第二卷积单元402、第一重塑单元403、第一全连接单元、第二重塑单元405以及第三卷积单元406；第一卷积单元401、第二卷积单元402和第三卷积单元406均采用swish函数作为激活函数；第一全连接单元包括串行连接的四个全连接层，四个全连接层的神经元数量之比为1:2:2:4；加法模块302用于将残差网络的输入和第三个信息重建模块301的输出相加，以重建信道信息。
关于解码器的具体结构以及功能对应于上述第一方面中各具体实施例，亦可以达到相同的作用，在此不再赘述。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种无线通信信道信息传输方法，其特征在于，包括：
用户端获取信道状态信息在空间频率域的信道矩阵，并对所述信道矩阵进行二维离散傅里叶变换，得到时延角度域的信道矩阵；
所述用户端将所述时延角度域的信道矩阵输入编码器进行压缩，得到压缩信道信息；
所述用户端将所述压缩信道信息进行量化，得到量化信道信息，并向无线信道发射所述量化信道信息；
基站端接收所述量化信道信息并将其输入解码器进行解压缩，并对解压缩结果进行信息重建，得到重建的信道信息；
其中，所述编码器和所述解码器均为预先训练完成的神经网络；所述解码器中包含有残差网络，所述残差网络包括串行连接的三个信息重建模块以及一个加法模块；每个所述信息重建模块均包括串行连接的第一卷积单元、第二卷积单元、第一重塑单元、第一全连接单元、第二重塑单元以及第三卷积单元；所述第一卷积单元、所述第二卷积单元和所述第三卷积单元均采用swish函数作为激活函数；所述第一全连接单元包括串行连接的四个全连接层，所述四个全连接层的神经元数量之比为1:2:2:4；所述加法模块用于将所述残差网络的输入和第三个信息重建模块的输出相加，以重建信道信息。
2.根据权利要求1所述的无线通信信道信息传输方法，其特征在于，所述用户端将所述时延角度域的信道矩阵输入编码器进行压缩，包括：
所述用户端分别提取所述时延角度域的信道矩阵的前Np行元素的实部和虚部，得到信道实部矩阵和信道虚部矩阵；其中，Np为预设的正整数；
按列拼接所述信道实部矩阵和所述信道虚部矩阵，得到待传输的信道信息；
将所述待传输的信道信息输入所述编码器进行压缩。
3.根据权利要求2所述的无线通信信道信息传输方法，其特征在于，所述编码器包括串行连接的两个第四卷积单元、一个第三重塑单元和一个第二全连接单元；所述第四卷积单元包括一7×7卷积核的卷积层，且所述第四卷积单元采用swish函数作为激活函数；
将所述待传输的信道信息输入所述编码器进行压缩，得到压缩信道信息，包括：
两个所述第四卷积单元对输入的待传输的信道信息进行特征提取；
所述第三重塑单元对经两个所述第四卷积单元特征提取结果进行重塑；
所述第二全连接单元对经所述第三重塑单元重塑后的结果进行压缩，得到压缩信道信息。
4.根据权利要求1所述的无线通信信道信息传输方法，其特征在于，所述用户端将所述压缩信道信息进行量化，得到量化信道信息，包括：
所述用户端采用μ律非均匀量化将所述压缩信道信息转化为量化信道信息。
5.根据权利要求1所述的无线通信信道信息传输方法，其特征在于，所述解码器包括串行连接的解压缩网络、所述残差网络和第五卷积单元；其中，
所述解压缩网络用于接收并解压缩所述量化信道信息，输出解压缩结果；
所述残差网络用于接收所述解压缩结果并进行信息重建，输出信息重建结果；
所述第五卷积单元用于对所述信息重建结果进行特征提取。
6.根据权利要求5所述的无线通信信道信息传输方法，其特征在于，所述解压缩网络包括串行连接的第三全连接单元501和第四重塑单元；
所述基站端将所述量化信道信息输入解码器进行解压缩，包括：
所述基站端将所述量化信道信息输入所述第三全连接单元501进行解压缩；
所述第四重塑单元对经所述第三全连接单元501解压缩的结果进行重塑，该重塑结果作为所述残差网络的输入以进行信道信息重建。
7.根据权利要求6所述的无线通信信道信息传输方法，其特征在于：所述基站端对解压缩结果进行信息重建，得到重建的信道信息，包括：
第一个信息重建模块对所述解压缩网络的解压缩结果依次进行特征提取、重塑、解压缩后得到第一信息重建结果；
第二个信息重建模块对所述第一信息重建结果再依次进行特征提取、重塑、解压缩后得到第二信息重建结果；
第三个信息重建模块对所述第二信息重建结果再依次进行特征提取、重塑、解压缩后得到第三信息重建结果；
所述加法模块将所述第三信息重建结果和所述残差网络的输入相加，以得到所述重建的信道信息。
8.根据权利要求1所述的无线通信信道信息传输方法，其特征在于，所述编码器和所述解码器的训练方法，均包括：
获取一样本信道信息；
将所述样本信道信息输入至编码网络，以使所述编码网络输出压缩样本信道信息；
通过模拟的无线信道将所述压缩样本信道信息传送至解码网络，以使所述解码网络输出重建的样本信道信息；
根据重建的样本信道信息和原始获取的样本信道信息计算均方误差；
若所述均方误差不小于阈值，基于Adam优化算法调整所述编码网络和所述解码网络的网络参数，获取下一样本信道信息继续训练；
若所述均方误差小于阈值，结束训练，将所述编码网络作为所述编码器，并将所述解码网络作为所述解码器。
9.一种无线通信信道信息传输系统，其特征在于，包括用户端和基站端，其中，
所述用户端获取信道状态信息在空间频率域的信道矩阵，并对所述信道矩阵进行二维离散傅里叶变换，得到时延角度域的信道矩阵；
所述用户端将所述时延角度域的信道矩阵输入编码器进行压缩并重建，得到压缩信道信息；
所述用户端将所述压缩信道信息进行量化，得到量化信道信息；
所述用户端向无线信道发射所述量化信道信息；
基站端接收所述量化信道信息并将其输入解码器进行解压缩，得到重建的信道信息；
其中，所述编码器和所述解码器均为预先训练完成的神经网络；所述解码器中包含有残差网络，所述残差网络包括串行连接的三个信息重建模块以及一个加法模块；每个所述信息重建模块均包括串行连接的第一卷积单元、第二卷积单元、第一重塑单元、第一全连接单元、第二重塑单元以及第三卷积单元；所述第一卷积单元、所述第二卷积单元和所述第三卷积单元均采用swish函数作为激活函数；所述第一全连接单元包括串行连接的四个全连接层，所述四个全连接层的神经元数量之比为1:2:2:4；所述加法模块用于将所述残差网络的输入和第三个信息重建模块的输出相加，以重建信道信息。
10.一种解码器，其特征在于，包括串行连接的解压缩网络和残差网络；其中，
所述解压缩网络用于接收并解压缩经编码器压缩的量化信道信息，输出解压缩结果；所述解压缩网络包括串行连接的第三全连接单元501和第四重塑单元，所述第三全连接单元501用于对基站端接收的量化信道信息进行解压缩，所述第四重塑单元对经所述第三全连接单元501解压缩的结果进行重塑，该重塑结果作为所述残差网络的输入以进行信道信息重建；
所述残差网络用于接收所述解压缩结果并对其进行信息重建，输出信息重建结果；所述残差网络包括串行连接的三个信息重建模块以及一个加法模块；每个所述信息重建模块均包括串行连接的第一卷积单元、第二卷积单元、第一重塑单元、第一全连接单元、第二重塑单元以及第三卷积单元；所述第一卷积单元、所述第二卷积单元和所述第三卷积单元均采用swish函数作为激活函数；所述第一全连接单元包括串行连接的四个全连接层，所述四个全连接层的神经元数量之比为1:2:2:4；所述加法模块用于将所述残差网络的输入和第三个信息重建模块的输出相加，以重建信道信息。
CN202110713004.4A 2021-06-25 2021-06-25 一种无线通信信道信息传输方法、系统和解码器 Pending CN113660020A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110713004.4A CN113660020A (zh) 2021-06-25 2021-06-25 一种无线通信信道信息传输方法、系统和解码器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110713004.4A CN113660020A (zh) 2021-06-25 2021-06-25 一种无线通信信道信息传输方法、系统和解码器

Publications (1)

Publication Number Publication Date
CN113660020A true CN113660020A (zh) 2021-11-16

Family

ID=78489022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110713004.4A Pending CN113660020A (zh) 2021-06-25 2021-06-25 一种无线通信信道信息传输方法、系统和解码器

Country Status (1)

Country Link
CN (1) CN113660020A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115001629A (zh) * 2022-04-29 2022-09-02 清华大学 信道量化反馈方法、装置、电子设备及存储介质
WO2023116407A1 (zh) * 2021-12-25 2023-06-29 大唐移动通信设备有限公司 信息处理方法、装置、终端及网络设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108847876A (zh) * 2018-07-26 2018-11-20 东南大学 一种大规模mimo时变信道状态信息压缩反馈及重建方法
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
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
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
CN110912598A (zh) * 2019-11-22 2020-03-24 中原工学院 基于长短时注意力机制的大规模mimo系统csi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
CN111555781A (zh) * 2020-04-27 2020-08-18 天津大学 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
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108847876A (zh) * 2018-07-26 2018-11-20 东南大学 一种大规模mimo时变信道状态信息压缩反馈及重建方法
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
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
CN110912598A (zh) * 2019-11-22 2020-03-24 中原工学院 基于长短时注意力机制的大规模mimo系统csi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
CN111555781A (zh) * 2020-04-27 2020-08-18 天津大学 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
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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023116407A1 (zh) * 2021-12-25 2023-06-29 大唐移动通信设备有限公司 信息处理方法、装置、终端及网络设备
CN115001629A (zh) * 2022-04-29 2022-09-02 清华大学 信道量化反馈方法、装置、电子设备及存储介质
CN115001629B (zh) * 2022-04-29 2024-03-12 清华大学 信道量化反馈方法、装置、电子设备及存储介质

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
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
CN110311718B (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
CN109672464B (zh) 基于fcfnn的大规模mimo信道状态信息反馈方法
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
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
WO2021203242A1 (zh) 基于深度学习的mimo多天线信号传输与检测技术
CN111464220B (zh) 一种基于深度学习的信道状态信息重建方法
Liu et al. An efficient deep learning framework for low rate massive MIMO CSI reporting
CN110912598B (zh) 基于长短时注意力机制的大规模mimo系统csi反馈方法
Liu et al. A Markovian model-driven deep learning framework for massive MIMO CSI feedback
Cai et al. Attention model for massive MIMO CSI compression feedback and recovery
CN113098804B (zh) 一种基于深度学习与熵编码的信道状态信息反馈方法
CN113381950B (zh) 基于网络聚合策略的高效mimo信道反馈方法及装置
CN113660020A (zh) 一种无线通信信道信息传输方法、系统和解码器
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
CN113872652B (zh) 一种基于3d mimo时变系统的csi反馈方法
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
CN115001629A (zh) 信道量化反馈方法、装置、电子设备及存储介质
CN115865145A (zh) 一种基于Transformer的大规模MIMO信道状态信息反馈方法
CN113726375B (zh) 一种基于深度学习的信道信息压缩反馈重建方法
CN114844541B (zh) 一种基于深度学习的混合预编码和反馈方法
CN113660693B (zh) 一种应用于无线通信系统的信息传输方法
TW201944745A (zh) 基於深度學習作為通道狀態資訊之回饋方法
CN113660693A (zh) 一种应用于无线通信系统的信息传输方法

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