CN114884549A - 基于深度学习的大规模mimo信道状态信息反馈方法 - Google Patents

基于深度学习的大规模mimo信道状态信息反馈方法 Download PDF

Info

Publication number
CN114884549A
CN114884549A CN202210489463.3A CN202210489463A CN114884549A CN 114884549 A CN114884549 A CN 114884549A CN 202210489463 A CN202210489463 A CN 202210489463A CN 114884549 A CN114884549 A CN 114884549A
Authority
CN
China
Prior art keywords
result
channel matrix
super
layer
state information
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
CN202210489463.3A
Other languages
English (en)
Inventor
王海洋
宋吉锋
李柳
王丽萍
李�真
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.)
Yantai Branch Institute Of Computing Technology Chinese Academy Of Science
Original Assignee
Yantai Branch Institute Of Computing Technology Chinese Academy Of Science
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 Yantai Branch Institute Of Computing Technology Chinese Academy Of Science filed Critical Yantai Branch Institute Of Computing Technology Chinese Academy Of Science
Priority to CN202210489463.3A priority Critical patent/CN114884549A/zh
Publication of CN114884549A publication Critical patent/CN114884549A/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]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • 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
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明涉及一种基于深度学习的大规模MIMO信道状态信息反馈方法，其包括：在下行链路中，在用户端侧对MIMO信道状态信息在空频域的信道矩阵
Figure DDA0003630290910000011
进行二维离散傅立叶变换，得到在角度延迟域稀疏的信道矩阵H；构建超分辨信道状态信息网络模型，该模型包含属于用户端的解码器和属于基站端的译码器，其中该解码器用于将所述获得的在角度延迟域稀疏的信道矩阵H编码为更低维度的码字，所述译码器用于从收到的码字重建出信道矩阵估计值
Figure DDA0003630290910000012
对所述超分辨信道状态信息网络模型进行训练，使得所述信道矩阵估计值
Figure DDA0003630290910000013
和在角度延迟域稀疏的信道矩阵H尽可能接近，并获得模型参数；将训练好的所述超分辨信道状态信息网络模型用于信道信息的压缩感知和重建。

Description

基于深度学习的大规模MIMO信道状态信息反馈方法
技术领域
本发明涉及通信技术领域，具体的，涉及基于深度学习的大规模MIMO信道状态信息反馈方法。
背景技术
大规模MIMO(Multiple-Input Multiple-Output(多入多出))技术被认为是5G的三大核心技术之一。大规模MIMO技术具备空间复用增益、分集增益以及波束成形能力，通过在发射端和接收端配置多根天线实现多收多发，能够充分利用空间资源，在不增加频谱资源和发射功率的前提下，成倍提高信道容量并减少多用户干扰，展现出显著的性能优势，但这些增益建立在基站能够精确获知上行链路和下行链路信道状态信息(CSI,channelstate information)的前提下。上行链路的CSI获取较容易，只需用户端发送训练导频，再由基站根据接收到的信号估计每个用户终端的信道响应；下行链路的CSI获取则较困难，也是当前大规模MIMO技术中需要重点解决的难题。在时分双工(TDD,time division duplex)制式下，基站可通过上行链路发送的训练导频进行信道估计，再利用信道互易性获取下行链路的CSI；在频分双工(FDD,frequency division duplex)制式下，上行链路和下行链路工作在不同的频点上，信道互易性很弱，因此，下行链路的CSI需要先由用户端通过下行导频估计获得，再通过反馈链路传送回基站端。完整的CSI回传需要消耗大量的链路开销，且鉴于FDD是目前蜂窝系统中应用最广泛的双工制式，如何在FDD大规模MIMO系统中精确获取下行链路CSI成为研究的热点和难点。
目前关于大规模MIMO系统信道状态信息反馈的研究中，主要是借助信道状态信息的空时相关性和压缩感知(CS，compressive sensing)理论来减小反馈开销。具体来说，可将信道状态信息变换至某个基(指向量空间的基)下的稀疏矩阵，利用压缩感知的方法对其进行随机压缩采样以获得低维度测量值；该测量值在占用少量资源开销的情况下通过反馈链路传递至基站端，基站端借助压缩感知的理论，从该测量值中重建出原稀疏信道矩阵。上述基于压缩感知的方法为目前较为先进的信道反馈方法，但仍然存在以下问题：1)压缩感知算法普遍依赖于关于信道结构的先验假设，即信道在某个变换基上满足稀疏性，而实际中信道不在任何变换基完全稀疏，且具有更复杂的结构，因而基于压缩感知的算法有赖于更复杂的先验条件；2)压缩感知使用随机投影的方法来获得低维度的压缩信号，因而没有获得完整的信道结构；3)目前存在的压缩感知算法多为迭代算法，需要巨大的计算开销，且对系统的实时性提出巨大挑战。
公开号CN108390706A、发明名称为“一种基于深度学习的大规模MIMO信道状态信息反馈方法”的专利文献将深度学习技术引入大规模MIMO反馈方案中，为解决FDD制式下CSI反馈难题提供新的设计思路，并取得了一些成果，其显示出相对于传统压缩感知方法的压倒性优势，然而该方案在低反馈开销以及室外复杂场景下仍面临着CSI重构精度较低、不能最大程度地保留信道完整信息的问题。
发明内容
本发明结合了深度学习技术，对公开号CN108390706A的专利技术方案做了较大改进，有效的改善了上述技术问题。
本发明提供了一种基于深度学习的大规模MIMO信道状态信息反馈方法，其包括：
在下行链路中，在用户端侧对MIMO信道状态信息在空频域的信道矩阵
Figure BDA0003630290890000021
进行二维离散傅立叶变换，得到在角度延迟域稀疏的信道矩阵H；
构建超分辨信道状态信息网络模型，该模型包含属于用户端的解码器和属于基站端的译码器，其中所述编码器包括3个卷积层、多个并行的超分辨单元层、2个特征拼接层、归一化层、全连接层和激活层，所述超分辨单元层包括IMDB模块、IMDB_large模块、和RFDB模块，该解码器用于将所述获得的在角度延迟域稀疏的信道矩阵H编码为更低维度的码字，所述译码器包括全连接层、3个卷积层、多个并行的超分辨单元层、2个特征拼接层、和激活层，所述超分辨单元层包括IMDB模块、IMDB_large模块、和RFDB模块，该译码器用于从收到的码字重建出信道矩阵估计值
Figure BDA0003630290890000031
对所述超分辨信道状态信息网络模型进行训练，使得译码器输出的所述信道矩阵估计值
Figure BDA0003630290890000032
和所述在角度延迟域稀疏的信道矩阵H尽可能接近，并获得模型参数；
将训练好的所述超分辨信道状态信息网络模型用于信道信息的压缩感知和重建，其中将所述在角度延迟域稀疏的信道矩阵H输入给所述训练好的超分辨信道状态信息网络模型，该模型输出重建后的信道矩阵估计值
Figure BDA0003630290890000033
对该重建后的信道矩阵估计值
Figure BDA0003630290890000034
进行二维逆DFT变换，恢复得到原空频域的信道矩阵
Figure BDA0003630290890000035
信息。
其中：对于所述编码器，所述在角度延迟域稀疏的信道矩阵H输入给该编码器，该信道矩阵H首先经过1个卷积层得到卷积后的结果X1，将该结果X1作为输入分别作用于多个并行的超分辨单元层，将并行多个编码器超分辨单元输出后的张量经过1个特征拼接层进行按列拼接，将拼接结果再经过1个卷积层得到卷积后的结果X2，将第一次卷积后的结果Y1和第二次卷积后的结果Y2再经过1个特征拼接层进行特征拼接，将该拼接结果再经过1个卷积层得到卷积后的结果X3，将卷积后的结果X3经过归一化层进行归一化处理，重构成连续的1维张量，将该重构的1维张量经过全连接层后，再经过激活层，得到压缩编码后的码字S。
其中：用户端将所述压缩编码后的码字S反馈至基站端，由基站端的所述译码器进行译码，所述压缩编码后的码字S首先经过一个全连接层，用于改变其张量维度，然后经过1个卷积层，得到卷积后的结果Y1，将该结果Y1作为输入分别作用于所述多个并行的超分辨单元层，将所述多个并行的超分辨单元层输出后的张量经过1个特征拼接层进行按列拼接，将拼接结果再经过1个卷积层得到卷积后的结果Y2，将第一次卷积后的结果Y1和第二次卷积后的结果Y2再经过1个特征拼接层进行特征拼接，将该拼接结果再经过1个卷积层得到卷积后的结果Y3，将卷积后的结果Y3再经过激活层，得到与所述在角度延迟域稀疏的信道矩阵H同维度的重建信道矩阵估计值
Figure BDA0003630290890000041
其中：所述获得的模型参数包括但不限于全连接层的权重、偏置和卷积层的卷积核、偏置。
与现有技术相比，本发明的有益效果是：
本发明提供的基于深度学习的大规模MIMO信道状态信息反馈方法，最大程度地保留信道完整信息，最大限度的接近于无损传输，可以保证在极低压缩率上，仍可有效保留波束成形增益，从而在有限的资源开销下，实现信道状态信息的反馈。
本发明使用了改进的超分辨率技术，在保障了信号的信道高质量恢复同时，能大幅压缩信道状态信息，降低反馈比特数，且模型复杂度低，计算量少，训练时长短，可以满足实时传输需求。
附图说明
图1是本发明提供的一种基于深度学习的大规模MIMO信道状态信息反馈方法的流程图；
图2是本发明提供的第一实施例的编码器的结构示意图；
图3是本发明提供的第二实施例编码器的结构示意图；
图4是本发明提供的第三实施例的译码器的结构示意图；
图5是本发明提供的第四实施例译码器的结构示意图。
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。
术语解释
反馈比特，反馈比特数值越小，即信道状态信息压缩率更高，信道信息反馈开销越低。
NMSE(Normalized Mean Square Error)，是归一化均方误差，在本发明场景中用来评估信道恢复性能。其数值越小，即性能增益越大，表明信息传输损失越小。
超分辨率技术(Super-Resolution,SR)是指从观测到的低分辨率图像重建出相应的高分辨率图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。
对于信道压缩重建这个问题，通常是通过编码器实现压缩信道信息，通过译码器还原信道信息。在译码器的工作过程中，是将低维度的信道信息还原到高纬度信道信息，在这个过程中要保证尽量与原始信号一致而不失真。发明人注意到译码的过程与图像处理中的超分辨技术实现方式有一些相似之处，但是也存在着不同。通过对图像超分辨率技术在本发明里进行改进，可以将其应用到信道压缩重建上来，对背景技术中提到的公开号CN108390706A的专利技术方案所涉及到技术问题，产生了有效的改善。
如图1所示，本发明提供了一种基于深度学习的大规模MIMO信道状态信息反馈方法，其包括：
S1：在下行链路中，在用户端侧对MIMO信道状态信息在空频域的信道矩阵
Figure BDA0003630290890000061
进行二维离散傅立叶变换，得到在角度延迟域稀疏的信道矩阵H。
S2：构建超分辨信道状态信息网络模型，该模型包含属于用户端的解码器和属于基站端的译码器，其中所述编码器包括3个卷积层、多个并行的超分辨单元层、2个特征拼接层、归一化层、全连接层和激活层，所述超分辨单元层包括IMDB模块、IMDB_large模块、和RFDB模块，该解码器用于将所述获得的在角度延迟域稀疏的信道矩阵H编码为更低维度的码字，所述译码器包括全连接层、3个卷积层、多个并行的超分辨单元层、2个特征拼接层、和激活层，所述超分辨单元层包括IMDB模块、IMDB_large模块、和RFDB模块，该译码器用于从收到的码字重建出信道矩阵估计值
Figure BDA0003630290890000062
S3：对所述超分辨信道状态信息网络模型进行训练，使得译码器输出的所述信道矩阵估计值
Figure BDA0003630290890000063
和所述在角度延迟域稀疏的信道矩阵H尽可能接近，并获得模型参数。
其中，所述获得的模型参数包括但不限于全连接层的权重、偏置和卷积层的卷积核、偏置。
S4：将训练好的所述超分辨信道状态信息网络模型用于信道信息的压缩感知和重建，其中将所述在角度延迟域稀疏的信道矩阵H输入给所述训练好的超分辨信道状态信息网络模型，该模型输出重建后的信道矩阵估计值
Figure BDA0003630290890000064
对该重建后的信道矩阵估计值
Figure BDA0003630290890000065
进行二维逆DFT变换，恢复得到原空频域的信道矩阵
Figure BDA0003630290890000066
信息。
其中，参考图2来描述所述编码器的工作过程。所述在角度延迟域稀疏的信道矩阵H输入给该编码器，该信道矩阵H首先经过1个卷积层得到卷积后的结果X1，将该结果X1作为输入分别作用于多个并行的超分辨单元层，将并行多个编码器超分辨单元输出后的张量经过1个特征拼接层进行按列拼接，将拼接结果再经过1个卷积层得到卷积后的结果X2，将第一次卷积后的结果Y1和第二次卷积后的结果Y2再经过1个特征拼接层进行特征拼接，将该拼接结果再经过1个卷积层得到卷积后的结果X3，将卷积后的结果X3经过归一化层进行归一化处理，重构成连续的1维张量，将该重构的1维张量经过全连接层后，再经过激活层，得到压缩编码后的码字S。
其中，参考图4来描述所述译码器的工作过程。用户端将所述压缩编码后的码字S反馈至基站端，由基站端的所述译码器进行译码，所述压缩编码后的码字S首先经过一个全连接层，用于改变其张量维度，然后经过1个卷积层，得到卷积后的结果Y1，将该结果Y1作为输入分别作用于所述多个并行的超分辨单元层，将所述多个并行的超分辨单元层输出后的张量经过1个特征拼接层进行按列拼接，将拼接结果再经过1个卷积层得到卷积后的结果Y2，将第一次卷积后的结果Y1和第二次卷积后的结果Y2再经过1个特征拼接层进行特征拼接，将该拼接结果再经过1个卷积层得到卷积后的结果Y3，将卷积后的结果Y3再经过激活层，得到与所述在角度延迟域稀疏的信道矩阵H同维度的重建信道矩阵估计值
Figure BDA0003630290890000071
下面将分别简单介绍超分辨单元层所包括的IMDB模块、IMDB_large模块、和RFDB模块。
IMDB模块(Information multi-distillation block)是信息多重蒸馏模块，其包含多个卷积层、通道分割层和一个通道注意层(CCA)，整个单元变现为残差结构。通道分割操作会生成两部分特性，其中一部分被保存，另一部分被送入下一个计算单元，保留的部分可被视作细化特征。通道注意层专门用于底层视觉模块，如图像超分辨和图像增强，使用标准差和平均值代替全局平均池化。IMDB模块除了最后一个卷积层，其余的各卷积层都作用了LeakyReLU激活函数。
LeakyReLU激活函数描述如下：
Figure BDA0003630290890000081
IMDB_large模块是在IMDB模块的基础上多加了两层，增加了网络深度，改善了网络性能。
RFDB模块(Residual Feature Distillation Block)是残差特征蒸馏模块，其包含多个卷积层和浅残差块(SRB)。同时采用1×1卷积进行特征蒸馏，并将通道数从64降到50；浅残差块由一个卷积层、自身连接和一个ReLU激活函数构成，受益于残差网络，而不需要任何额外的参数，从而减少了训练代价。
上述IMDB模块、IMDB_large模块、和RFDB模块对输入的信号做同样的处理，例如输入该三个模块的信号同样为(n，c，h，w)，n代表数据数量，c代表每条数据channel个数，h代表每条数据维度的高，w代表每条数据维度的宽，同样的数据分别进入IMDB模块、IMDB_large模块、和RFDB模块，输出的结果也为(n，c，h，w)，这是由于三个模块结构的特殊性决定的。
在拼接的过程中，使用torch.cat()的基本操作，拼接的维度是c。当使用IMDB模块、IMDB_large模块、和RFDB模块，拼接后的特征维度即为(n，3*c，h，w)，然后通过卷积操作使channel数减少到(n，c，h，w)，保证输出模块前和拼接完成后的特征维度是完全一致的。
由低纬度特征向量卷积成固定的(n，c，h，w)维度特征，输入模块前是低纬度特征，输入模块后是相同的高维度特征矩阵，保持一致，即方便操作也可以让网络学习到从小变大的特征权重变化，反之由大变小也是如此，这样学习到的特征实验效果更好。
另外，对于编码器，除了图2所示的结构之外，也可以采用图3所示的结构。换句话说，超分辨单元层也可以只包含IMDB模块、IMDB_large模块、和RFDB模块中的任意一个模块，也可以包括IMDB模块、IMDB_large模块、和RFDB模块中的任意二个模块，都可以实现本发明的目的，但IMDB模块、IMDB_large模块、和RFDB模块三个模块并行实现的技术效果最佳。
另外，对于译码器，除了图4所示的结构之外，也可以采用图5所示的结构。换句话说，超分辨单元层也可以只包含IMDB模块、IMDB_large模块、和RFDB模块中的任意一个模块，也可以包括IMDB模块、IMDB_large模块、和RFDB模块中的任意二个模块，都可以实现本发明的目的，但IMDB模块、IMDB_large模块、和RFDB模块三个模块并行实现的技术效果最佳。只需要译码器与编码器中的超分辨单元层分别包含的IMDB模块、IMDB_large模块、和RFDB模块保持一致即可。
其中，所述对所述超分辨信道状态信息网络模型进行训练的方法包括：采用Ranger优化算法和端到端的学习方式，联合训练所述编码器和所述译码器的参数，使得代价函数最小，采用的学习率为1e-4，每次迭代选用训练集中的1个样本来计算梯度，所述损失函数描述如下：
Figure BDA0003630290890000091
其中，T为训练集的所有样本数，||·||2为欧几里得范数，Hi表示第i个样本的真实信道矩阵，
Figure BDA0003630290890000092
表示经译码器输出的第i个样本的重建信道矩阵估计值。
在一个应用实例中，设计整个SR-CSINet架构的代价函数为译码器输出的信道矩阵
Figure BDA0003630290890000093
与真实信道矩阵H的均方误差。用(1)中产生的信道矩阵H的100000个训练集样本，采用Ranger优化算法和端到端的学习方式，联合训练编码器和译码器的参数，主要包括权重、偏置和卷积核，使得代价函数最小，采用的学习率为1e-4，每次迭代选用训练集中的1个样本来计算梯度，经大量实验验证，单次使用1个样本，可以使本算法模型达到性能最优的效果。根据Ranger算法的公式更新参数。训练过程中可用验证集选择性能好的模型，上述SR-CSINet模型即为经选择后的模型；测试集可以测试最终模型的性能。
下面通过采用与公开号CN108390706A的专利技术方案中公开的实例近似相同的实例，来产生实验结果的对比数据。
在具体的实例中，下行链路中，基站端使用Nt＝32根发送天线，用户端使用单根接收天线，该MIMO系统采用OFDM载波调制方式，使用
Figure BDA0003630290890000101
个子载波。用COST 2100模型根据上述条件，在5.3GHz的室内微微蜂窝网场景产生150000个空频域信道矩阵的样本，并分成100000个样本的训练集、30000个样本的验证集以及20000个样本的测试集。对样本中每一个空频域的信道矩阵
Figure BDA0003630290890000102
用
Figure BDA0003630290890000103
和Nt×Nt(32×32)的DFT矩阵Fd和Fa，对
Figure BDA0003630290890000104
做二维DFT变换，得到角延迟域上稀疏的信道矩阵H∈Cw×Nt(C32×32)，即
Figure BDA0003630290890000105
因为多径到达时间之间的延迟在有限的时间范围内，所以在延迟域上，信道矩阵H只有在前W＝32行上有值，因此保留其前
Figure BDA0003630290890000106
Figure BDA0003630290890000107
行元素值，将其修正为32×32的信道矩阵。
在该实例中，所述编码器将复数域信道矩阵H∈C32×32的实部和虚部拆分为两个均为32×32大小的实数矩阵，作为两通道的特征图输入编码器。编码器的第一层是一个两通道的卷积层，采用两个3×3大小的两通道卷积核与输入进行卷积，使得该卷积层输出为两个32×32大小的特征图，即两个32×32大小的实数矩阵。将实数矩阵分别作用于IMDB模块单元、IMDB_large模块单元、和RFDB模块单元，每个模块单元生成32×32且通道数为64的特征图，每个模块单元分别作用n次，将生成的结果按列进行特征拼接并与原信道矩阵合并，生成32×32且通道数为64的特征图，后经过两个1×1大小的64通道的卷积核与刚才的结果进行卷积，得到两个32×32大小的特征图，将这两个矩阵拉直重组为一个2048×1的向量，输入一个含有M个神经元的全连接层，采用sigmoid线性激活函数，输出M×1的向量s，即为用户端要传送给基站端的压缩编码后的码字。
在该实例中，所述译码器的第一层为包含2048个神经元的全连接层，以接收到的码字s为输入，采用sigmoid线性激活函数，输出2048×1的向量。该向量输入译码器的第二层，将输入的2048×1的向量重组为两个32×32大小的实数矩阵，分别作为估计的信道矩阵的实部和虚部的初始化。将其作用于64个两通道的3×3的卷积，最终得到32×32通道数为64的实数矩阵。将该实数矩阵分别作用于IMDB模块单元、IMDB_large模块单元、和RFDB模块单元，每个单元单元生成32×32且通道数为64的特征图，每个模块单元分别作用n次，将生成的结果按列进行特征拼接并与原信道矩阵合并，生成32×32且通道数为64的特征图，后经过两个1×1大小的64通道的卷积核与刚才的结果进行卷积，得到两个32×32大小的特征图，将其输出的两个32×32大小的特征图输入译码器的最后一个卷积层，采用sigmoid激活函数，将输出值范围限制在[0,1]区间，从而该译码器的最终输出为两个32×32大小的实数矩阵，作为最终重建的信道矩阵的实部和虚部。
实验结果对比
使用COST 2100数据集，信号不需要额外地进行处理，选取的是5.3GHz频段的室内微微蜂窝场景信号作为比较数据集，在1/4压缩率下进行仿真实验。
NMSE(Normalized Mean Square Error，归一化均方误差),在本发明场景中用来评估信道恢复性能。其数值越小，即性能增益越大，表明信息传输损失越小。
将本发明(SR-CSINet网络模型)的实验结果与现有的CsiNet网络模型(即公开号CN108390706A的专利文献公开的网络模型)、现有的CRNet网络模型对比，从信道恢复程度评价指标NMSE上进行对比。可以看到在压缩比例CR为1/4时，本模型NMSE值可达到-29.97，远远小于其他公开方法，本模型性能优于目前现有已知的信道优化算法。
表1信道恢复程度实验对比
Figure BDA0003630290890000121
综上所述，在现有的超分辨技术中，因为边长都是整数倍，所以采用差值方法来扩大图像像素倍数，通常使用最近邻插值算法、双线性插值算法、双三次插值算法等方法，先将小图输入到超分辨技术模块，得到的特征图，经过插值方法得到高纬度图像。但是在大规模MIMO信道的任务中，信道压缩后的并不是图片，而是一串整数型编码。对此，本方案的改进是先由整数编码的一维维度通过线性层映射到，c*h*w的一维维度，再将该维度重新形变成(c，h，w)的三维维度，然后输入到超分辨单元层中。这样，本发明实现的改进算法包括：
1.输入不一样。在现有的超分辨技术算法中，边长是整数倍的矩阵，是三维到三维；而在本发明里，将MIMO信道压缩重建为三维到一维，再由一维到三维。
2.通常使用超分辨技术执行的任务是：将小维度图片经过超分辨算法模块，得到的特征图，经过插值算法得到高纬度图片；而本发明是先将一维小序列线性变换成一维大序列，经过变形成为三维矩阵，输入到超分辨模块的为三维大矩阵，得到的结果取消了插值算法，取而代之的是线性层直接映射到输出结果所需要的维度，在编码器实现为1维序列，在译码器实现为三维矩阵。
3.本发明在编码器和译码器中都使用了超分辨技术，即都包含有超分辨单元层，从而实现了对超分辨技术在本发明中的改进应用。
因此，本发明提供的基于深度学习的大规模MIMO信道状态信息反馈方法，最大程度地保留信道完整信息，最大限度的接近于无损传输，可以保证在极低压缩率上，仍可有效保留波束成形增益，从而在有限的资源开销下，实现信道状态信息的反馈。
本发明使用了改进的超分辨率技术，在保障了信号的信道高质量恢复同时，能大幅压缩信道状态信息，降低反馈比特数，且模型复杂度低，计算量少，训练时长短，可以满足实时传输需求。
以上内容是结合具体实施方式对本发明作进一步详细说明，不能认定本发明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，在不脱离本发明的构思的前提下，还可以作出若干简单的推演或替换，都应当视为属于本发明所提交的权利要求书确定的保护范围。

Claims (4)

1.一种基于深度学习的大规模MIMO信道状态信息反馈方法，其包括：
在下行链路中，在用户端侧对MIMO信道状态信息在空频域的信道矩阵
Figure FDA0003630290880000011
进行二维离散傅立叶变换，得到在角度延迟域稀疏的信道矩阵H；
构建超分辨信道状态信息网络模型，该模型包含属于用户端的解码器和属于基站端的译码器，其中所述编码器包括3个卷积层、多个并行的超分辨单元层、2个特征拼接层、归一化层、全连接层和激活层，所述超分辨单元层包括IMDB模块、IMDB_large模块、和RFDB模块，该解码器用于将所述获得的在角度延迟域稀疏的信道矩阵H编码为更低维度的码字，所述译码器包括全连接层、3个卷积层、多个并行的超分辨单元层、2个特征拼接层、和激活层，所述超分辨单元层包括IMDB模块、IMDB_large模块、和RFDB模块，该译码器用于从收到的码字重建出信道矩阵估计值
Figure FDA0003630290880000012
对所述超分辨信道状态信息网络模型进行训练，使得译码器输出的所述信道矩阵估计值
Figure FDA0003630290880000013
和所述在角度延迟域稀疏的信道矩阵H尽可能接近，并获得模型参数；
将训练好的所述超分辨信道状态信息网络模型用于信道信息的压缩感知和重建，其中将所述在角度延迟域稀疏的信道矩阵H输入给所述训练好的超分辨信道状态信息网络模型，该模型输出重建后的信道矩阵估计值
Figure FDA0003630290880000014
对该重建后的信道矩阵估计值
Figure FDA0003630290880000015
进行二维逆DFT变换，恢复得到原空频域的信道矩阵
Figure FDA0003630290880000016
信息。
2.根据权利要求1所述的基于深度学习的大规模MIMO信道状态信息反馈方法，其中：对于所述编码器，所述在角度延迟域稀疏的信道矩阵H输入给该编码器，该信道矩阵H首先经过1个卷积层得到卷积后的结果X1，将该结果X1作为输入分别作用于多个并行的超分辨单元层，将并行多个编码器超分辨单元输出后的张量经过1个特征拼接层进行按列拼接，将拼接结果再经过1个卷积层得到卷积后的结果X2，将第一次卷积后的结果Y1和第二次卷积后的结果Y2再经过1个特征拼接层进行特征拼接，将该拼接结果再经过1个卷积层得到卷积后的结果X3，将卷积后的结果X3经过归一化层进行归一化处理，重构成连续的1维张量，将该重构的1维张量经过全连接层后，再经过激活层，得到压缩编码后的码字S。
3.根据权利要求2所述的基于深度学习的大规模MIMO信道状态信息反馈方法，其中：用户端将所述压缩编码后的码字S反馈至基站端，由基站端的所述译码器进行译码，所述压缩编码后的码字S首先经过一个全连接层，用于改变其张量维度，然后经过1个卷积层，得到卷积后的结果Y1，将该结果Y1作为输入分别作用于所述多个并行的超分辨单元层，将所述多个并行的超分辨单元层输出后的张量经过1个特征拼接层进行按列拼接，将拼接结果再经过1个卷积层得到卷积后的结果Y2，将第一次卷积后的结果Y1和第二次卷积后的结果Y2再经过1个特征拼接层进行特征拼接，将该拼接结果再经过1个卷积层得到卷积后的结果Y3，将卷积后的结果Y3再经过激活层，得到与所述在角度延迟域稀疏的信道矩阵H同维度的重建信道矩阵估计值
Figure FDA0003630290880000021
4.根据权利要求1所述的基于深度学习的大规模MIMO信道状态信息反馈方法，其中：所述获得的模型参数包括但不限于全连接层的权重、偏置和卷积层的卷积核、偏置。
CN202210489463.3A 2022-05-06 2022-05-06 基于深度学习的大规模mimo信道状态信息反馈方法 Pending CN114884549A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210489463.3A CN114884549A (zh) 2022-05-06 2022-05-06 基于深度学习的大规模mimo信道状态信息反馈方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210489463.3A CN114884549A (zh) 2022-05-06 2022-05-06 基于深度学习的大规模mimo信道状态信息反馈方法

Publications (1)

Publication Number Publication Date
CN114884549A true CN114884549A (zh) 2022-08-09

Family

ID=82674256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210489463.3A Pending CN114884549A (zh) 2022-05-06 2022-05-06 基于深度学习的大规模mimo信道状态信息反馈方法

Country Status (1)

Country Link
CN (1) CN114884549A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115865145A (zh) * 2022-11-29 2023-03-28 齐鲁工业大学 一种基于Transformer的大规模MIMO信道状态信息反馈方法
CN116132239A (zh) * 2023-01-31 2023-05-16 齐鲁工业大学(山东省科学院) 采用预激活残差单元和超分辨网络的ofdm信道估计方法
CN117528573A (zh) * 2023-11-07 2024-02-06 北京乾径科技有限公司 一种无线网络优化方法、装置、设备和计算机程序产品
WO2024032701A1 (zh) * 2022-08-12 2024-02-15 大唐移动通信设备有限公司 信道状态信息处理方法及装置

Citations (2)

* 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
WO2020220278A1 (zh) * 2019-04-30 2020-11-05 华为技术有限公司 一种信道估计模型训练方法及设备

Patent Citations (2)

* 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
WO2020220278A1 (zh) * 2019-04-30 2020-11-05 华为技术有限公司 一种信道估计模型训练方法及设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024032701A1 (zh) * 2022-08-12 2024-02-15 大唐移动通信设备有限公司 信道状态信息处理方法及装置
CN115865145A (zh) * 2022-11-29 2023-03-28 齐鲁工业大学 一种基于Transformer的大规模MIMO信道状态信息反馈方法
CN116132239A (zh) * 2023-01-31 2023-05-16 齐鲁工业大学(山东省科学院) 采用预激活残差单元和超分辨网络的ofdm信道估计方法
CN117528573A (zh) * 2023-11-07 2024-02-06 北京乾径科技有限公司 一种无线网络优化方法、装置、设备和计算机程序产品
CN117528573B (zh) * 2023-11-07 2024-06-07 北京乾径科技有限公司 一种无线网络优化方法、装置、设备和计算机程序产品

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
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
CN114884549A (zh) 基于深度学习的大规模mimo信道状态信息反馈方法
Xie et al. Channel estimation for TDD/FDD massive MIMO systems with channel covariance computing
Cai et al. Attention model for massive MIMO CSI compression feedback and recovery
CN109672464A (zh) 基于fcfnn的大规模mimo信道状态信息反馈方法
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
Guo et al. Deep learning for joint channel estimation and feedback in massive MIMO systems
CN102546088A (zh) 一种块对角化预编码方法及装置
CN110289898A (zh) 一种大规模mimo系统中基于1比特压缩感知的信道反馈方法
CN113872652B (zh) 一种基于3d mimo时变系统的csi反馈方法
Xiao et al. Channel estimation for movable antenna communication systems: A framework based on compressed sensing
Li et al. A novel CSI feedback approach for massive MIMO using LSTM-attention CNN
CN115021787A (zh) 一种基于复数卷积神经网络的信道状态信息反馈方法
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
CN115865145A (zh) 一种基于Transformer的大规模MIMO信道状态信息反馈方法
Uwaechia et al. Compressed channel estimation for massive MIMO-OFDM systems over doubly selective channels
US11115240B2 (en) Methods, apparatuses, and systems for performing analog CSI feedback
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
CN102171946B (zh) 数据传输方法和装置
CN113556158B (zh) 一种面向车联网的大规模mimo智能csi反馈方法
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
CN114157331B (zh) 基于伪复值输入的大规模mimo信道状态信息反馈方法
Madadi et al. PolarDenseNet: A deep learning model for CSI feedback in MIMO systems

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