CN114567399B - 一种空中基站的多天线多径信道状态信息建模与反馈方法 - Google Patents

Abstract

本发明提出一种空中基站的多天线多径信道状态信息建模与反馈方法，属于无线通信领域，具体为：首先，针对空中基站A，构造多天线信道模型，并得到多天线多径时域信道系数矩阵；然后，对系数矩阵进行预处理，归一化为多天线多径CSI矩阵，并构建样本数据集；同时构造多天线多径CSI编码器和CSI解码器，利用样本数据集分别进行训练后，将CSI编码器部署在用户端，CSI解码器安装在基站端；用户端的信道估计模块将估计得到的原始CSI矩阵输入到CSI编码器压缩成二进制码字，并经过CSI反馈信道发送到空中基站的CSI解码器，CSI解码器完成对压缩码字的解码，实现CSI矩阵恢复。本发明有效实现空中基站多天线多径信道状态信息建模与样本生成，确保样本数量与参数多样性。

Description

一种空中基站的多天线多径信道状态信息建模与反馈方法

技术领域

本发明属于无线通信领域，具体是指一种空中基站的多天线多径信道状态信息建模与反馈方法。

背景技术

移动通信网络通常采用固定或基站蜂窝等形式，一般情况下能够满足日常工作生活需求。然而，在应急抢险、灾害救援等场景中，常规的网络基础设施容易遭到破坏，导致大面积通信瘫痪。因此，如果能在灾后迅速部署大范围可靠的通信网络，将大幅度提高抢险救灾效率。另外，在其它场景如科学考察、野外赛事等无信号覆盖的活动中，能够迅速搭建临时通信网络，也具有重要应用价值。

近年来，无人机(Unmanned aerial vehicle,UAV)由于具有成本低、灵活性高等特点得到了广泛应用，如图1所示，无人机作为空中基站能够与用户终端快速建立视距通信链路，有效减少信号衰减并扩大覆盖区域。空中基站能够克服传统地面蜂窝基站只能固定于特定位置的物理限制，使网络可以快速地根据具体的业务场景，灵活动态地为突发的高业务量区域和灾后弱覆盖地区提供增强的移动通信服务。

随着人们对无线通信业务需求的提高，各类语音、图像和视频通信业务量爆炸式增长，研究人员提出大规模多输入多输出(Massive Multiple-input Multiple-output,Massive MIMO)技术，即在基站端配置大量天线，大规模MIMO技术能够有效消除用户间干扰，大幅提高系统频谱效率(Spectral Efficiency，SE)和能量效率(Energy Efficiency，EE)，可满足当前通信网络高速率高能效数据传输的需求。

在大规模MIMO通信系统中，上行链路和下行链路在不同载波频率下运行的FDD(Frequency Division Duplexing)模式得到了广泛的应用。在FDD模式中，为了获得基站下行信道的状态信息(Channel Status Information,CSI)，用户设备(User Equipment,UE)必须首先通过传输的导频估计下行信道CSI，然后通过反馈上行链路将估计的CSI发送回基站(Base Station,BS)。由于吞吐量的增加，反馈信道矩阵的维数变得非常大，因此会造成非常大的反馈开销。传统的压缩感知(Compressive Sensing,CS)算法可以在一定程度上减少反馈开销，但其重建性能受限于先验假设，且存在计算开销大和运行速度慢等问题，仍有较大的性能提升空间。

目前，深度学习(Deep Learning,DL)技术在CSI反馈领域有了很多成功的应用，例如CsiNet、CsiNet-LSTM、RecCsiNet、PR-RecCsiNet等。这些方法均在一定程度上弥补了传统方法的不足，在低压缩率下仍然具有良好的重建性能，在显著减少反馈开销的同时保证了CSI重建精度。

然而，当前深度学习方法在空中基站多天线CSI反馈领域尚未开展深入研究，这是由于复杂环境下空中基站多天线信道的多径效应产生机理比一般场景更复杂，空中基站多天线系统有其独特的信道特性，因此对空中基站多天线信道进行准确的建模对提升CSI反馈方法的重建精度至关重要。同时，基于深度学习的CSI反馈模型在机载端的部署同样存在难度，这是由于深度神经网络模型大量的网络权重对机载存储器提出较高的要求，同时为了实现神经网络运算需要进行大量的计算，这些都会造成过高的功率开销，给功率受限的机载应用带来较大挑战。

发明内容

针对上述问题，本发明提出了一种空中基站多天线多径信道状态信息建模与反馈方法。该方法基于经典的二径信道模型携带间歇多径分量的抽头延迟线(Tapped DelayLine，TDL)模型，利用飞机高度、地面天线高低以及不同地理环境表面反射系数等参数对空地信道进行建模，并通过设置发送信号的初始相位，实现多天线空地信道模型。与此同时，本发明基于编码器-解码器结构设计多天线CSI反馈神经网络，将编码器部署在地面用户端，解码器部署在无人机端，实现CSI反馈，进一步提升空中基站通信系统性能。

所述的空中基站多天线多径信道状态信息建模与反馈方法，包括以下步骤：

步骤一、针对空中基站A，构造该空中基站的多天线信道模型，并得到多天线多径时域信道系数矩阵；

步骤二、对时域信道系数矩阵进行预处理，归一化为多天线多径CSI矩阵，并通过设置不同参数生成样本，建立空中基站CSI样本数据集；

步骤三、在用户端构造多天线多径CSI编码器，利用CSI样本数据集进行训练后，将多天线多径CSI矩阵的编码压缩成二进制码字，并反传至空中基站端；

步骤四、在空中基站构造多天线多径CSI解码器，利用CSI样本数据集进行训练后，通过CSI解码网络将二进制码字恢复成CSI矩阵。

本发明具有以下优点：

(1)本发明将空地信道扩展到多天线场景，有效实现空中基站多天线多径信道状态信息建模与样本生成，确保样本数量与参数多样性。

(2)本发明在多径多天线CSI编码器设计上，利用注意力机制，挖掘原始CSI矩阵通道显著性和空间显著性信息，有效实现CSI矩阵特征提取和压缩。

(3)本发明在多径多天线CSI解码器设计上，基于多分辨率特征提取机制，利用并行设置的不同尺度卷积核，对压缩码字特征的提取，实现CSI矩阵恢复。

附图说明

图1为现有技术中无人机空中基站运行概念图；

图2为本发明一种空中基站的多天线多径信道状态信息建模与反馈方法的流程图；

图3为本发明使用的二径信道模型示意图；

图4为本发明构造的多天线多径CSI编码器结构框图；

图5为本发明构造的多天线多径CSI解码器结构框图；

图6为本发明编码器-解码器的训练流程；

图7为本发明编码器-解码器的应用过程。

具体实施方式

下面结合附图对本发明作进一步的详细说明。

本发明一种空中基站的多天线多径信道状态信息建模与反馈方法，基于深度学习的无人机协同信道估计与CSI反馈系统，如图2所示，具体包括以下几个步骤：

步骤一、针对空中基站A，构造该空中基站的多天线信道模型，并得到多天线多径时域信道系数矩阵；

简化的空地二径信道模型，如图3所示，由直射路径分量和反射路径分量组成。其中h_A和h_G分别是飞机和地面天线的高度；d是飞机和地面天线的地面距离；ψ是地面反射分量的掠射角。

在二径模型中，地表反射是由地面平整度和地面站的半径Q米范围内的植被覆盖率决定的，即地面反射点应位于地面站的半径Q内。通过相似三角形关系，存在如下等式：

二径模型相关参数计算如下：

式中，R_1,p是直射分量的路径长度，l_1,p是反射分量第一段路径长度，l_2,p是反射分量第二段路径长度，R_2,p是反射分量路径总长度，ΔR_p是反射分量和直射分量路径的差，τ_0,p是直射分量路径时延，τ_s,p是反射分量路径时延，α_s,n,p是表面相对反射系数，c是光速，λ＝c/f_c是载波的波长，f_c是载波频率。ψ_p为p时刻地面反射分量的掠射角。

p时刻的二径空地信道的冲激响应为：

式中，自由视距(Line of Sight，LOS)振幅分量为

自由空间表面反射振幅为

δ(·)表示狄拉克函数，其特点为：在除了零以外的点函数值都等于零，而其在整个定义域上的积分等于1；常用来表示冲激响应函数。

假设R_1,p为已知，此时α_0,p和τ_0,p也为已知；对公式进行归一化，使得LOS分量的振幅α₀＝1，延时τ_0,p＝0，则信道冲激响应(Channel Impulse Response，CIR)重新表达为：

式中，θ₁和θ₂表示不同的相位。

此时，决定空地二径信道CIR的三个参数为：表面粗糙因子r_F、P时刻的散度因子D_p和表面反射系数Γ_p,F；这三个参数的计算方法如下：

(1)表面粗糙因子r_F

理论上，如果地球表面绝对光滑，则r_F＝1，但实际情况一般r_F＞1；

当反射面为陆地时，粗糙因子

其中C_r＝4πs_gsin(ψ_p)/λ，s_g为地面高度标准差。

当反射面为海洋时，粗糙因子

此时s_g＝0.0052μ²，μ为风速(m/s)。I₀表示第一类bessel函数。

(2)散度因子D_p

P时刻散度因子D_p的计算方法为：

式中，m＝4/3，α为地球赤道半径。

(3)表面反射系数Γ_p,F

Γ_p,F取决于频率、极化、入射角和反射表面介电常数，本发明采用简化计算方法，将p时刻的表面反射系数的简化计算方法为：

式中，η₁为介质1的相对介电常数，η₂为介质2的相对介电常数。

研究表明，空地信道TDL模型中最多有9个抽头，因此本发明采用的TDL模型的信道冲激响应表达式如下：

式中：α_k和θ_k分别为各抽头对应的振幅和相位；z∈(0,1)用来描述抽头开关的概率；

式中的前2项由二径模型计算得到，对于式中所有的抽头，相位都是均匀随机地分布在0～2π之间；间歇抽头的相对功率

服从高斯分布，且通常随抽头指数(较大的抽头指数意味着较大的延时)而降低。

基于公式(7)建立的空地信道模型，本发明将其扩展到空中基站多天线系统，具体实施为：假设空中基站发射端共有N_T个天线，每个天线的发射信号设置不同的初始相位，建立空中基站多天线信道模型如下：

式中，θ_it表示第t个天线发射信号的初始相位。

由上可知，形成的空中基站多天线多径时域信道系数矩阵

如下：

式(9)中共包含N_T×9个复数元素，分别代表T个天线的9径信道系数。

步骤二、对时域信道系数矩阵进行预处理，归一化为多天线多径CSI矩阵，并通过设置不同参数生成样本，建立空中基站CSI样本数据集；

在获得时域信道系数矩阵

后，对其进行预处理，使之具备稀疏性。

预处理过程为：

首先，对

进行转置后做N_C点的离散傅里叶变换(Discrete FourierTransform,DFT)变换，使之变换到频域，获得频域信道系数

N_C为空中基站多天线系统的载波数目。

然后，利用下式获得具有稀疏性的角度-延迟域信道系数矩阵

式中，F_d和F_a分别为维度为N_C×N_C和N_T×N_T的DFT矩阵。

此时，

仍为复数矩阵，由于神经网络仅支持实数运算，因此接着，将矩阵中各复数元素的实部和虚部分开，将

转换为维度为N_C×N_T×2的实数矩阵

即为地面用户需要反馈的CSI实数矩阵；该矩阵共包含2N_CN_T个实数元素。

最后，经过归一化操作完成多天线多径CSI矩阵预处理；通过设置式(9)中的不同参数，可以获得大量CSI样本数据，进而建立空中基站CSI样本数据集。

本发明的建模代码已开源，链接为：https://github.com/liuchunhui2134/AG-MIMO-CSI。

步骤三、在用户端构造多天线多径CSI编码器，将多天线多径CSI矩阵的编码压缩成二进制码字，并反传至空中基站端；

多天线多径CSI编码网络部署到地面用户端，当地面用户通过信道估计方法获得维度为N_C×N_T×2的下行CSI矩阵后，将其编码压缩成维度为N×1的二进制码字，因此数据压缩率γ＝2N_CN_T/N，地面用户实时将压缩的码字反传至空中基站端，空中基站通过CSI解码网络将维度为N×1的二进制码字恢复成维度为N_C×N_T×2的CSI矩阵。

多天线多径CSI编码器的设计，如图4所示：

相较于传统CSINet等框架，本发明加入了能够提取CSI特征的通道显著性和空间显著性的注意力机制，使得编码网络有效提取CSI的空间特征，实现CSI矩阵的有效压缩。具体如下：

(1)生成通道显著性信息

假定训练数据集的样本数量为N_S，即数据集包含N_S条维度为N_C×N_T×2的CSI矩阵D，因此对于CSI编码器而言，输入数据的宽度为N_C，高度为N_T，通道数为2；

首先，输入原始CSI矩阵D经过编码器卷积核为3×3的卷积层，输出的CSI特征矩阵F维度仍为N_C×N_T×2；

特征矩阵F沿着通道维度输入到并行的两个池化层：最大池化和平均池化层，以提取通道维度的显著性信息，两个池化层输出池化信息维度均为1×1×2；

接着，两个池化信息分别输入到包含1个输入层，1个隐藏层和1个输出层的多层感知机，其中输入层神经元节点数为2，隐藏层神经元节点数为10，输出层神经元节点数为2；两个多层感知机输出的池化信息加和后经过sigmoid激活函数，生成通道显著性信息M_C，维度仍为1×1×2；

最后，维度为N_C×N_T×2的CSI特征矩阵F与维度为1×1×2的通道显著性信息M_C进行通道方向的元素点乘，获得通道显著性加权后的CSI特征矩阵F′，即F′＝M_C⊙F，⊙为点乘操作。

(2)生成空间显著性信息

首先，通道显著性加权的CSI特征矩阵F′沿着宽度和高度维度输入串行的两个池化层，分别输出维度为N_C×N_T×1的两类池化信息；

然后，两类池化信息合并成维度为N_C×N_T×2的矩阵，经过卷积核为7×7的卷积层后输入到sigmoid激活函数，生成空间显著性信息M_S；

最后，维度为N_C×N_T×2的通道显著性加权CSI特征矩阵F′与空间显著性信息M_S进行空间维度的元素点乘，获得空间显著性加权后的CSI特征矩阵F″，即F″＝M_S⊙F′，⊙为点乘操作。

(3)生成压缩码字

在获得包含通道显著性信息和空间显著性信息的CSI特征矩阵F″后，原始CSI矩阵D与F″进行加和操作，然后输入到卷积核为3×3的卷积层，输出经过包含N个神经元节点的全连接层，生成N位压缩后待传输的码字。

步骤四、在空中基站构造多天线多径CSI解码器，通过CSI解码网络将二进制码字恢复成CSI矩阵。

多天线多径CSI解码器的设计，如图5所示；

本发明基于多分辨率特征提取机制，提升不同压缩率下的信道反馈性能。具体如下：

CSI解码器在接收到N位待传输的压缩码字后，首先将其输入到2N_CN_T个节点的全连接层，形成维度为2N_CN_T×1的新数据；

然后经过reshape层转换为维度为N_C×N_T×2的矩阵D″，并将矩阵D″输入至多分辨率特征提取单元，该单元包含三组并行的卷积层，卷积核分别为[3×3]、[1×5,5×1]和[1×7,7×1,1×1]；

三组卷积层输出结果加和后输入到卷积核为3×3的卷积层，经过sigmoid激活函数得到恢复的CSI矩阵。

如图6所示，在编码器-解码器的训练阶段，本发明利用“端到端”的方式训练，得到编码器-解码器中的所有参数权重和偏置，使用自适应矩估计(ADAptive Momentestimation,Adam)算法更新网络的参数集，通过训练网络使得编码器-解码器恢复的CSI矩阵与原始CSI矩阵样本的差异最小化，因此模型采用的损失函数为均方误差(Mean SquaredError,MSE)函数，预测损失Loss为

式中：Dest_n为CSI矩阵估计值；D_n为CSI矩阵真值；N为CSI矩阵样本数。经过Adam算法一定的迭代次数，编码器-解码器模型完成训练，进入模型应用阶段。

如图7所示，在编码器-解码器的应用阶段，将训练好的CSI编码器部署在地面用户端，CSI解码器部署在无人机空中基站端。地面用户端的信道估计模块将估计得到的原始CSI矩阵输入到编码器，编码器输出的码字经过CSI反馈信道发送到空中基站的解码器，解码器完成对压缩码字的解码，实现CSI矩阵恢复。

Claims (4)

1.一种空中基站的多天线多径信道状态信息建模与反馈方法，其特征在于，具体包括：

首先，针对空中基站A，构造多天线信道模型，并得到多天线多径时域信道系数矩阵；

然后，对系数矩阵进行预处理，归一化为多天线多径CSI矩阵，并构建样本数据集；

同时构造多天线多径CSI编码器和CSI解码器，利用样本数据集分别进行训练后，将CSI编码器部署在用户端，CSI解码器安装在基站端；

所述CSI编码器，对地面用户获得的维度为N_C×N_T×2的原始下行CSI矩阵的编码，进行压缩得到维度为N×1的二进制码字；

具体压缩过程包括以下三部分：

(1)生成通道显著性信息

首先，输入原始CSI矩阵D经过编码器卷积核为3×3的卷积层，输出的CSI特征矩阵F维度仍为N_C×N_T×2；

特征矩阵F沿着通道维度输入到并行的两个池化层：最大池化和平均池化层，提取通道维度的显著性信息，两个池化层输出池化信息维度均为1×1×2；

接着，两个池化信息分别输入到包含1个输入层，1个隐藏层和1个输出层的多层感知机，两个多层感知机输出的池化信息加和后经过sigmoid激活函数，生成通道显著性信息M_C，维度仍为1×1×2；

最后，维度为N_C×N_T×2的CSI特征矩阵F与维度为1×1×2的通道显著性信息M_C进行通道方向的元素点乘，获得通道显著性加权后的CSI特征矩阵F′，即F′＝M_C⊙F，⊙为点乘操作；

(2)生成空间显著性信息

首先，通道显著性加权的CSI特征矩阵F′沿着宽度和高度维度输入串行的两个池化层，分别输出维度为N_C×N_T×1的两类池化信息；

然后，两类池化信息合并成维度为N_C×N_T×2的矩阵，经过卷积核为7×7的卷积层后输入到sigmoid激活函数，生成空间显著性信息M_S；

最后，维度为N_C×N_T×2的通道显著性加权CSI特征矩阵F′与空间显著性信息M_S进行空间维度的元素点乘，获得空间显著性加权后的CSI特征矩阵F″，即F″＝M_S⊙F′；

(3)生成压缩码字

在获得包含通道显著性信息和空间显著性信息的CSI特征矩阵F″后，原始CSI矩阵D与F″进行加和操作，然后输入到卷积核为3×3的卷积层，输出经过包含N个神经元节点的全连接层，生成N位压缩后待传输的码字；

用户端的信道估计模块将估计得到的原始CSI矩阵输入到CSI编码器压缩成二进制码字，并经过CSI反馈信道发送到空中基站的CSI解码器，CSI解码器完成对压缩码字的解码，实现CSI矩阵恢复。

2.如权利要求1所述的一种空中基站的多天线多径信道状态信息建模与反馈方法，其特征在于，所述的空中基站多天线信道模型如下：

式中，

表示第N_t个天线的信道冲激响应；空中基站发射端共有N_T个天线；θ₁,θ₂,θ_k表示空地信道TDL模型9个抽头对应的相位；δ(·)表示狄拉克函数；α_s,n,p是表面相对反射系数；r_F表示表面粗糙因子；D_p为P时刻的散度因子；Γ_p,F为表面反射系数；θ_it表示第t个天线发射信号的初始相位；α_k为各抽头对应的振幅；z∈(0,1)用来描述抽头开关的概率；

所述多天线多径时域信道系数矩阵

如下：

共包含N_T×9个复数元素，分别代表T个天线的9径信道系数。

3.如权利要求1或2所述的一种空中基站的多天线多径信道状态信息建模与反馈方法，其特征在于，所述对系数矩阵

进行预处理获得样本数据集的过程为：

首先，对时域信道系数矩阵

进行转置后做N_C点的离散傅里叶变换，使之变换到频域，获得频域信道系数

N_C为空中基站多天线系统的载波数目；

然后，利用下式获得具有稀疏性的角度-延迟域信道系数矩阵

式中，F_d和F_a分别为维度为N_C×N_C和N_T×N_T的DFT矩阵；

接着，将矩阵

中各复数元素的实部和虚部分开，将矩阵

转换为维度为N_C×N_T×2的实数矩阵

即为地面用户需要反馈的CSI实数矩阵；

最后，经过归一化操作完成多天线多径CSI矩阵预处理；通过设置不同参数，获得大量CSI样本数据，进而建立CSI样本数据集。

4.如权利要求1所述的一种空中基站的多天线多径信道状态信息建模与反馈方法，其特征在于，所述CSI解码器的解码过程为：

首先，在接收到N位待传输的压缩码字后，将其输入到2N_CN_T个节点的全连接层，形成维度为2N_CN_T×1的新数据；

然后，经过reshape层转换为维度为N_C×N_T×2的矩阵D″，并将矩阵D″输入至三组卷积层；

三组卷积层输出结果加和后输入到卷积核为3×3的卷积层，经过sigmoid激活函数得到恢复的CSI矩阵。

Images