CN114567359A - 一种大规模mimo系统中基于多分辨率融合卷积反馈网络的csi反馈方法 - Google Patents

一种大规模mimo系统中基于多分辨率融合卷积反馈网络的csi反馈方法 Download PDF

Info

Publication number
CN114567359A
CN114567359A CN202210201610.2A CN202210201610A CN114567359A CN 114567359 A CN114567359 A CN 114567359A CN 202210201610 A CN202210201610 A CN 202210201610A CN 114567359 A CN114567359 A CN 114567359A
Authority
CN
China
Prior art keywords
convolution
csi
matrix
feedback network
resolution
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
CN202210201610.2A
Other languages
English (en)
Inventor
苏开荣
李子豪
彭德义
李云
吕佳英
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202210201610.2A priority Critical patent/CN114567359A/zh
Publication of CN114567359A publication Critical patent/CN114567359A/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
    • 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
    • H04B7/0452—Multi-user MIMO systems
    • 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
    • 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
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于智能移动通信技术领域，具体涉及一种大规模MIMO系统中基于多分辨率融合卷积反馈网络的CSI反馈方法；该方法包括：实时获取大规模MIMO系统中下行链路CSI矩阵；根据CSI矩阵，得到角度时延域稀疏的CSI矩阵；对角度时延域稀疏的CSI矩阵进行截断，得到截断矩阵；采用MRFNet编码器对截断矩阵进行处理，得到CSI压缩码字；采用MRFNet对CSI压缩码字进行处理，得到新的CSI矩阵；根据新的CSI矩阵得到重建的CSI矩阵；本发明实现了反馈网络模型可以输入不同维度大小的CSI，将不同环境与压缩比进行网络融合，使得移动终端只需要保存一套反馈网络，且能保持较高的CSI恢复精度。

Description

一种大规模MIMO系统中基于多分辨率融合卷积反馈网络的 CSI反馈方法
技术领域
本发明属于智能移动通信技术领域，具体涉及一种大规模MIMO系统中基于多分辨率融合卷积反馈网络的CSI反馈方法。
背景技术
随着全球移动数据流量的高速增长，人们对数据传输速率和可靠性等需求进一步增加。因此，为了应对这种发展趋势，5G通信系统提出了超密集异构蜂窝网络，毫米波通信和大规模多输入多输出(Multiple-Input Multiple-Output，MIMO)三大核心关键技术。其中，大规模MIMO指基站端使用数百根天线来同时服务于多个用户小区的通信系统，相较于传统MIMO系统，大规模MIMO系统可以增加数倍的通信系统容量，提高能量传输效率，降低空口时延。上述大规模MIMO系统的诸多优势是建立在基站端可以精确获知信道状态信息(Channel State Information，CSI)的基础上，并以此通过预编码来消除多用户间的干扰。然而对于频分复用(Frequency Division Duplexity，FDD)制式下的大规模MIMO系统，上行链路和下行链路工作在不同频率上，因此下行CSI是由用户端获得，并通过反馈链路传送回基站端，考虑到基站端使用大量天线，反馈完整的CSI将导致巨大的资源开销，因此，为了保证CSI的时效性，必须尽可能降低反馈延迟。
传统CSI反馈方法一方面是基于码本来实现，但大规模MIMO系统中的天线数量较大，增加了码本的尺寸与设计复杂度。另一方面是基于压缩感知(Compressive Sensing，CS)的CSI反馈方法，但是基于CS反馈方法的缺点在于需要信道的先验假设，即十分依赖CSI矩阵的稀疏特性，然而实际场景中无法达到理论上的完全稀疏；CS恢复算法涉及大量的矩阵迭代计算，随着天线数量的增加，计算复杂度随之增加，影响实际通信系统的实时性。因此，传统CSI反馈方法无法很好的应用于大规模MIMO系统。
近年来，随着深度学习在计算机视觉，自然语言处理等领域取得显著成果，一些学者已经成功将其应用于CSI反馈。然而，绝大多数现有基于深度学习的CSI反馈方法只关注模型的重构精度而忽略了模型的实用性与计算复杂度，其一方面是依靠全连接层构建传输码字，这要求输入数据的维度固定不变，导致实际应用中其他维度的CSI矩阵不能应用于现有反馈方法；另一方面，由于目前终端的硬件性能有限，绝大多数反馈网络的编码器由于占有大量的内存资源与处理器资源，实际上并不能很好的应用于终端；综上所述，设计一种适用多种CSI维度和多种环境且具有低参数量和计算量，并可以部署在终端的反馈网络是具有实际意义的。
发明内容
针对现有技术存在的不足，本发明提出了一种大规模MIMO系统中基于多分辨率融合卷积反馈网络的CSI反馈方法，该方法包括：实时获取大规模MIMO系统中下行链路CSI信道矩阵，采用训练好的多分辨率融合卷积反馈网络模型对下行链路CSI信道矩阵进行处理，得到新的CSI信道矩阵；对新的CSI信道矩阵进行处理，得到重建的CSI信道矩阵；
对多分辨率融合卷积反馈网络模型进行训练的过程包括：
S1：获取下行链路CSI信道矩阵；
S2：对CSI信道矩阵作二维DFT变换，得到角度时延域稀疏的CSI信道矩阵；
S3：对角度时延域稀疏的CSI信道矩阵进行截断，得到截断矩阵；
S4：采用多分辨率融合卷积反馈网络编码器对截断矩阵进行处理，得到CSI压缩码字；
S5：采用多分辨率融合卷积反馈网络译码器对CSI压缩码字进行处理，得到新的CSI信道矩阵；
S6：计算多分辨率融合卷积反馈网络模型的损失函数，根据损失函数调整模型的参数；当损失最小时，得到训练好的多分辨率融合卷积反馈网络模型。
优选的，对CSI信道矩阵作二维DFT变换的公式为：
H′＝FcHFt H
其中，H′表示角度时延域稀疏的CSI信道矩阵，Fc表示左乘DFT矩阵，H表示下行链路CSI信道矩阵，Ft H表示右乘DFT矩阵。
优选的，采用多分辨率融合卷积反馈网络编码器对截断矩阵进行处理的过程包括：多分辨率融合卷积反馈网络编码器包括：两个卷积核为3×3的卷积层、三个多分辨率卷积模块MBlock和一个均值池化层；
采用第一个卷积核为3×3的卷积层对截断矩阵进行通道升维，得到通道升维后的截断矩阵；
采用三个多分辨率卷积模块MBlock依次获取通道升维后的截断矩阵在不同稀疏度下的特征信息并对矩阵进行降维处理，得到降维后的截断矩阵；
采用均值池化层和第二个卷积核为3×3的卷积层对降维后的截断矩阵进行处理，得到CSI压缩码字。
进一步的，多分辨率卷积模块包括：两个卷积核分别为3×3和7×7的并行卷积层、一个叠加层和一个通道混洗层。
优选的，采用多分辨率融合卷积反馈网络译码器对CSI压缩码字进行处理的过程包括：多分辨率融合卷积反馈网络译码器包括：四个上采样卷积模块UCBlock、两个密集连接模块Dense Block和两个卷积核为3×3的卷积层；
采用四个上采样卷积模块UCBlock依次对CSI压缩码字进行处理，得到初步恢复的CSI信道矩阵；
采用第一个卷积核为3×3的卷积层对初步恢复的CSI信道矩阵进行特征提取和通道降维处理，得到第一特征矩阵；
采用两个密集连接模块Dense Block依次对第一特征矩阵进行细化特征处理，得到第二特征矩阵；
采用第二个卷积核为3×3的卷积层对第二特征矩阵进行处理，得到特征图；
对特征图进行sigmoid激活函数和归一化处理，得到新的CSI信道矩阵。
进一步的，上采样卷积模块包括：一个上采样层和一个卷积核为3×3的卷积层。
进一步的，采用密集连接模块对第一特征矩阵进行细化处理包括：密集连接模块包括三个卷积核为3×3的卷积层和一个卷积核为1×1的卷积层；
采用三个卷积核为3×3的卷积层依次对第一特征矩阵进行处理，其中每层卷积的输入为之前所有卷积层的输出进行拼接而成；将每层卷积输出进行拼接，得到拼接矩阵；
采用卷积核为1×1的卷积层对拼接矩阵进行特征融合和降维，得到第二特征矩阵。
优选的，计算多分辨率融合卷积反馈网络模型的损失函数包括：计算多分辨率融合卷积反馈网络模型的单任务损失函数；根据单任务损失函数计算多分辨率融合卷积反馈网络模型的多任务损失函数。
进一步的，计算单任务损失函数的公式为：
Figure BDA0003527647850000041
其中，L(θ)表示单任务损失，T表示一轮迭代训练中的样本个数，
Figure BDA0003527647850000042
表示欧几里得范数，Hi表示网络的输出CSI信道矩阵，
Figure BDA0003527647850000043
表示网络的输入CSI信道矩阵。
进一步的，计算多任务损失函数的公式为：
Figure BDA0003527647850000044
其中，L(W)表示多任务损失，Lη(W)表示压缩比为η时的单任务损失，ση表示任务中的噪声权重，N表示任务数量。
本发明的有益效果为：本发明针对不同环境下的CSI具有不同稀疏度的特性，利用多分辨率卷积来提取具有不同稀疏度的CSI矩阵特征，实现了反馈网络模型可以输入不同维度大小的CSI，增加了反馈网络的泛化能力；选择用深度可分离卷积代替普通卷积来解决多分辨卷积带来的复杂度增加的问题；利用卷积层来实现全连接层的功能，从而使反馈网络避免因使用全连接层出现实用性问题；将不同环境与压缩比进行网络融合，使得移动终端只需要保存一套反馈网络，且能保持较高的CSI恢复精度。
附图说明
图1为本发明中基于多分辨率融合卷积反馈网络的CSI反馈方法流程图；
图2为本发明中MRFNet反馈网络结构示意图；
图3为本发明中MRFNet译码器中DenseBlock结构示意图；
图4为本发明中室内环境中不同压缩比下与CsiNet反馈网络的NMSE比较对比图；
图5为本发明中室外环境中不同压缩比下与CsiNet反馈网络的NMSE比较对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提出了一种大规模MIMO系统中基于多分辨率融合卷积反馈网络的CSI反馈方法，如图1所示，所述方法包括：实时获取大规模MIMO系统中下行链路CSI信道矩阵，采用训练好的多分辨率融合卷积反馈网络模型对下行链路CSI信道矩阵进行处理，得到新的CSI信道矩阵；对新的CSI信道矩阵进行处理，得到重建的CSI信道矩阵；
对多分辨率融合卷积反馈网络模型进行训练的过程包括：
S1：获取下行链路CSI信道矩阵；
S2：对CSI信道矩阵作二维DFT变换，得到角度时延域稀疏的CSI信道矩阵；
S3：对角度时延域稀疏的CSI信道矩阵进行截断，得到截断矩阵；
S4：采用多分辨率融合卷积反馈网络编码器对截断矩阵进行处理，得到CSI压缩码字；
S5：采用多分辨率融合卷积反馈网络译码器对CSI压缩码字进行处理，得到新的CSI信道矩阵；
S6：计算多分辨率融合卷积反馈网络模型的损失函数，根据损失函数调整模型的参数；当损失最小时，得到训练好的多分辨率融合卷积反馈网络模型。
考虑FDD制式下的大规模MIMO系统，基站端天线采用半波长间距的均匀线性阵列(Uniform Linear Antenna Array，ULA)，基站端的发射天线数量Nt＞＞1，用户端考虑单用户情况，接收天线的数量Nr=1。假设OFDM有Nc个正交子载波，其中第n个子载波接收到的信号向量可以表示为：
yn=Axn+zn
其中，
Figure BDA0003527647850000061
表示第n个OFDM符号周期的接收向量，
Figure BDA0003527647850000062
表示第n个OFDM符号周期的发送向量，
Figure BDA0003527647850000063
表示加性高斯白噪声，A表示对角信道矩阵
Figure BDA0003527647850000064
表示第i个子载波上的信道频域向量，
Figure BDA0003527647850000065
表示第i个子载波上的预编码向量。
一种对多分辨率融合卷积反馈网络模型进行训练的优选实施例如下：
在大规模MIMO系统的下行链路中，采用COST 2100模型分别设置两种实验环境：信号频率为5.3GHz的室内场景和300MHz的室外环境；在室内场景中，基站端位于一个边长为20米的正方形区域的中心，在室外场景中，基站端位于一个边长为400米的正方形区域的中心，室内或室外场景中的用户端随机放置在各自的正方形区域中；基站端均使用Nt=32根发送天线，用户端均使用单根接收天线。该大规模MIMO系统采用OFDM载波调制方式，使用Nc=1024个子载波，基于上述条件生成120000份数据集，其中随机取100000份数据集作为训练，采用交叉验证法以8:2的比例划分模型的训练集和验证集，剩余20000份数据集作为测试集来评估模型的CSI重构精度。
基站端获取信道响应矩阵hi，根据信道响应矩阵hi得到下行链路CSI信道矩阵H为：
Figure BDA0003527647850000071
将下行链路CSI信道矩阵H进行展开：
Figure BDA0003527647850000072
上述矩阵H的每个列向量均为一个频域信道向量，对每个列向量做DFT变换，即H左乘维度为Nc×Nc的DFT矩阵，得到时延域的信道矩阵，由于时延扩展的有限性，因此只有前Na(Na＜Nc)行具有非零值；H中的每个行向量均为一个时域信道向量，对H的每个行向量做DFT变换即H右乘维度为Nt×Nt的DFT矩阵，得到角度域信道向量；即对空频域的CSI矩阵H做二维DFT变换可得到在角度时延域稀疏的CSI矩阵，该过程可表示为：
H′＝FcHFt H
其中，H′表示经过二维DFT变换后得到角度时延域稀疏的CSI信道矩阵，H表示下行链路CSI信道矩阵，优选的，
Figure BDA0003527647850000073
Fc表示左乘DFT矩阵，大小为1024×1024；Ft H表示右乘DFT矩阵，大小为32×32。
由于多径效应，到达时间之间的延迟在有限的时间范围内，所以在时延域上，CSI矩阵只有在前Na(Na＜Nc)行有非零值，其余行的值均为0值或近似于0值即角度时延域的CSI矩阵H′具有稀疏性；将CSI矩阵H′前Na行进行截断得到截断矩阵Ha，优选的，设置Na=32，即对H′的前32行进行截断，得到截断矩阵Ha。
由于目前深度学习框架不支持复数计算，因此需要将输入的CSI矩阵即截断矩阵Ha中复数的实部和虚部进行拆分，然后在通道维度上进行拼接，拼接后CSI矩阵维度为2×32×32。
构建多分辨率融合卷积反馈网络(Multi-Resolution and Fusion Network，MRFNet)编码器，属于用户端，其网络结构如图2中Encoder部分所示。编码器包括两个卷积核为3×3的卷积层、三个多分辨率卷积模块MBlock和一个均值池化层。
采用MRFNet编码器对截断矩阵Ha进行处理，具体过程为：
采用第一个卷积核为3×3的卷积层对截断矩阵进行通道升维，得到通道升维后的截断矩阵。
采用三个多分辨率卷积模块MBlock依次获取通道升维后的截断矩阵在不同稀疏度下的特征信息并对矩阵进行降维处理；其中，多分辨率卷积模块包括两个卷积核分别为3×3和7×7的并行卷积层、一个叠加层和一个通道混洗层，并行卷积层用于提取不同稀疏度下CSI中的特征信息同时对输入的CSI矩阵的通道维度升维，对CSI矩阵进行降维，为了避免多分辨卷积产生较大计算复杂度的问题，多分辨卷积均采用深度可分离卷积，叠加层用于将不同矩阵的通道维度合并，通道混洗层将通道维度上的特征矩阵进行重新排列组合，使得不同通道间的特征信息相互融合，增加多分辨卷积模块的特征提取能力；通道升维后的截断矩阵经由三个MBlock处理后得到降维后的截断矩阵。
采用均值池化层和第二个卷积核为3×3的卷积层对降维后的截断矩阵进行处理，得到CSI压缩码字，压缩码字的维度由压缩比确定，若压缩比为1/4，则输出码字维度为
Figure BDA0003527647850000091
其中，上述卷积计算中均采用零填充、LeakyReLU激活函数和批量归一化处理。
构建MRFNet译码器，其网络结构如图2中Decoder部分所示。译码器包括四个上采样卷积模块UCBlock、两个密集连接模块Dense Block和两个卷积核为3×3的卷积层。
将编码器输出的CSI压缩码字输入到MRFNet的译码器中进行处理，具体处理过程为：
采用四个上采样卷积模块UCBlock依次对CSI压缩码字进行处理，上采样卷积模块包括一个上采样层和一个卷积核为3×3的卷积层。CSI压缩码字经过四个上采样层的处理，将CSI压缩码字恢复为与原始CSI相同大小，得到初步恢复的CSI信道矩阵，大小为64×32×32。
采用第一个卷积核为3×3的卷积层对初步恢复的CSI信道矩阵进行特征提取和通道降维处理，得到第一特征矩阵，大小为2×32×32。
采用两个密集连接模块Dense Block依次对第一特征矩阵进行细化特征处理，每个Dense Block输出为2×32×32的特征矩阵；如图3所示，密集连接模块包括三个卷积核为3×3的卷积层和一个卷积核为1×1的卷积层；密集连接模块Dense Block对特征矩阵进行处理的过程为：采用三个卷积核为3×3的卷积层依次对特征矩阵进行处理，其中每层卷积的输入为之前所有卷积层的输出进行拼接而成；将每层卷积输出进行拼接，得到拼接矩阵；将拼接矩阵输入到卷积核为1×1的卷积层对其进行特征融合和降维，得到第二特征矩阵。
采用第二个卷积核为3×3的卷积层对第二个密集连接模块输出的第二特征矩阵进行处理，得到特征图，大小为2×32×32；其中，上述卷积计算中均采用零填充、LeakyReLU激活函数和批量归一化处理。
对特征图进行sigmoid激活函数和归一化处理，输出一个2×32×32大小的实数矩阵，将其作为新的CSI信道矩阵的实部和虚部。
定义MRFNet的单任务损失函数函数为均方误差，其公式如下：
Figure BDA0003527647850000101
其中，L(θ)表示单任务损失，T表示一轮迭代训练中的样本个数，
Figure BDA0003527647850000102
表示欧几里得范数，Hi表示网络的输出CSI信道矩阵，
Figure BDA0003527647850000103
表示网络的输入CSI信道矩阵。
根据单任务损失函数可计算多分辨率融合卷积反馈网络的多任务损失函数，其推导过程如下：
设f(x)为神经网络的输出，定义似然为高斯分布，该概率模型表示为：
Figure BDA0003527647850000104
其中，σ表示噪声标准差。
多任务下的概率模型可以表示为：
Figure BDA0003527647850000105
其中y1,…yn表示不同任务对应神经网络的输出。
将上述公式对数化可得到对数似然，即：
Figure BDA0003527647850000106
假设神经网络有两种不同的任务输出y1和y2，根据上述公式可得多任务损失函数为：
Figure BDA0003527647850000107
令
Figure BDA0003527647850000108
带入上述公式可得多任务的损失函数为：
Figure BDA0003527647850000109
其中，L(W)表示多任务损失，Lη(W)表示压缩比为η时的单任务损失，ση表示任务中的噪声权重，当噪声越大，该项任务的损失权重越小，N表示任务数量。
训练过程中，反馈网络模型参数采用Xavier的方式进行初始化，模型训练优化器采用Adam算法，模型学习率采用余弦退火算法动态调整。每次迭代使用训练集中的200个样本来计算梯度，并根据Adam算法的公式更新参数，以此方式训练整个训练集1000次，根据验证集结果调试模型参数，当损失函数最小时，停止训练，根据测试集结果验证最终模型的性能。
实时获取大规模MIMO系统中下行链路CSI信道矩阵，采用训练好的多分辨率融合卷积反馈网络模型对下行链路CSI信道矩阵进行压缩和重建，对得到的新的CSI信道矩阵
Figure BDA0003527647850000112
进行补零操作恢复为原始CSI矩阵H相同大小，之后进行二维逆DFT变换，获得原始空频域的CSI矩阵的重建值即得到重建的CSI信道矩阵。
对本发明进行评价，采用相同的数据集训练现有的基于深度学习的CsiNet反馈网络，与本发明作对比，结果如下：
室内室外两种环境中不同压缩比条件下几种反馈网络的性能对比如图4和图5所示，其中MRNet为多分辨率单任务反馈网络，MRFNet-CR表示室内数据集或室外数据集训练下将四种压缩比融合的多任务反馈网络，MRFNet-CRE表示室内室外混合数据集训练下将四种压缩比融合的多任务反馈网络。不同反馈网络之间的性能表示以NMSE的对数形式展现。MRFNet在单一任务下与CsiNet的模型复杂度对比如表1所示，以浮点参数量和浮点计算量来表示。
表1不同模型编码器复杂度对比
Figure BDA0003527647850000111
从表1可以看出，MRFNet编码器的参数量在压缩比为1/4和1/8时小于CsiNet，而在压缩比为1/16和1/32时大于CsiNet，原因在于CsiNet的编码器其中99％的参数都分布在全连接层，全连接层的参数量会随着压缩比的增大快速减小。MRFNet的参数量主要分布在前面的多分辨率卷积层中，因此，随着压缩比增加，参数量并没有像CsiNet那样极大减小。然而CsiNet在应对两种环境下四种不同的压缩比时，其编码器的总参数量约为3934k，即需占用约15MB的硬件内存，而MRFNet只需要一套反馈网络即可，其编码器的总参数量约为1305k，即需占用约5MB的硬件内存，相比于CsiNet，硬件内存的消耗减少了约66％。在计算量上，MRFNet要远高于CsiNet，在压缩比为1/4时计算量约为CsiNet的10倍到压缩比为1/32时计算量约为CsiNet的56倍，原因在于CsiNet中全连接层的计算量占整个编码器总计算量的90％，因此随着压缩比增加，计算量会随着压缩比增加快速减小，而MRFNet的计算量主要集中在前半部分的多分辨率卷积层，因此并不会随着压缩比增加得到明显减小。虽然MRFNet的计算量远高于CsiNet，但仍可应用与现有的移动终端。例如，麒麟970是目前中端的移动SoC芯片，其最大算力为244.8G，而MRFNet的最大计算量为11493k，即需要消耗约11G的算力，约为处理器总算力的4％，这对于终端是完全可以接受的。
由图4可以看出，在室内环境中，四种不同压缩比下本文提出的反馈网络无论是否进行多任务融合，其NMSE均高于CsiNet。当压缩比为1/4和1/8时，MRNet的NMSE性能与MRFNet-CR几乎相同，而压缩比为1/16和1/32时MRFNet-CR略优于MRNet，且随着压缩比增加，MRFNet-CR的NMSE与MRNet之间的差值逐渐增大，这是因为多任务学习可以有效地将数据中噪声进行平均，从而避免了单任务模型因学习到噪声而导致过拟合现象。反馈网络选择大压缩比时，数据中含有的有效信息更少，此时反馈网络可以借助小压缩比时学习到的某些特征来协助进行特征学习，单任务模型则可能因更容易学习到部分噪声导致性能出现下降。另外，在多压缩比网络融合后的基础上将室内室外两种环境进行融合，从图中可以看出，MRFNet-CRE的反馈性能出现较大下降，原因在于，不同于多任务训练过程中依靠损失函数的权值进行调整，直接通过两种环境的数据集进行训练，反馈网络会选择在两个环境之间进行平衡，因此相对单独环境下训练的反馈网络，其反馈性能出现较大的下降，但是得益于编码器中多个多分辨率卷积模块，给反馈网络提供了更多可以同时学习不同特征的机会，因此相对于CsiNet依然拥有较高的反馈精度。
由图5可以看出，在室外环境中，四种不同压缩比下本文提出的反馈网络无论是否进行多任务融合，其NMSE均高于CsiNet。在四种不同压缩比条件下，MRFNet-CR的NMSE均优于MRNet，且随着压缩比增加，MRFNet-CR的NMSE与MRNet之间的差值逐渐增大，这是因为室外环境中的CSI相对于室内环境更加复杂，数据中含有的噪声更大。因此多压缩比网络融合后，反而弱化了每种压缩比下噪声对模型训练时的影响，多任务模型的公共部分学习到的共有特征相对于室内环境给每个任务的增益表现更加明显。同样的，在多压缩比网络融合后的基础上将室内室外两种环境进行融合，从图中可以看出，和室内环境一样，MRFNet-CRE的反馈性能出现较大下降，其原因也和室内环境大致相同。得益于编码器中多个多分辨率卷积模块，在室外环境相对于CsiNet也依然拥有更高的反馈精度。
综上所述，本发明虽计算量高于CsiNet反馈网络，但在终端可接受的范围内，且本发明在室内室外两种环境中的CSI反馈精度均高于CsiNet反馈网络。
不同于现有基于深度学习的CSI反馈网络模型要求输入的CSI维度大小固定，本发明针对不同环境下的CSI具有不同稀疏度的特性，利用多分辨率卷积来提取具有不同稀疏度的CSI矩阵特征，实现了反馈网络模型可以输入不同维度大小的CSI，增加了反馈网络的泛化能力；选择用深度可分离卷积代替普通卷积来解决多分辨卷积带来的复杂度增加的问题；本发明利用卷积层来实现全连接层的功能，从而使反馈网络避免因使用全连接层出现实用性问题；不同于现有基于深度学习的CSI反馈网络模型中每种环境需分别对应一套网络模型，本发明将不同环境与压缩比进行网络融合，使得移动终端只需要保存一套反馈网络，可适用于多种环境且能保持较高的CSI恢复精度。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种大规模MIMO系统中基于多分辨率融合卷积反馈网络的CSI反馈方法，其特征在于，包括：实时获取大规模MIMO系统中下行链路CSI信道矩阵，采用训练好的多分辨率融合卷积反馈网络模型对下行链路CSI信道矩阵进行处理，得到新的CSI信道矩阵；对新的CSI信道矩阵进行处理，得到重建的CSI信道矩阵；
对多分辨率融合卷积反馈网络模型进行训练的过程包括：
S1：获取下行链路CSI信道矩阵；
S2：对CSI信道矩阵作二维DFT变换，得到角度时延域稀疏的CSI信道矩阵；
S3：对角度时延域稀疏的CSI信道矩阵进行截断，得到截断矩阵；
S4：采用多分辨率融合卷积反馈网络编码器对截断矩阵进行处理，得到CSI压缩码字；
S5：采用多分辨率融合卷积反馈网络译码器对CSI压缩码字进行处理，得到新的CSI信道矩阵；
S6：计算多分辨率融合卷积反馈网络模型的损失函数，根据损失函数调整模型的参数；当损失最小时，得到训练好的多分辨率融合卷积反馈网络模型。
2.根据权利要求1所述的一种大规模MIMO系统中基于多分辨率融合卷积反馈网络的CSI反馈方法，其特征在于，对CSI信道矩阵作二维DFT变换的公式为：
H′＝FcHFt H
其中，H′表示角度时延域稀疏的CSI信道矩阵，Fc表示左乘DFT矩阵，H表示下行链路CSI信道矩阵，Ft H表示右乘DFT矩阵。
3.根据权利要求1所述的一种大规模MIMO系统中基于多分辨率融合卷积反馈网络的CSI反馈方法，其特征在于，采用多分辨率融合卷积反馈网络编码器对截断矩阵进行处理的过程包括：多分辨率融合卷积反馈网络编码器包括：两个卷积核为3×3的卷积层、三个多分辨率卷积模块MBlock和一个均值池化层；
采用第一个卷积核为3×3的卷积层对截断矩阵进行通道升维，得到通道升维后的截断矩阵；
采用三个多分辨率卷积模块MBlock依次获取通道升维后的截断矩阵在不同稀疏度下的特征信息并对矩阵进行降维处理，得到降维后的截断矩阵；
采用均值池化层和第二个卷积核为3×3的卷积层对降维后的截断矩阵进行处理，得到CSI压缩码字。
4.根据权利要求3所述的一种大规模MIMO系统中基于多分辨率融合卷积反馈网络的CSI反馈方法，其特征在于，多分辨率卷积模块包括：两个卷积核分别为3×3和7×7的并行卷积层、一个叠加层和一个通道混洗层。
5.根据权利要求1所述的一种大规模MIMO系统中基于多分辨率融合卷积反馈网络的CSI反馈方法，其特征在于，采用多分辨率融合卷积反馈网络译码器对CSI压缩码字进行处理的过程包括：多分辨率融合卷积反馈网络译码器包括：四个上采样卷积模块UCBlock、两个密集连接模块Dense Block和两个卷积核为3×3的卷积层；
采用四个上采样卷积模块UCBlock依次对CSI压缩码字进行处理，得到初步恢复的CSI信道矩阵；
采用第一个卷积核为3×3的卷积层对初步恢复的CSI信道矩阵进行特征提取和通道降维处理，得到第一特征矩阵；
采用两个密集连接模块Dense Block依次对第一特征矩阵进行细化特征处理，得到第二特征矩阵；
采用第二个卷积核为3×3的卷积层对第二特征矩阵进行处理，得到特征图；
对特征图进行sigmoid激活函数和归一化处理，得到新的CSI信道矩阵。
6.根据权利要求5所述的一种大规模MIMO系统中基于多分辨率融合卷积反馈网络的CSI反馈方法，其特征在于，上采样卷积模块包括：一个上采样层和一个卷积核为3×3的卷积层。
7.根据权利要求5所述的一种大规模MIMO系统中基于多分辨率融合卷积反馈网络的CSI反馈方法，其特征在于，采用密集连接模块对第一特征矩阵进行细化处理包括：密集连接模块包括三个卷积核为3×3的卷积层和一个卷积核为1×1的卷积层；
采用三个卷积核为3×3的卷积层依次对第一特征矩阵进行处理，其中每层卷积的输入为之前所有卷积层的输出进行拼接而成；将每层卷积输出进行拼接，得到拼接矩阵；
采用卷积核为1×1的卷积层对拼接矩阵进行特征融合和降维，得到第二特征矩阵。
8.根据权利要求1所述的一种大规模MIMO系统中基于多分辨率融合卷积反馈网络的CSI反馈方法，其特征在于，计算多分辨率融合卷积反馈网络模型的损失函数包括：计算多分辨率融合卷积反馈网络模型的单任务损失函数；根据单任务损失函数计算多分辨率融合卷积反馈网络模型的多任务损失函数。
9.根据权利要求8所述的一种大规模MIMO系统中基于多分辨率融合卷积反馈网络的CSI反馈方法，其特征在于，计算单任务损失函数的公式为：
Figure FDA0003527647840000031
其中，L(θ)表示单任务损失，T表示一轮迭代训练中的样本个数，
Figure FDA0003527647840000032
表示欧几里得范数，Hi表示网络的输出CSI信道矩阵，
Figure FDA0003527647840000033
表示网络的输入CSI信道矩阵。
10.根据权利要求8所述的一种大规模MIMO系统中基于多分辨率融合卷积反馈网络的CSI反馈方法，其特征在于，计算多任务损失函数的公式为：
Figure FDA0003527647840000034
其中，L(W)表示多任务损失，Lη(W)表示压缩比为η时的单任务损失，ση表示任务中的噪声权重，N表示任务数量。
CN202210201610.2A 2022-03-02 2022-03-02 一种大规模mimo系统中基于多分辨率融合卷积反馈网络的csi反馈方法 Pending CN114567359A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210201610.2A CN114567359A (zh) 2022-03-02 2022-03-02 一种大规模mimo系统中基于多分辨率融合卷积反馈网络的csi反馈方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210201610.2A CN114567359A (zh) 2022-03-02 2022-03-02 一种大规模mimo系统中基于多分辨率融合卷积反馈网络的csi反馈方法

Publications (1)

Publication Number Publication Date
CN114567359A true CN114567359A (zh) 2022-05-31

Family

ID=81717374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210201610.2A Pending CN114567359A (zh) 2022-03-02 2022-03-02 一种大规模mimo系统中基于多分辨率融合卷积反馈网络的csi反馈方法

Country Status (1)

Country Link
CN (1) CN114567359A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116599800A (zh) * 2023-05-30 2023-08-15 北京航空航天大学 一种基于深度卷积网络的ofdm信道估计方法
WO2024020793A1 (zh) * 2022-07-26 2024-02-01 Oppo广东移动通信有限公司 信道状态信息csi反馈的方法、终端设备和网络设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292950A (zh) * 2017-06-08 2017-10-24 深圳市唯特视科技有限公司 一种基于深度神经网络的端到端三维人脸重建方法
CN111127331A (zh) * 2019-10-22 2020-05-08 广东启迪图卫科技股份有限公司 基于像素级全局噪声估计编解码网络的图像去噪方法
US20200220593A1 (en) * 2019-01-04 2020-07-09 Industrial Technology Research Institute Communication system and codec method based on deep learning and known channel state information
US20210027152A1 (en) * 2019-07-25 2021-01-28 Brainchip, Inc. Event-based classification of features in a reconfigurable and temporally coded convolutional spiking neural network
US20210174193A1 (en) * 2019-12-06 2021-06-10 Adobe Inc. Slot filling with contextual information
CN113556158A (zh) * 2021-07-21 2021-10-26 重庆工程学院 一种面向车联网的大规模mimo智能csi反馈方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292950A (zh) * 2017-06-08 2017-10-24 深圳市唯特视科技有限公司 一种基于深度神经网络的端到端三维人脸重建方法
US20200220593A1 (en) * 2019-01-04 2020-07-09 Industrial Technology Research Institute Communication system and codec method based on deep learning and known channel state information
US20210027152A1 (en) * 2019-07-25 2021-01-28 Brainchip, Inc. Event-based classification of features in a reconfigurable and temporally coded convolutional spiking neural network
CN111127331A (zh) * 2019-10-22 2020-05-08 广东启迪图卫科技股份有限公司 基于像素级全局噪声估计编解码网络的图像去噪方法
US20210174193A1 (en) * 2019-12-06 2021-06-10 Adobe Inc. Slot filling with contextual information
CN113556158A (zh) * 2021-07-21 2021-10-26 重庆工程学院 一种面向车联网的大规模mimo智能csi反馈方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
C. LIU: "Band-Independent Encoder–Decoder Network for Pan-Sharpening of Remote Sensing Images", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, 26 February 2020 (2020-02-26) *
Z. HU: "MRFNet: A Deep Learning-Based CSI Feedback Approach of Massive MIMO Systems", 《IEEE COMMUNICATIONS LETTERS》, 26 July 2021 (2021-07-26) *
ZHENTAO TAN: "PPEDNet: Pyramid Pooling Encoder-Decoder Network for Real-Time Semantic Segmentation", 《INTERNATIONAL CONFERENCE ON IMAGE AND GRAPHICS》, 30 December 2017 (2017-12-30) *
李子豪: "大规模MIMO系统中基于深度学习的信道反馈机制研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 June 2023 (2023-06-15) *
许慧青: "基于卷积神经网络的细长路面病害检测方法", 《计算机应用》, 10 January 2022 (2022-01-10) *
陶相如: "基于人体姿态估计的舞蹈动作纠正方法", 《 中国计算机用户协会网络应用分会2021年第二十五届网络新技术与应用年会论文集》, 27 November 2021 (2021-11-27) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024020793A1 (zh) * 2022-07-26 2024-02-01 Oppo广东移动通信有限公司 信道状态信息csi反馈的方法、终端设备和网络设备
CN116599800A (zh) * 2023-05-30 2023-08-15 北京航空航天大学 一种基于深度卷积网络的ofdm信道估计方法
CN116599800B (zh) * 2023-05-30 2023-09-26 北京航空航天大学 一种基于深度卷积网络的ofdm信道估计方法

Similar Documents

Publication Publication Date Title
CN111464220B (zh) 一种基于深度学习的信道状态信息重建方法
Ji et al. CLNet: Complex input lightweight neural network designed for massive MIMO CSI feedback
CN112737985B (zh) 基于深度学习的大规模mimo信道联合估计和反馈方法
Cao et al. Lightweight convolutional neural networks for CSI feedback in massive MIMO
Chen et al. Deep learning-based implicit CSI feedback in massive MIMO
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
Liu et al. A Markovian model-driven deep learning framework for massive MIMO CSI feedback
CN114567359A (zh) 一种大规模mimo系统中基于多分辨率融合卷积反馈网络的csi反馈方法
CN109474388B (zh) 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法
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
CN111224905B (zh) 一种大规模物联网中基于卷积残差网络的多用户检测方法
Yin et al. Deep CSI compression for massive MIMO: A self-information model-driven neural network
CN113381790B (zh) 一种基于ai的环境知识辅助的无线信道反馈方法
CN112600596B (zh) 基于张量并行压缩的毫米波系统信道反馈方法
CN115865145A (zh) 一种基于Transformer的大规模MIMO信道状态信息反馈方法
CN114157331B (zh) 基于伪复值输入的大规模mimo信道状态信息反馈方法
CN115022134A (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
Li et al. Multi-task deep learning based hybrid precoding for mmWave massive MIMO system
CN113556158B (zh) 一种面向车联网的大规模mimo智能csi反馈方法
Liu et al. Efficient channel estimator with angle-division multiple access
Xiao et al. Multi-scale attention based channel estimation for RIS-aided massive MIMO systems
Cui et al. IALNet: An integration attention lightweight neural network for massive MIMO CSI feedback
Zhang et al. Dual-Propagation-Feature Fusion Enhanced Neural CSI Compression for Massive MIMO
CN114884549A (zh) 基于深度学习的大规模mimo信道状态信息反馈方法
CN114629533B (zh) 大规模mimo信道估计的信息几何方法及系统

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