CN113872652B - 一种基于3d mimo时变系统的csi反馈方法 - Google Patents
一种基于3d mimo时变系统的csi反馈方法 Download PDFInfo
- Publication number
- CN113872652B CN113872652B CN202110708638.0A CN202110708638A CN113872652B CN 113872652 B CN113872652 B CN 113872652B CN 202110708638 A CN202110708638 A CN 202110708638A CN 113872652 B CN113872652 B CN 113872652B
- Authority
- CN
- China
- Prior art keywords
- network
- downlink csi
- csi
- matrix
- mimo
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 24
- 238000004891 communication Methods 0.000 claims abstract description 10
- 230000004044 response Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000007906 compression Methods 0.000 claims description 11
- 230000006835 compression Effects 0.000 claims description 10
- 230000006837 decompression Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 21
- 238000013135 deep learning Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
- H04L25/0204—Channel estimation of multiple channels
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Radio Transmission System (AREA)
Abstract
本发明公开了一种基于3D MIMO时变系统的CSI反馈方法，包括基于时变环境构建包含有空间、频率和时间三个维度的大规模3D MIMO信道模型，基于3D MIMO信道模型估算下行链路CSI，建立编码器网络，对下行链路CSI进行压缩获得低维矢量，并通过上行链路通信向基站反馈，建立解码器网络，对基站接收的低维矢量进行下行链路CSI矩阵重建，完成预编码，本发明通过3D CNN和BiLSTM的结合，可将下行链路CSI压缩成一个低维矢量，其能够在较长的时间序列中提取到更多的特征并压缩，在能够保证其通信性能的同时，还可在解码过程中，更好的对下行链路CSI进行恢复。
Description
技术领域
本发明涉及一种基于3D MIMO时变系统的CSI反馈方法，属于通信技术领域。
背景技术
近些年来，Massive MIMO由于在无线通信业务中提供高数据速率而不增加额外带宽的能力而受到极大的关注，成为5G移动通信系统的发展趋势之一。该技术通过以集中式或分布式的方式为基站配备数百个甚至数千个天线，可以同时服务于同一频谱和时间的数百或数十个用户。3D MIMO技术在空间上引入垂直维度，与大规模MIMO的有机结合可以更精确地匹配无线信号在真实三维空间中的传播特性，从而开发多天线的潜力，进一步减少用户终端之间的信号干扰，建立更加可靠的链路，进而提高系统的吞吐量。
在FDD通信模式下，时变CSI的反馈是一个重要的问题，随着天线数的增加，需要的反馈链路数越来越多，反馈信息量也将急剧增加，反馈的准确度也难以保持。如何利用信道的空时频相关性，对CSI进行压缩，从而减少反馈量并在反馈接受端准确的恢复是研究的一个难点。
随着深度学习技术的迅速发展，深度学习算法在无线通信领域得到了成功的应用。其中，卷积神经网络(Convolutional Neural Network，CNN)在计算机视觉中体现出优越性，已被成功地应用于图像的压缩和恢复。CSI矩阵在数学上表示为一个多维矩阵，和图像的表示具有相似性，因此可利用深度学习算法来构建CSI的压缩和恢复框架。
有学者基于大规模MIMO系统模型提出了一种基于深度学习的信道反馈的框架，称为CsiNet。该CSI反馈网络的结构类似于自编码器的结构，由编码器和解码器组成。编码器模块主要负责将CSI矩阵进行压缩，从而降低反馈矢量的维度，减少反馈开销，而解码器模块则用于恢复CSI矩阵。此外，有研究在此基础上考虑了时间相关性，引入了长短期记忆(Long Short-Term Memory,LSTM)网络，从而有效提高了恢复精度。还有的研究为了更充分地恢复CSI矩阵，又引入了注意力机制。然而，在大规模3D MIMO中，特别是基于时变的场景中，利用深度学习工具解决CSI反馈问题的相关研究还未见报道。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于3D MIMO时变系统的CSI反馈方法，以解决现有技术中大规模3D MIMO时变系统下行CSI在天线规模较大时反馈信息量较大和时变环境对系统反馈准确度的影响的问题。
为解决上述技术问题，本发明是采用下述技术方案实现的：
一种基于3D MIMO时变系统的CSI反馈方法，包括：
基于时变环境构建包含有空间、频率和时间三个维度的大规模3D MIMO信道模型；
基于3D MIMO信道模型估算下行链路CSI；
建立编码器网络，对下行链路CSI进行压缩获得低维矢量，并通过上行链路通信向基站反馈；
建立解码器网络，对基站接收的低维矢量进行下行链路CSI矩阵重建，完成预编码。
作为本发明的一种优选技术方案，估算下行链路CSI的计算公式为：
其中，αk为第k条路径的增益，fs为信号传输带宽，n＝1,2,...,Nf，Hi为第i个信道矩阵，a(uk)为第k条路径的发送天线阵列响应，b(vk)为第k条路径的接收天线阵列响应。
作为本发明的一种优选技术方案，所述发送天线阵列响应和接收天线响应阵列的计算公式分别为：
其中，a(uk)为第k条路径的发送天线阵列响应，b(vk)为第k条路径的接收天线阵列响应，为第k条路径的水平角扰动，Δθk为第k条路径的垂直角扰动，Nt为天线阵元。
作为本发明的一种优选技术方案，所述编码器网络包括3D CNN、BiLSTM和Attention层。
作为本发明的一种优选技术方案，通过编码器网络对所述下行链路CSI的压缩包括：
将下行链路CSI分离为实部和虚部；
通过3D CNN分别对实部和虚部进行处理，分别获取关于实部和虚部的特征映射，并进一步将实部和虚部的特征映射分别重塑为与之相应的特征图；
通过BiLSTM分别对实部和虚部的特征图进行处理，并通过Attention层分别对实部的特征图和虚部的特征图进行提取特征；
将实部和虚部的特征提取结果进行叠加，完成对下行链路CSI的压缩。
作为本发明的一种优选技术方案，通过Attention层提取特征的公式为：
其中，Q＝K＝V；dk为K的维度；KT为K的转置。
作为本发明的一种优选技术方案，所述解码器网络包括顺次相连接的FC网络、3DCNN和残差网络。
作为本发明的一种优选技术方案，通过解码器网络对下行链路CSI重建具体包括：
通过FC网络对下行链路CSI压缩数据进行初步处理，获取两个解压特征图；
将两个解压特征图重塑为三维矩阵，并通过3D CNN获取三维矩阵的两个解压特征映射；
将获取的两个解压特征映射组作为下行链路CSI的实部和虚部的初始估计，并将其输入至由残差块构成的残差网络中进行持续的特征重建；
通过3D CNN对经过残差网络重建的特征进行处理，完成下行链路CSI重建。
作为本发明的一种优选技术方案，还包括通过对下行链路CSI编码和解码对编码器网络和解码器网络进行训练，所述编码器网络和解码器网络通过训练后的网络损失函数进行迭代，所述网络损失函数公式为：
其中：TI为每一次迭代的样本，为下行链路CSI矩阵，Hs为算法输入；
其中，Θ＝{Θen,Θde}为训练编码器网络和解码器网络的参数，Θen为编码端网络参数，Θde为解码端网络参数。
作为本发明的一种优选技术方案，所述编码器网络和解码器网络进行训练的训练成果通过归一化均方误差和余弦相似性进行判断；
所述归一化均方误差的计算公式为：
其中，为下行链路CSI矩阵，Hs为算法输入，E为求期望；
所述余弦相似性计算公式为：
其中，为第i个子载波的重建信道矢量，E为求期望。
与现有技术相比，本发明所达到的有益效果：
本发明通过3D CNN和BiLSTM的结合，可将下行链路CSI压缩成一个低维矢量，其能够在较长的时间序列中提取到更多的特征并压缩，在能够保证其通信性能的同时，还可在解码过程中，更好的对下行链路CSI进行恢复。
附图说明
图1是本发明中3D MIMO信道反馈框图；
图2是本发明中下行链路CSI的反馈流程图；
图3是本发明中编码器网络对下行链路CSI压缩的流程图；
图4是本发明中解码器网络对下行链路CSI恢复的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
本发明针对的是大规模3D MIMO时变系统下行CSI在天线规模较大时反馈信息量较大和时变环境对系统反馈准确度的影响的问题，提供了一种基于深度学习的系统反馈框架，即BLA-CsiNet网络来降低CSI反馈开销并且提升反馈准确度。
在本发明中，由于时变环境的存在，给CSI拓展了时间域上的维度，主要体现在多普勒延迟和路径增益中，信道拓展成为为空间、频率、时间的三维矩阵，这使得接收端接收到的CSI难以准确地反馈。
如图1至图4所示，一种基于3D MIMO时变系统的CSI反馈方法，基于时变环境构建包含有空间、频率和时间三个维度的大规模3D MIMO信道模型；
基于3D MIMO信道模型估算下行链路CSI；
建立编码器网络，对下行链路CSI进行压缩获得低维矢量，并通过上行链路通信向基站反馈；
建立解码器网络，对基站接收的低维矢量进行下行链路CSI矩阵重建，完成预编码。
本发明考虑一个简单的FDD模式下的大规模3D MIMO单小区下行链路系统，采用正交频分复用的调制方式，其中包含Nf个子载波，N个用户在小区内均匀分布，基站位于小区中心，采用Nt根发射天线，同时服务于N个单天线(Nr＝1)用户。
此外，在时变环境中，基站于当前时刻接收到的反馈信息和先前的信道信息是有相关性的，因此基站可以结合反馈和之前时刻的反馈来重建信道。设定反馈时间间隔为δt，并将T个相邻的瞬时空间频率域信道矩阵放入一个信道组，即只要满足0≤δt·T≤c/2υf0，就可以认为信道组中的信道具有时间上的相关性，其中，c是光速，f0是载波频率，υ是移动端和基站之间最大相对速度，则用户端第i个时隙处的接收信号/>可表示为：
yi＝Hiwixi+ni
其中，xi∈C是发送信号，表示对应的预编码矢量，/>为对应的信道矩阵即CSI矩阵，/>是加性复高斯噪声。
估算下行链路CSI的计算公式为：
其中，αk为第k条路径的增益，fs为信号传输带宽，n＝1,2,...,Nf，Hi为第i个信道矩阵，a(uk)为第k条路径的发送天线阵列响应，b(vk)为第k条路径的接收天线阵列响应。
发送天线阵列响应和接收天线响应阵列的计算公式分别为：
其中，a(uk)为第k条路径的发送天线阵列响应，b(vk)为第k条路径的接收天线阵列响应，为第k条路径的水平角扰动，Δθk为第k条路径的垂直角扰动，Nt为天线阵元。
其中，两个方向的扰动变量为相互独立。
基站端对数据流进行预编码，并通过无线信道传输信号。当用户设备(UserEquipment，UE)端接收到信号后，首先通过信道估计算法估计出下行链路CSI，然后对此CSI进行处理后，再通过上行链路信道反馈给基站端，基站端恢复下行链路CSI后，再进行预编码。
记信道组HS＝[H1,…,Hi,...,HT]为空间频率域的下行链路CSI矩阵，假设空间频率域的下行链路CSI矩阵HS在接收端可以被精准获得，由于HS的维度为Nf×Nt×T，反馈参数过多，将占用大量的频带资源，为了减少反馈开销，可以利用3DMassiveMIMO信道的稀疏特性，设计特定结构的自编码器对矩阵块HS做压缩工作。
分别把编码器网络和解码器网络应用在CSI矩阵的压缩和恢复上。记重建后的下行链路CSI矩阵为则编码器网络和解码器网络可表示如下：
s＝fBiLSTM(HS)
其中，编码器网络可以通过3D CNN和BiLSTM的结合把CSI矩阵转换为一个低维矢量，将压缩后的低维矢量直接反馈给基站端，基站端所使用的解码器网络是含有残差网络的卷积网络，将压缩后的低维矢量恢复成下行链路CSI矩阵，即基站端对下行链路CSI矩阵的估计。
综上，CSI反馈的方式如图3所示：首先，将UE端获得的完美下行链路CSI矩阵通过结合3D CNN和BiLSTM来进行压缩；然后将压缩后的低维矢量反馈给基站后，解码器通过使用残差网络得到恢复后的CSI矩阵
如图1和图3所示，编码器网络包括3D CNN、BiLSTM和Attention层，通过编码器网络对下行链路CSI的压缩包括：
将下行链路CSI分离为实部和虚部；
通过3D CNN分别对实部和虚部进行处理，分别获取关于实部和虚部的特征映射，并进一步将实部和虚部的特征映射分别重塑为与之相应的特征图；
通过BiLSTM分别对实部和虚部的特征图进行处理，并通过Attention层分别对实部的特征图和虚部的特征图进行提取特征；
将实部和虚部的特征提取结果进行叠加，完成对下行链路CSI的压缩。
即对下行链路CSI矩阵HS进行压缩前，先分离HS的实部和虚部，并将其分别作为两个通道输入编码器网络，在下行链路CSI矩阵的压缩过程中，先通过一个3D CNN得到16个特征映射；然后将其重塑为一个大小为16×N的特征图，在这里，N取16×16×16；再使用BiLSTM将其压缩为一个低维矢量后通过Attention层，需要注意的是本发明选用放缩点积注意力机制。
通过Attention层提取特征的公式为：
其中，Q＝K＝V；dk为K的维度；KT为K的转置，除以主要是为了避免内积过大，数据通过Attention网络后得到低维矢量s，s是一个大小为M的实值向量，并从UE端反馈给基站。
在编码的过程中，其结合3D Massive MIMO信道的空间频率域稀疏特性，提出3DCNN网络对CSI进行压缩；结合信道在时变环境中的特性，提出BiLSTM网络来提取时间相关特性，用于提取有用信息，并对信道矩阵进行进一步的压缩。
如图1和图4所示，解码器网络包括顺次相连接的FC网络、3D CNN和残差网络，通过解码器网络对下行链路CSI重建具体包括：
通过FC网络对下行链路CSI压缩数据进行初步处理，获取两个解压特征图；
将两个解压特征图重塑为三维矩阵，并通过3D CNN获取三维矩阵的两个解压特征映射；
将获取的两个解压特征映射组作为下行链路CSI的实部和虚部的初始估计，并将其输入至由残差块构成的残差网络中进行持续的特征重建；
通过3D CNN对经过残差网络重建的特征进行处理，完成下行链路CSI重建。
当基站接收到反馈的低维矢量后，使用解码器网络来进行下行链路CSI矩阵的重建，恢复下行链路CSI矩阵，并进行预编码，首先，将一个大小为M×1的低维矢量通过一个FC网络，得到两个大小均为N×1的特征图，并将其重塑为一个16×16×16的三维矩阵，然后通过一个3D CNN得到两个特征映射，作为下行链路CSI矩阵HS的实部和虚部的初始估计，之后，将初始估计输入到由一个残差块构成的残差网络中进行持续的特征重建，然后通过一个3D CNN得到最终重建的下行链路CSI矩阵即估计的信道矩阵。
在残差网络的残差块中，首先经过一个输入层，然后分别通过3D CNN依次得到8、16、2个特征图，并将得到的两个特征图与之前的两个特征图进行叠加。
包括通过对下行链路CSI编码和解码对编码器网络和解码器网络进行训练，编码器网络和解码器网络通过训练后的网络损失函数进行迭代，网络损失函数公式为：
其中：TI为每一次迭代的样本，学习率选取0.001，为下行链路CSI矩阵，HS为算法输入；
其中，Θ＝{Θen,Θde}为训练编码器网络和解码器网络的参数，Θen为编码端网络参数，Θde为解码端网络参数。
编码器网络和解码器网络进行训练的训练成果通过归一化均方误差和余弦相似性进行判断；
归一化均方误差的计算公式为：
其中，为下行链路CSI矩阵，HS为算法输入，E为求期望；
余弦相似性计算公式为：
其中，为第i个子载波的重建信道矢量，E为求期望。
为了防止网络过度拟合，采取了早期停止机制，让网络能够收敛得更快，这一做法可以大大节约训练过程中的时间。
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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (5)
1.一种基于3D MIMO时变系统的CSI反馈方法，其特征在于，包括：
基于时变环境构建包含有空间、频率和时间三个维度的大规模3D MIMO信道模型；
基于3D MIMO信道模型估算下行链路CSI；
建立编码器网络，对下行链路CSI进行压缩获得低维矢量，并通过上行链路通信向基站反馈；
建立解码器网络，对基站接收的低维矢量进行下行链路CSI矩阵重建，完成预编码；
估算下行链路CSI的计算公式为：
其中，αk为第k条路径的增益，fs为信号传输带宽，n＝1,2,...,Nf，Hi为第i个信道矩阵，a(uk)为第k条路径的发送天线阵列响应，b(vk)为第k条路径的接收天线阵列响应；
所述编码器网络包括3D CNN、BiLSTM和Attention层；
通过编码器网络对所述下行链路CSI的压缩包括：
将下行链路CSI分离为实部和虚部；
通过3D CNN分别对实部和虚部进行处理，分别获取关于实部和虚部的特征映射，并进一步将实部和虚部的特征映射分别重塑为与之相应的特征图；
通过BiLSTM分别对实部和虚部的特征图进行处理，并通过Attention层分别对实部的特征图和虚部的特征图进行提取特征；
将实部和虚部的特征提取结果进行叠加，完成对下行链路CSI的压缩；
所述解码器网络包括顺次相连接的FC网络、3D CNN和残差网络；
通过解码器网络对下行链路CSI重建具体包括：
通过FC网络对下行链路CSI压缩数据进行初步处理，获取两个解压特征图；
将两个解压特征图重塑为三维矩阵，并通过3D CNN获取三维矩阵的两个解压特征映射；
将获取的两个解压特征映射组作为下行链路CSI的实部和虚部的初始估计，并将其输入至由残差块构成的残差网络中进行持续的特征重建；
通过3D CNN对经过残差网络重建的特征进行处理，完成下行链路CSI重建。
2.根据权利要求1所述的一种基于3D MIMO时变系统的CSI反馈方法，其特征在于，所述发送天线阵列响应和接收天线响应阵列的计算公式分别为：
其中，a(uk)为第k条路径的发送天线阵列响应，b(vk)为第k条路径的接收天线阵列响应，为第k条路径的水平角扰动，Δθk为第k条路径的垂直角扰动，Nt为天线阵元。
3.根据权利要求1所述的一种基于3D MIMO时变系统的CSI反馈方法，其特征在于，通过Attention层提取特征的公式为：
其中，Q＝K＝V；dk为K的维度；KT为K的转置。
4.根据权利要求1所述的一种基于3D MIMO时变系统的CSI反馈方法，其特征在于，还包括通过对下行链路CSI编码和解码对编码器网络和解码器网络进行训练，所述编码器网络和解码器网络通过训练后的网络损失函数进行迭代，所述网络损失函数公式为：
其中：TI为每一次迭代的样本，为估计的下行链路CSI矩阵，Hs为算法输入；
其中，Θ＝{Θen,Θde}为训练编码器网络和解码器网络的参数，Θen为编码端网络参数，Θde为解码端网络参数。
5.根据权利要求1所述的一种基于3D MIMO时变系统的CSI反馈方法，其特征在于，所述编码器网络和解码器网络进行训练的训练成果通过归一化均方误差和余弦相似性进行判断；
所述归一化均方误差的计算公式为
其中，为下行链路CSI矩阵，Hs为算法输入，E为求期望；
所述余弦相似性计算公式为：
其中，为第i个子载波的重建信道矢量，E为求期望。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110708638.0A CN113872652B (zh) | 2021-06-25 | 2021-06-25 | 一种基于3d mimo时变系统的csi反馈方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110708638.0A CN113872652B (zh) | 2021-06-25 | 2021-06-25 | 一种基于3d mimo时变系统的csi反馈方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113872652A CN113872652A (zh) | 2021-12-31 |
| CN113872652B true CN113872652B (zh) | 2023-12-12 |
Family
ID=78989948
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110708638.0A Active CN113872652B (zh) | 2021-06-25 | 2021-06-25 | 一种基于3d mimo时变系统的csi反馈方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113872652B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023133886A1 (zh) * | 2022-01-17 | 2023-07-20 | Oppo广东移动通信有限公司 | 信道信息反馈的方法、发端设备和收端设备 |
| CN114499770B (zh) * | 2022-01-20 | 2023-07-14 | 西安交通大学 | 一种基于深度学习的多用户下行csi反馈方法 |
| CN117220728A (zh) * | 2022-05-31 | 2023-12-12 | 华为技术有限公司 | 一种模型应用方法及装置 |
Citations (2)
| 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 |
| 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9787379B2 (en) * | 2014-11-17 | 2017-10-10 | Samsung Electronics Co., Ltd. | Method and apparatus for precoding channel state information reference signal |
| TWI687063B (zh) * | 2019-01-04 | 2020-03-01 | 財團法人工業技術研究院 | 基於深度學習與通道狀態資訊之通訊系統及編解碼方法 |
-
2021
- 2021-06-25 CN CN202110708638.0A patent/CN113872652B/zh active Active
Patent Citations (2)
| 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 |
| 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 |
Non-Patent Citations (4)
| Title |
|---|
| Wentao Luo ; Wei Ji ; Yunchao Song ; Baoyu Zheng.Deep Learning based Channel Estimation Approach for 3D Massive MIMO Millimeter Wave System in Time Varying Environments.《2021 IEEE/CIC International Conference on Communications in China (ICCC)》.2021,全文. * |
| 基于机器学习的大规模3D MIMO系统信道反馈及波束分配方法研究;谢宇辰;《中国优秀硕士学位论文全文数据库 信息科技辑》;全文 * |
| 时变3D MIMO系统中基于深度学习的信道估计与反馈方法研究;罗文韬;《中国优秀硕士学位论文全文数据库 信息科技辑》;全文 * |
| 陈慕涵 ; 郭佳佳 ; 李潇 ; 金石. 基于深度学习的大规模MIMO信道状态信息反馈.《物联网学报》.2020,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113872652A (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113872652B (zh) | 一种基于3d mimo时变系统的csi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 | |
| 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 | |
| CN111698182B (zh) | 一种基于压缩感知的时频分块稀疏的信道估计方法 | |
| CN113748614B (zh) | 一种信道估计模型训练方法及设备 | |
| CN107483091B (zh) | 一种fdd大规模mimo-ofdm系统下的信道信息反馈算法 | |
| CN103607262B (zh) | 空时分组编码mimo系统中的两阶段预编码方法 | |
| CN112600596B (zh) | 基于张量并行压缩的毫米波系统信道反馈方法 | |
| CN104737481A (zh) | 发送机和无线通信方法 | |
| CN114884549A (zh) | 基于深度学习的大规模mimo信道状态信息反馈方法 | |
| CN115022134B (zh) | 基于非迭代重构网络的毫米波大规模mimo系统信道估计方法及系统 | |
| CN115865145A (zh) | 一种基于Transformer的大规模MIMO信道状态信息反馈方法 | |
| CN116192209A (zh) | 一种mimo信道下空中计算联邦学习的梯度上传方法 | |
| CN113193896B (zh) | 一种最大化两接收端和速率的波束成形神经网络决策方法 | |
| CN112702092B (zh) | 一种fdd下行多用户大规模mimo系统中的信道估计方法 | |
| CN108600125B (zh) | 一种基于迭代的信道估计方法 | |
| CN113660020A (zh) | 一种无线通信信道信息传输方法、系统和解码器 | |
| CN114785641B (zh) | 一种基于张量分解的数据辅助时变信道估计方法 | |
| Liu et al. | Overcoming the channel estimation barrier in massive MIMO communication systems | |
| CN113556159A (zh) | 一种大规模mimo多用户系统的信道反馈方法 | |
| TW201944745A (zh) | 基於深度學習作為通道狀態資訊之回饋方法 | |
| CN107395542B (zh) | 双向中继通信系统信号发送和接收方法 | |
| CN113660693B (zh) | 一种应用于无线通信系统的信息传输方法 | |
| CN115333900B (zh) | 一种基于深度学习的无人机协同信道估计与csi反馈方法 | |
| EP4369620A1 (en) | Communication method and apparatus |
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 |