CN115001629A - 信道量化反馈方法、装置、电子设备及存储介质 - Google Patents
信道量化反馈方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115001629A CN115001629A CN202210476341.0A CN202210476341A CN115001629A CN 115001629 A CN115001629 A CN 115001629A CN 202210476341 A CN202210476341 A CN 202210476341A CN 115001629 A CN115001629 A CN 115001629A
- Authority
- CN
- China
- Prior art keywords
- channel
- channel matrix
- neural network
- self
- downlink channel
- 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.)
- Granted
Links
- 238000013139 quantization Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 118
- 238000009826 distribution Methods 0.000 claims abstract description 104
- 238000013528 artificial neural network Methods 0.000 claims abstract description 75
- 239000013598 vector Substances 0.000 claims abstract description 69
- 230000006835 compression Effects 0.000 claims abstract description 49
- 238000007906 compression Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000006837 decompression Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 94
- 230000003044 adaptive effect Effects 0.000 claims description 44
- 238000004590 computer program Methods 0.000 claims description 8
- 230000001131 transforming effect Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 abstract description 16
- 230000006978 adaptation Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 32
- 238000013461 design Methods 0.000 description 20
- 230000005540 biological transmission Effects 0.000 description 16
- 230000000694 effects Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000007667 floating Methods 0.000 description 4
- 238000009795 derivation Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/02—Arrangements for detecting or preventing errors in the information received by diversity reception
- H04L1/06—Arrangements for detecting or preventing errors in the information received by diversity reception using space diversity
- H04L1/0618—Space-time coding
- H04L1/0675—Space-time coding characterised by the signaling
- H04L1/0687—Full feedback
-
- 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
- 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
-
- 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)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本申请涉及通信技术领域，特别涉及一种信道量化反馈方法、装置、电子设备及存储介质，其中，方法包括：获取用户端的下行信道矩阵的维度；将下行信道矩阵输入至预先训练的神经网络自编码器，对下行信道矩阵进行信道特征提取和维度压缩，得到压缩后的信道特征向量；对信道特征向量进行量化，得到比特序列，并将比特序列通过用户端的上行链路反馈给基站端，使得基站端依次进行解量化和解压缩后得到下行信道矩阵。由此，本申请实施例可以在信道反馈过程中根据量化器与数据特点，自适应地调整数据分布，从而提高量化器与压缩后的信道特征向量中元素数值的适配度，降低量化误差，提高压缩反馈的精度。
Description
技术领域
本申请涉及通信技术领域，特别涉及一种信道量化反馈方法、装置、电子设备及存储介质。
背景技术
传统基于码本的MIMO(multiple input multiple output，多进多出技术)信道信息反馈系统精度受限，在规模不断扩大为大规模MIMO后，其反馈的精度进一步降低。
MIMO系统的信道信息反馈由于较大的天线规模等因素需要反馈的信息量较大，这会带来难以承受的反馈开销。与此同时，传统的压缩感知技术难以在保证较低的压缩信息损失的情况下实现充分低的压缩率。
基于深度学习的MIMO系统信道压缩反馈技术通过对信道特征的学习，在较低的压缩率下实现了较低的压缩信息损耗，但在实际部署中，需要将压缩后的信道特征向量量化为比特序列才能够进行数字传输，而量化模块的引入会导致压缩反馈系统中产生较为严重的量化误差与性能降退，所以亟需针对量化模块的优化方法。
发明内容
本申请提供一种信道量化反馈方法、装置、电子设备及存储介质，以在信道反馈过程中根据量化器与数据特点，自适应地调整数据分布，从而提高量化器与压缩后的信道特征向量中元素数值的适配度，降低量化误差，提高压缩反馈的精度。
本申请第一方面实施例提供一种信道量化反馈方法，所述方法应用于用户端，其中，所述方法包括以下步骤：获取所述用户端的下行信道矩阵的维度；将所述下行信道矩阵输入至预先训练的神经网络自编码器，对所述下行信道矩阵进行信道特征提取和维度压缩，得到压缩后的信道特征向量；对所述信道特征向量进行量化，得到比特序列，并将所述比特序列通过所述用户端的上行链路反馈给所述基站端，使得所述基站端依次进行解量化和解压缩后得到所述下行信道矩阵。
进一步地，所述获取用户端的下行信道矩阵的维度，包括：获取OFDM(OrthogonalFrequency Division Multiplexing，正交频分复用)子载波个数和基站端的天线个数；根据所述OFDM子载波个数和所述天线个数估计得到所述下行信道矩阵的维度。
进一步地，在将所述下行信道矩阵输入至预先训练的神经网络自编码器之前，还包括：对所述下行信道矩阵进行离散傅里叶变换，将所述下行信道矩阵从空间-频率域变换到角度-时延域后，截取所述下行信道矩阵的非零子矩阵。
进一步地，所述神经网络自编码器基于量化器特征设计的自适应分布调整器训练得到，包括：获取参考信道模型的参考信道矩阵，并基于所述参考信道矩阵生成训练数据集；根据所述训练数据集，利用所述基于量化器特征设计的自适应分布调整器对编解码器神经网络进行端到端训练，并在训练过程中变更网络的收敛方向，直到所述网络收敛时，得到所述神经网络自编码器。
本申请第二方面实施例提供一种信道量化反馈方法，所述方法应用于基站端，其中，所述方法包括以下步骤：获取所述用户端通过上行链路反馈的比特序列，对所述比特序列进行解量化，得到信道特征向量；将所述信道特征向量输入至预先训练的神经网络自解码器，对所述信道特征向量进行解压缩，得到所述用户端的下行信道矩阵。
进一步地，所述神经网络自解码器基于量化器特征设计的自适应分布调整器训练得到，包括：获取参考信道模型的参考信道矩阵，并基于所述参考信道矩阵生成训练数据集；根据所述训练数据集，利用所述基于量化器特征设计的自适应分布调整器对编解码器神经网络进行端到端训练，并在训练过程中变更网络的收敛方向，直到所述网络收敛时，得到所述神经网络自解码器。
本申请第三方面实施例提供一种信道量化反馈装置，所述装置应用于用户端，其中，所述装置包括：第一获取模块，用于获取所述用户端的下行信道矩阵的维度；第一输入模块，用于将所述下行信道矩阵输入至预先训练的神经网络自编码器，对所述下行信道矩阵进行信道特征提取和维度压缩，得到压缩后的信道特征向量；反馈模块，用于对所述信道特征向量进行量化，得到比特序列，并将所述比特序列通过所述用户端的上行链路反馈给所述基站端，使得所述基站端依次进行解量化和解压缩后得到所述下行信道矩阵。
进一步地，所述第一获取模块用于：获取正交频分复用OFDM子载波个数和基站端的天线个数；根据所述OFDM子载波个数和所述天线个数估计得到所述下行信道矩阵的维度。
进一步地，还包括：处理模块，用于在将所述下行信道矩阵输入至预先训练的神经网络自编码器之前，对所述下行信道矩阵进行离散傅里叶变换，将所述下行信道矩阵从空间-频率域变换到角度-时延域后，截取所述下行信道矩阵的非零子矩阵。
进一步地，还包括：第一训练模块，用于获取参考信道模型的参考信道矩阵，并基于所述参考信道矩阵生成训练数据集；根据所述训练数据集，利用所述基于量化器特征设计的自适应分布调整器对编解码器神经网络进行端到端训练，并在训练过程中变更网络的收敛方向，直到所述网络收敛时，得到所述神经网络自编码器。
本申请第四方面实施例提供一种信道量化反馈装置，所述装置应用于基站端，其中，所述装置包括：第二获取模块，用于获取所述用户端通过上行链路反馈的比特序列，对所述比特序列进行解量化，得到信道特征向量；第二输入模块，用于将所述信道特征向量输入至预先训练的神经网络自解码器，对所述信道特征向量进行解压缩，得到所述用户端的下行信道矩阵。
进一步地，还包括：第二训练模块，用于获取参考信道模型的参考信道矩阵，并基于所述参考信道矩阵生成训练数据集；根据所述训练数据集，利用所述基于量化器特征设计的自适应分布调整器对编解码器神经网络进行端到端训练，并在训练过程中变更网络的收敛方向，直到所述网络收敛时，得到所述神经网络自解码器。
本申请第五方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的信道量化反馈方法。
本申请第六方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的信道量化反馈方法。
由此，本申请至少具有如下有益效果：
利用量化器的特征设计对应的自适应分布调整器，改变神经网络压缩后的信道信息数据分布特点，自适应地提高待量化数据与量化器的适配度，提高量化精度，降低量化误差，进一步提高整体信道信息压缩反馈的性能，提高神经网络信道信息反馈系统实际部署的可靠性。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请第一实施例提供的信道量化反馈方法的流程图；
图2为根据本申请第二实施例提供的信道量化反馈方法的流程图；
图3为根据本申请第三实施例提供的信道量化反馈方法的流程图；
图4为根据本申请实施例提供的信道量化反馈训练的流程图；
图5为根据本申请第四实施例提供的信道量化反馈方法的流程图；
图6为根据本申请实施例提供的采用自适应分布调整器前后的压缩特征向量的数据累积分布函数曲线；
图7为根据本申请第一实施例提供的信道量化反馈装置的结构示意图；
图8为根据本申请第二实施例提供的信道量化反馈装置的结构示意图；
图9为根据本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面将参考附图描述本申请实施例的信道量化反馈方法、装置、电子设备及存储介质，其中，本申请实施例通过自适应分布调整器降低基于神经网络的MIMO信道量化压缩反馈系统中量化误差的方法，主要应用于采用神经网络进行信道信息反馈的FDD(Frequency Division Duplexing，频分双工)系统中，以优化信道信息反馈的量化压缩性能，提高反馈准确率，且以下实施例中，基站端是多天线阵列，用户端是单天线。
具体而言，图1为本申请实施例所提供的一种信道量化反馈方法的流程示意图，其中，图1所示的方法应用于用户端。
如图1所示，该信道量化反馈方法包括以下步骤：
在步骤S101中，获取用户端的下行信道矩阵的维度。
在本申请实施例中，获取用户端的下行信道矩阵的维度，包括：获取OFDM子载波个数和基站端的天线个数；根据OFDM子载波个数和天线个数估计得到下行信道矩阵的维度。
可以理解的是，本申请实施例根据预设通信需求以及通信系统确定系统参数，包括OFDM子载波个数Nc与基站端天线数Nt，进一步给出下行信道矩阵
的维度。
具体而言，本申请实施例可以根据通信系统与场景设定，确定OFDM子载波个数Nc以及基站端天线数Nt，并根据FDD系统中OFDM子载波的个数Nc以及基站端天线数Nt确定用户端信道估计得到的下行信道矩阵的维度，由此确定下行信道矩阵
的维度。
在步骤S102中，将下行信道矩阵输入至预先训练的神经网络自编码器，对下行信道矩阵进行信道特征提取和维度压缩，得到压缩后的信道特征向量。
可以理解的是，本申请实施例可以将矩阵输入到训练好的基于神经网络的自编码器中，得到压缩后的信道特征向量v。
在本申请实施例中，在将下行信道矩阵输入至预先训练的神经网络自编码器之前，还包括：对下行信道矩阵进行离散傅里叶变换，将下行信道矩阵从空间-频率域变换到角度-时延域后，截取下行信道矩阵的非零子矩阵。
可以理解的是，本申请实施例可以将下行信道矩阵进行两次离散傅里叶变换，从空间-频率域变换到角度-时延域，利用毫米波信道的稀疏性，截取变换后的非零子阵。
具体而言，对于毫米波FDD系统，将其通过两次离散傅里叶变换转换到角度-时延域，由于毫米波信道在时延域的稀疏性，角度-时延域的信道矩阵只有有限的几行非零，其余元素大部分接近于零，忽略这些零元素对于信息的损失是有限的。因此可以截取其中非零子阵H，作为信道反馈的对象。
需要说明的是，离散傅里叶变换操作针对任意OFDM子载波个数Nc以及基站端天线数Nt均可通用；截取非零子阵的具体方式由实际信道条件决定：当信道时延较高或较复杂时所截取的非零子阵较大，反之则只需要较小的非零子阵。本申请实施例是否采用离散傅里叶变换均是可行的方案，如果不进行离散傅里叶变换，则直接将空间-频率域的信道矩阵输入到自编码器中进行压缩。本申请实施例并不限定于上述的系统条件和通信环境，只要在基于神经网络自编码器和自解码器的MIMO信道量化压缩反馈系统中使用了自适应的分布调整器用于优化量化性能，均在本申请实施例的范围之内。
在本申请实施例中，神经网络自编码器基于量化器特征设计的自适应分布调整器训练得到，包括：获取参考信道模型的参考信道矩阵，并基于参考信道矩阵生成训练数据集；根据所述训练数据集，利用所述基于量化器特征设计的自适应分布调整器对编解码器神经网络进行端到端训练，并在训练过程中变更网络的收敛方向，直到所述网络收敛时，得到所述神经网络自编码器。
可以理解的是，在训练过程中，通过根据量化器特征设计自适应分布调整器，通过损失函数等途径影响网络的训练过程，使网络学习具备主动调整数据分布的能力，以与量化器更加匹配，获取更好的量化效果，进而提高整体的量化反馈精度。
具体而言，考虑量化的MIMO信道压缩反馈网络(含自编码器和自解码器)的网络设计与训练策略，包括：
(1)从实际环境中采集批量数据或采用已有的成熟信道模型批量生成，将得到的信道矩阵经过上述实施例描述的离散傅里叶变换与非零子阵切割等预处理后，生成可以用于端到端训练的数据集。
(2)根据采用的量化器特点设计针对性的自适应分布调整器，并在训练阶段通过引入自适应分布调整器影响网络训练过程，使网络学习主动调整数据分布的能力。例如对于μ律量化器，在损失函数中引入待量化数据的一范数正则项。
(3)设计好自适应分布调整器后，在训练阶段，对于整个网络使用已有的数据集进行端到端训练，其中优化器采用ADAM，损失函数采用MSE(Mean Square Error，平均平方误差)作为基础。
(4)对于训练中出现的量化器模块不可导问题，采用梯度直连的方式进行解决，即将后一层的梯度直接反传回前一层，只在维度上进行调整，这样可以保证正常的梯度反传与更新，实现端到端训练和更新。
(5)训练完成后，自编码器与自解码器网络在能够完成特征提取与压缩重建之外，具有主动调整数据分布以适配量化器的能力，而自适应分布调整器只在训练阶段发挥作用，在部署时只部署编解码器与量化模块部分即可。
需要说明的是，(1)本申请实施例可以引入自适应分布调整的模块，以在训练神经网络自编码器与自解码器的过程中，使网络学习具有主动调整数据分布的能力，以更好地与量化器进行匹配。自适应分布调整器的设计根据量化器的特点、数据的分布特征不同而不同。例如可以采用损失函数正则的方式引导网络的收敛。无论采用的自适应分布调整器模块具体形式如何，只要其是通过引入数据分布与量化器特点这一先验知识，并设计某种训练方式或结构使网络具有主动调整数据分布的能力，以适配于量化器特点。
(2)本申请实施例的方法应用于FDD系统中，但在TDD(Time Division Duplexing，时分双工)系统需要进行信道量化反馈时，可以采用同样的方法进行处理，因此也可以使用本申请实施例提出的自适应分布调整器，对于TDD系统，也可以在基于神经网络自编码器和自解码器的MIMO信道量化压缩反馈中使用了自适应分布调整器。
(3)基于神经网络的MIMO信道自编码器与自解码器可以有各种不同的设计，如利用残差网络、利用多分辨率网络、利用注意力机制增强网络等。自编码器与自解码器网络的各种设计结构对本申请实施例而言并不限定，只要在MIMO系统量化压缩网络的设计中使用了自适应分布调整器来针对量化环节进行优化。
(4)对MIMO信道量化压缩网络(含自编码器和自解码器)有效的学习率自动调整策略，即学习率先从0以线性速度上升至最大值，再从最大值以余弦曲线下降为0，学习率的最高点与最低点，以及上升与下降的速度都可以根据训练情况进行调整。
在步骤S103中，对信道特征向量进行量化，得到比特序列，并将比特序列通过用户端的上行链路反馈给基站端，使得基站端依次进行解量化和解压缩后得到下行信道矩阵。
可以理解的是，本申请实施例将信道特征向量通过某种量化器进行量化，将量化后的比特序列作为实际反馈传输的信息，该比特流通过理想上行反馈信道后在基站端进行接收。由此，本申请实施例可以将信道特征向量中的元素通过某种量化器得到可用于实际传输的比特序列；用户端通过上行链路反馈该比特序列，而不是直接反馈估计到的原始信道矩阵，从而降低了信道反馈的开销。
具体而言，(1)自编码器经过合适的训练之后，在信息维度方面，会将信道信息矩阵H转化为压缩的特征向量v，使得v的规模降低为H的几分之一到几十分之一不等，用户端只需反馈v而无需反馈H，由此可以显著降低反馈开销。与此同时，在数据分布方面，通过自适应分布调整器的训练，自编码器会主动调整数据的分布，以更加符合量化器所适用的数据分布特点，进一步降低量化误差。
(2)压缩后的特征向量v经过量化器得到实际传输的比特序列，量化器的具体设计不在本申请实施例所考虑的范围内，可以直接采用已有的较为常见的量化器如μ律量化器、均匀量化器等；
(3)量化后的信道信息比特序列经过理想上行链路进行反馈，基站端接收后，通过对应的解量化器、神经网络自解码器恢复成原始角度-时延域的非零信道子阵
而后通过补零与两次离散逆傅里叶变换获取原始下行信道矩阵
在本申请实施例中，对信道特征向量的量化器设计可以有各种不同的方案，如均匀量化、μ律量化、A律量化等。量化器的不同结构可能会对于自适应分布调整器的具体设计参数有影响，但并不影响通过自适应分布调整器影响网络训练使其主动调整数据分布的设计思路。故在不同的量化方式下，可以在MIMO信道量化压缩网络的设计中引入了自适应分布调整器来针对量化环节进行优化。其中，针对μ律量化器，本申请实施例可以在损失函数中增加待量化数据的一范数正则，以增强数据分布的集中程度。除此之外，可扩展的设计方式还有设计参数可训练的量化器模块，设计专门的数据预处理网络以调整数据分布等。
具体而言，对于一个量化过程，数据的分布和量化器的特点是否适配会很大程度上影响量化的性能，比如μ律量化器较为适合处理集中分布于零附近的数据，而处理均匀分布的数据则效果较差。本申请实施例引入自适应的分布调整器，在自编码器-自解码器神经网络训练阶段，分布调整器会通过调整损失函数、引入额外网络、设计参数可学习量化器等方式，影响网络的训练过程，使得神经网络在进行特征提取压缩的同时，能够调整数据的分布以更好地适配于量化器的特点。比如在量化器选用μ律量化器的情况下，分布调整器通过调整损失函数，增加正则项，可以使神经网络通过训练获取将数据分布更加集中于零附近的能力。实际上分布调整器的引入是利用系统特点的先验知识而引导神经网络系统的训练。通过上述自适应分布调整器技术，本申请实施例设计了基于分布调整器的MIMO信道压缩反馈系统，降低了量化带来的信道信息压缩反馈中的信息损失，提高了量化后的系统反馈性能。
根据本申请实施例的信道量化反馈方法，利用量化器的特征设计对应的自适应分布调整器，改变神经网络压缩后的信道信息数据分布特点，自适应地提高待量化数据与量化器的适配度，提高量化精度，降低量化误差，进一步提高整体信道信息压缩反馈的性能，提高神经网络信道信息反馈系统实际部署的可靠性。
其次参照附图描述根据本申请实施例提出的信道量化反馈方法。
图2是本申请实施例的信道量化反馈方法的流程图，其中，图2所示的方法应用于基站端。如图2所示，方法包括以下步骤：
在步骤S201中，获取用户端通过上行链路反馈的比特序列，对比特序列进行解量化，得到信道特征向量；
在步骤S102中，将信道特征向量输入至预先训练的神经网络自解码器，对信道特征向量进行解压缩，得到用户端的下行信道矩阵。
可要理解的是，基站端接收到量化后的信道比特序列后，首先经过解量化器恢复为数值化的信道特征向量，再将其输入到基于神经网络的自解码器以还原下行角度-时延域信道非零子阵；最后在该子阵的基础上补零，进行两次离散逆傅里叶变换，以在基站端得到原始的空间-频率域下行信道。
具体而言，(1)基站端接收到无损的信道特征比特序列后，将该序列经过对应的解量化器，得到仅含有量化误差的信道特征向量
(2)将特征向量
输入基于神经网络的自解码器，经过恰当训练的自解码器可以恢复出原始的非零角度-时延域子阵
从而完成低开销的MIMO系统下行信道反馈；
(3)最后基站端对子阵
进行补零以及两次离散逆傅里叶变换，从而得到原始空间-频率域的下行信道矩阵
从而完成整个下行信道压缩反馈过程。
在本申请实施例中，神经网络自解码器基于量化器特征设计的自适应分布调整器训练得到，包括：获取参考信道模型的参考信道矩阵，并基于参考信道矩阵生成训练数据集；根据所述训练数据集，利用所述基于量化器特征设计的自适应分布调整器对编解码器神经网络进行端到端训练，并在训练过程中变更网络的收敛方向，直到所述网络收敛时，得到所述神经网络自解码器。
需要说明的是，自解码器与自编码器的训练方式相同，可以参照上述实施例的相关解释，为避免冗余，不在赘述。
综上，相比于相关技术的MIMO信道反馈方法，本申请实施例的基于神经网络自编码器-自解码器的MIMO信道反馈具有更好的反馈效果。在考虑量化的情况下，由于量化误差的引入，上述反馈系统的性能往往会发生较大的降退，而本申请实施例可以通过引入自适应分布调整器，在训练过程中引导自编码器-自解码器神经网络在进行特征提取和压缩的同时，进行数据的分布调整，从而提高量化器的适配度，降低量化误差。
上述实施例分别从用户端和基站端对信道量化反馈方法进行了阐述，下面将综合用户端和基站端对信道量化反馈方法进行阐述，如图3所示，包括以下步骤：
S301：用户端通过前序模块获取到MIMO系统下行信道估计的结果。
S302：对信道估计获得的MIMO系统下行信道矩阵
进行两次离散傅里叶变换，将其从原始的空间-频率域变换到角度-时延域。然后利用毫米波信道在角度-时延域的稀疏性，只截取其中非零子阵H送入装置下一模块。
S303：将上一模块获取的角度-时延域的非零信道子阵输入到经过合适训练的自编码器神经网络中，进行信道特征的提取和压缩，最终获得压缩后的信道特征向量v。
S304：压缩后的信道特征向量v输入到特定的量化器中进行量化，将其中每个元素由浮点数量化为比特序列，最终形成可供数字信道传输的信息比特流。
S305：将压缩并量化后的信道特征向量比特序列经过上行数字传输信道进行无损的传输。本装置中不对无损上行数字链路传输技术进行额外的补充说明。
S306：基站端获取到信道特征向量比特序列后，采用对应的解量化器，将比特序列恢复为浮点数向量
并输入到后续模块进行解码。
S307：将信道特征向量
输入到经过合适训练的解码器当中，进行信道维度的扩展以及空域信息特征的恢复，输出解压缩后的角度-时延域非零信道子阵
需要说明的是，此处恢复得到的非零信道子阵与S302中获取的角度-时延域的非零信道子阵有一定的差别。差别主要来自于两个方面，一方面是特征压缩与解压缩中的信息损失，本申请实施例中通过对自编码器与自解码器神经网络的充分恰当训练可以尽量降低压缩反馈中带来的信息损失；另一方面是量化与重建过程中带来的量化误差，会使得S303输出的信道特征向量v与S307输入的信道特征向量
有一定的误差，这也会进一步带来重建恢复的信息损失，本申请实施例中的自适应分布调整器通过调整数据分布，可以尽量降低该部分的量化误差。
S308：通过补零与两次离散逆傅里叶变换，本模块可以将前序模块获得的角度-时延域非零信道子阵恢复为最初的空间-频率域的MIMO系统下行信道矩阵
从而完成整个MIMO下行信道的压缩反馈传输过程。实际上涉及到的补零与离散傅里叶变换基本不引入信息的损失。
S309：基站端最终获取到了空间-频率域的MIMO系统下行信道矩阵
可以用于后续波束赋形等模块。
S310：自适应分布调整器通过利用数据分布特点与量化器特点这些先验知识，进行适当的设计，在自编码器、自解码器神经网络训练阶段，通过改变损失函数等操作，引导神经网络的收敛方向，从而使得神经网络具备主动调整数据分布的能力，以更好地适配量化器的特点。分布调整器的具体设计方式根据不同的量化器与数据分布可以采取不同的设计思路。
为此，本申请实施例还设计了基于自适应分布调整器的MIMO信道量化反馈装置的端到端训练与部署策略，以实现较好的压缩反馈性能，具体方法如下：
首先进行数据准备。一般有两种数据获取方式：一种可以采用已有的信道模型进行仿真，批量生成信道数据；另一种可以利用专业的设备从实际环境中采集信道数据。前者成本较低，但由于实际信道与信道模型仍然存在差别，所以实际部署时可能存在性能降退；后者数据获取的成本较高，但训练后的网络在实际环境中表现一般更好。获取数据后将其拆分成训练集和测试集，两个集合要求无重复的数据。
而后将自编码器与自解码器连接在一起进行端到端训练，并在该阶段引入自适应分布调整器引导网络的训练。具体而言，将自编码器的输出即压缩后的信道特征向量经过量化及重建后，作为自解码器的输入；自解码器输出的角度-时延域非零信道子阵与其真值计算平均平方误差(MSE)，作为损失函数。对损失函数求导进行反向传播，即利用链式法则自动求导获取每个层的梯度。在获取梯度后，利用ADAM优化器给出自适应学习率，对各个层的参数进行更新。
上述端到端学习的策略会根据自适应分布调整器的设计进行适当调整，例如对于针对μ律量化器所设计的基于损失函数正则的分布调整器，其将传输的信道特征向量的一范数作为正则项，由此损失函数中包括两项，一项是MSE，另一项是一范数正则，此时该正则项会影响梯度反传，从而通过训练使信道特征向量中的元素向更加集中于零的方向移动，从而达到针对μ律量化器的更佳的量化效果。
而在部署阶段，直接部署已经训练完成的自编码器与自解码器，并使用对应量化策略即可，自适应分布调整器一般不占用额外的部署开销。此时自编码器与自解码器已经具备了主动调整数据分布的能力，从而可以实现更低的量化误差。
上述端到端学习的训练过程需要针对量化器做一定的特殊处理，这是因为量化过程本身是不可导的，所以无法直接计算梯度，会打断上述的梯度反传的过程。此时本申请实施例采用梯度直连的方式，将量化器后一层的梯度直接反传回上一层进行梯度更新，只对梯度向量维度做适当调整，从而保证梯度传播的完整性。图4将训练流程制成了框图，包括：
S401：采用已有的信道模型进行仿真或者在实际环境中进行采集，获取数据集。将获得的信道矩阵进行傅里叶变换、截取非零子阵等预处理后作为训练数据集。
S402：进行数据前传，完成信道压缩、量化以及解量化、解压缩的过程，获得恢复后的信道矩阵。
S403：将相关信息输入到损失函数计算器中，用于计算损失函数。损失函数主要包括利用恢复后的信道矩阵与原信道矩阵计算出的MSE部分，用于表征网络对于信道压缩重建的性能。除此之外，损失函数还可能包括由自适应分布调整器设计导出的正则项。
S404：对该损失函数进行求导，基于该损失函数进行反向传播，自动求导获取各层的梯度。在反传通过量化层时采用梯度直连的方式，保证梯度传播的完整性。
S405：各层根据已经计算出的梯度，利用优化器(ADAM)，采用合适的学习率，对整个网络参数进行自动更新。整个训练流程重置循环进行。
下面将通过具体实施例对基于自适应分布调整器的MIMO信道量化反馈方法进行进一步阐述，如图5所示，包括以下步骤：
S501：对于FDD大规模MIMO系统，根据已有通信系统的硬件和系统软件情况，确定OFDM子载波个数Nc以及基站端天线数Nt，从而给出合并各个子载波的整体下行信道
的维度，也即Nc×Nt。本实例中选取Nc＝1024,Nt＝32.将其通过两次离散傅里叶变换将
变换到角度-时延域后得到矩阵
如下公式所示：
其中X和Y分别是对应维度的离散傅里叶变换矩阵。由于FDD MIMO信道在时延域的稀疏性，
只有有限而且集中的几行非零。本申请实施例忽略其中绝大部分近似为零的元素，只截取其中前Ns行组成的非零子阵H进行反馈，用公式表达如下：
此时带来的信道信息的损失是有限的。在本申请实施例中选取Ns＝32。则需要传输的复数矩阵维度由1024×32压缩为32×32，用浮点数(实数)矩阵表达则维度为2×32×32。
S502：在用户端，矩阵H经过神经网络自编码器进行压缩，自编码器由卷积层与全连接层级联组成，分别进行信道特征的提取与维度的压缩，最终将矩阵转化为压缩后的特征向量v，如下所示：
v＝E(H；ΘE)＝EFC(Econv(H；ΘE,conv)；ΘE,FC)，
其中，ΘE,ΘE,conv,ΘE,FC分别表示整个自编码器、自编码器中的卷积层、自编码器中的全连接层的待学习参数。经过压缩后的特征向量v的维度一般为原本矩阵H的几分之一到几十分之一不等，将显著降低反馈所需要的开销。此处的卷积层结构可以有多种设计方式，卷积核大小、数量等可以根据需求和性能进行调整。而全连接层的输出维度会被特征向量v的维度所约束，一般而言特征向量的维度为
其中λ为压缩倍数，从几到几十不等，则全连接层的输出维度为
在本实例中对于不同的压缩倍数都进行了测试。
S503：将特征向量v中的每个元素进行量化，以便于在实际信道中的传输，具体的量化方式可以自由选取，量化方式的选择也会影响到自适应分布调整器的设置。在本实例中，采取的量化方式是μ律量化，该量化方式对于信道信息反馈任务被证明具有较优的性能。μ律量化等类似的非线性量化的过程可以被描述为先将v中的每个元素通过压缩扩张函数Φ，而后对于分布更加平坦的数据进行均匀量化，而后在解量化端再进行反操作，将量化重建后的数据经过函数Φ-1，由此得到最终的量化恢复后的数据。对于μ律量化其压缩扩张函数描述如下：
其中x为待量化数据，μ是可调的超参数，一般根据x数据分布的集中程度进行选取，在本实例中，通过调整将μ设置为50。
在实际的部署中，可以采用分段折线来近似μ律量化的压缩扩张函数Φ，并可以极大地降低计算的开销。经过压缩扩张之后，采用均匀量化器进行量化，设置均匀量化器的量化位宽为B(一般远小于计算机存储浮点数的位宽)，则均匀量化重建过程可以描述为：
其中x为待量化数据。则经过量化后的传输数据比特数为
相比于直接传输浮点数的开销大大降低。
该数据比特流经过理想的上行数字传输信道传输到基站端，进行解码。该过程中的理想反馈技术不是本申请实施例所考虑的内容。
S504：基站端接收到比特序列后，经过对应的解量化器恢复出信道特征向量
而后将
输入到基于神经网络的自解码器，由维度对偶的全连接层级联以及后续的卷积层，将压缩得到的特征向量
恢复为原维度的信道矩阵
如下所示：
其中ΘD,ΘD,onv,ΘD,分别表示整个自解码器、自解码器中的卷积层、自解码器中的全连接层的待学习参数。经过恰当的训练后，自解码器恢复出的原始非零角度-时延域子阵
与原始的信道矩阵H充分接近。此处的全连接层维度与自编码器中的维度是相反的即
实际上，由于基站端的计算资源较为丰富，解码器的网络结构和参数量可以相对较大，从而实现更好的反馈性能。
S505：最后基站端进行补零与两次离散逆傅里叶变换，从非零角度-时延域子阵的恢复矩阵
获取原始的下行信道恢复值
完成完整的下行信道压缩反馈过程。
S506：自适应分布调整器的设计。在训练阶段，为了对自编码器、自解码器进行合适的训练，同时使其能够主动调整数据的分布以更加匹配量化器的特点。具体而言，对于本实例，自适应分布调整器会获取网络压缩后的信道特征向量，将其进行处理并调整整个网络的训练损失函数，由此可以引导网络的收敛方向。本实例采用的自适应分布调整器的模式是一范数正则。对于μ律量化器，其在处理集中分布于零附近的数据时效果较好，由此本申请实施例还引入待量化数据即压缩后的信道特征向量v的一范数正则，进行加权后添加到原有的损失函数中，由此使网络在训练过程中可以降低压缩后的信道特征向量v的一范数，使其中的元素更加接近于零。具体表示如下：
其中N表示训练数据集大小。由上式可得损失函数除了MSE还有对于压缩后的特征向量的一范数正则。一范数正则的具体描述为：
其中M表示向量的维度，则一范数正则即为对于向量中每个元素的绝对值求和。
根据以上的损失函数，通过训练，网络在学习将恢复前后的信道向量尽量接近的同时，也会学习使得压缩后的信道特征向量v中的元素的绝对值更小，即更加集中于零附近，由此会对于μ律量化的性能有所提高。
下面通过图6对于采用自适应分布调整器的效果进行描述，对于室外、压缩率λ为8的情况下，采用自适应分布调整器后的信道特征向量的数据累积分布函数相比于不使用分布调整器的曲线在零附近要更加陡峭，说明此时数据分布更加集中于零附近。由此证明了上述分布调整器对于主动调整信道数据分布的能力。
需要说明的是，(1)在本具体实例中，训练数据由实际采集、或者由已有的信道模型(COST2100模型、3GPP TR.38.901UMi NLOS模型或简单Saleh-Valenzuela模型等)进行生成。以COST2100的高频室内场景为例，在基于ADAM优化器以及动态调整学习率进行训练后，在采用μ律进行量化的情况下，上述一范数正则自适应分布调整器可以提高整体信道压缩反馈的性能，减小量化对于性能的影响。
(2)在本申请实例中针对μ律量化器设计并采用了基于一范数正则的自适应分布调整器。该调整器除了能够通过训练引导网络具备主动调整数据分布的能力外，不向网络添加任何其他参数，对于部署阶段而言是完全没有任何额外开销的，即这种性能的提升可以不付出任何额外代价而获得，这对于资源紧张的部署环境是十分重要的。除此之外，该分布调整器仅仅通过损失函数的改变生效，对于训练方式、网络结构、部署条件等均没有额外要求和调整，即其较为容易迁移到其他的网络模型，具有一定的普适性。
(3)自适应分布调整器的结构，需要根据量化器、数据分布特点等先验知识进行设计。本申请实例中由于一范数正则高度适配μ律量化器的条件，所以表现出较好的效果。对于其他的量化器、通信场景等，可以进行其他的自适应分布调整器设计。可能的设计思路包括调整损失函数、添加专门的数据分布调整网络、设计参数可训练的自适应量化器等。
其次参照附图描述根据本申请实施例提出的信道量化反馈装置。
图7是本申请实施例的信道量化反馈装置的方框示意图，其中，装置应用于用户端。
如图7所示，该信道量化反馈装置100包括：第一获取模块110、第一输入模块120和反馈模块130。
其中，第一获取模块110用于获取用户端的下行信道矩阵的维度；第一输入模块120用于将下行信道矩阵输入至预先训练的神经网络自编码器，对下行信道矩阵进行信道特征提取和维度压缩，得到压缩后的信道特征向量；反馈模块130用于对信道特征向量进行量化，得到比特序列，并将比特序列通过用户端的上行链路反馈给基站端，使得基站端依次进行解量化和解压缩后得到下行信道矩阵。
在本申请实施例中，第一获取模块100用于：获取正交频分复用OFDM子载波个数和基站端的天线个数；根据OFDM子载波个数和天线个数估计得到下行信道矩阵的维度。
在本申请实施例中，本申请实施例的装置100还包括：处理模块和第一训练模块。
其中，处理模块，用于在将下行信道矩阵输入至预先训练的神经网络自编码器之前，对下行信道矩阵进行离散傅里叶变换，将下行信道矩阵从空间-频率域变换到角度-时延域后，截取下行信道矩阵的非零子矩阵；第一训练模块，用于获取参考信道模型的参考信道矩阵，并基于参考信道矩阵生成训练数据集；根据所述训练数据集，利用所述基于量化器特征设计的自适应分布调整器对编解码器神经网络进行端到端训练，并在训练过程中变更网络的收敛方向，直到所述网络收敛时，得到所述神经网络自编码器。
需要说明的是，前述对信道量化反馈方法实施例的解释说明也适用于该实施例的信道量化反馈装置，此处不再赘述。
根据本申请实施例提出的信道量化反馈装置，利用量化器的特征设计对应的自适应分布调整器，改变神经网络压缩后的信道信息数据分布特点，自适应地提高待量化数据与量化器的适配度，提高量化精度，降低量化误差，进一步提高整体信道信息压缩反馈的性能，提高神经网络信道信息反馈系统实际部署的可靠性。
其次参照附图描述根据本申请实施例提出的信道量化反馈装置。
图8是本申请实施例的信道量化反馈装置的方框示意图，其中，装置应用于基站端。
如图8所示，该信道量化反馈装置200包括：第二获取模块210和第二输入模块220。
其中，第二获取模块210用于获取用户端通过上行链路反馈的比特序列，对比特序列进行解量化，得到信道特征向量；第二输入模块220用于将信道特征向量输入至预先训练的神经网络自解码器，对信道特征向量进行解压缩，得到用户端的下行信道矩阵。
在本申请实施例中，本申请实施例的装置200还包括：第二训练模块。其中，第二训练模块，用于获取参考信道模型的参考信道矩阵，并基于参考信道矩阵生成训练数据集；根据所述训练数据集，利用所述基于量化器特征设计的自适应分布调整器对编解码器神经网络进行端到端训练，并在训练过程中变更网络的收敛方向，直到所述网络收敛时，得到所述神经网络自解码器。
需要说明的是，前述对信道量化反馈方法实施例的解释说明也适用于该实施例的信道量化反馈装置，此处不再赘述。
根据本申请实施例提出的信道量化反馈装置，利用量化器的特征设计对应的自适应分布调整器，改变神经网络压缩后的信道信息数据分布特点，自适应地提高待量化数据与量化器的适配度，提高量化精度，降低量化误差，进一步提高整体信道信息压缩反馈的性能，提高神经网络信道信息反馈系统实际部署的可靠性。
图9为本申请实施例提供的电子设备的结构示意图。该用户端可以包括：
存储器901、处理器902及存储在存储器901上并可在处理器902上运行的计算机程序。
处理器902执行程序时实现上述实施例中提供的信道量化反馈方法。
进一步地，用户端还包括：
通信接口903，用于存储器901和处理器902之间的通信。
存储器901，用于存放可在处理器902上运行的计算机程序。
存储器901可能包含高速RAM(Random Access Memory，随机存取存储器)存储器，也可能还包括非易失性存储器，例如至少一个磁盘存储器。
如果存储器901、处理器902和通信接口903独立实现，则通信接口903、存储器901和处理器902可以通过总线相互连接并完成相互间的通信。总线可以是ISA(IndustryStandard Architecture，工业标准体系结构)总线、PCI(Peripheral Component，外部设备互连)总线或EISA(Extended Industry Standard Architecture，扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器901、处理器902及通信接口903，集成在一块芯片上实现，则存储器901、处理器902及通信接口903可以通过内部接口完成相互间的通信。
处理器902可能是一个CPU(Central Processing Unit，中央处理器)，或者是ASIC(Application Specific Integrated Circuit，特定集成电路)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的信道量化反馈方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”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”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列，现场可编程门阵列等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种信道量化反馈方法，其特征在于，所述方法应用于用户端，其中，所述方法包括以下步骤：
获取所述用户端的下行信道矩阵的维度；
将所述下行信道矩阵输入至预先训练的神经网络自编码器，对所述下行信道矩阵进行信道特征提取和维度压缩，得到压缩后的信道特征向量；以及
对所述信道特征向量进行量化，得到比特序列，并将所述比特序列通过所述用户端的上行链路反馈给所述基站端，使得所述基站端依次进行解量化和解压缩后得到所述下行信道矩阵。
2.根据权利要求1所述的方法，其特征在于，所述获取用户端的下行信道矩阵的维度，包括：
获取正交频分复用OFDM子载波个数和基站端的天线个数；
根据所述OFDM子载波个数和所述天线个数估计得到所述下行信道矩阵的维度。
3.根据权利要求1所述的方法，其特征在于，在将所述下行信道矩阵输入至预先训练的神经网络自编码器之前，还包括：
对所述下行信道矩阵进行离散傅里叶变换，将所述下行信道矩阵从空间-频率域变换到角度-时延域后，截取所述下行信道矩阵的非零子矩阵。
4.根据权利要求1-3任意一项所述的方法，其特征在于，所述神经网络自编码器基于量化器特征设计的自适应分布调整器训练得到，包括：
获取参考信道模型的参考信道矩阵，并基于所述参考信道矩阵生成训练数据集；
根据所述训练数据集，利用所述基于量化器特征设计的自适应分布调整器对编解码器神经网络进行端到端训练，并在训练过程中变更网络的收敛方向，直到所述网络收敛时，得到所述神经网络自编码器。
5.一种信道量化反馈方法，其特征在于，所述方法应用于基站端，其中，所述方法包括以下步骤：
获取所述用户端通过上行链路反馈的比特序列，对所述比特序列进行解量化，得到信道特征向量；
将所述信道特征向量输入至预先训练的神经网络自解码器，对所述信道特征向量进行解压缩，得到所述用户端的下行信道矩阵。
6.根据权利要求5所述的方法，其特征在于，所述神经网络自解码器基于量化器特征设计的自适应分布调整器训练得到，包括：
获取参考信道模型的参考信道矩阵，并基于所述参考信道矩阵生成训练数据集；
根据所述训练数据集，利用所述基于量化器特征设计的自适应分布调整器对编解码器神经网络进行端到端训练，并在训练过程中变更网络的收敛方向，直到所述网络收敛时，得到所述神经网络自解码器。
7.一种信道量化反馈装置，其特征在于，所述装置应用于用户端，其中，所述装置包括：
第一获取模块，用于获取所述用户端的下行信道矩阵的维度；
第一输入模块，用于将所述下行信道矩阵输入至预先训练的神经网络自编码器，对所述下行信道矩阵进行信道特征提取和维度压缩，得到压缩后的信道特征向量；以及
反馈模块，用于对所述信道特征向量进行量化，得到比特序列，并将所述比特序列通过所述用户端的上行链路反馈给所述基站端，使得所述基站端依次进行解量化和解压缩后得到所述下行信道矩阵。
8.一种信道量化反馈装置，其特征在于，所述装置应用于基站端，其中，所述装置包括：
第二获取模块，用于获取所述用户端通过上行链路反馈的比特序列，对所述比特序列进行解量化，得到信道特征向量；
第二输入模块，用于将所述信道特征向量输入至预先训练的神经网络自解码器，对所述信道特征向量进行解压缩，得到所述用户端的下行信道矩阵。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-6任一项所述的信道量化反馈方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-6任一项所述的信道量化反馈方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210476341.0A CN115001629B (zh) | 2022-04-29 | 2022-04-29 | 信道量化反馈方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210476341.0A CN115001629B (zh) | 2022-04-29 | 2022-04-29 | 信道量化反馈方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115001629A true CN115001629A (zh) | 2022-09-02 |
| CN115001629B CN115001629B (zh) | 2024-03-12 |
Family
ID=83024815
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210476341.0A Active CN115001629B (zh) | 2022-04-29 | 2022-04-29 | 信道量化反馈方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115001629B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115512717A (zh) * | 2022-11-21 | 2022-12-23 | 东北石油大学三亚海洋油气研究院 | 一种基于集成学习的二阶段单传感器管道泄漏定位方法 |
| CN117097382A (zh) * | 2023-08-30 | 2023-11-21 | 华南理工大学 | 一种基于人工智能的csi反馈增强方法、装置及介质 |
| WO2024065583A1 (en) * | 2022-09-30 | 2024-04-04 | Qualcomm Incorporated | Vector quantization methods for ue-driven multi-vendor sequential training |
| WO2024077621A1 (zh) * | 2022-10-14 | 2024-04-18 | 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 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108023617A (zh) * | 2016-11-04 | 2018-05-11 | 华为技术有限公司 | 信息反馈方法、用户设备和网络设备 |
| CN108737032A (zh) * | 2018-05-22 | 2018-11-02 | 西华大学 | 一种压缩叠加序列csi反馈方法 |
| CN110289898A (zh) * | 2019-07-18 | 2019-09-27 | 中国人民解放军空军预警学院 | 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 |
| 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 |
| CN113098805A (zh) * | 2021-04-01 | 2021-07-09 | 清华大学 | 基于二值化神经网络的高效mimo信道反馈方法及装置 |
| WO2021173331A1 (en) * | 2020-02-28 | 2021-09-02 | Qualcomm Incorporated | Neural network based channel state information feedback |
| CN113660020A (zh) * | 2021-06-25 | 2021-11-16 | 陕西尚品信息科技有限公司 | 一种无线通信信道信息传输方法、系统和解码器 |
-
2022
- 2022-04-29 CN CN202210476341.0A patent/CN115001629B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108023617A (zh) * | 2016-11-04 | 2018-05-11 | 华为技术有限公司 | 信息反馈方法、用户设备和网络设备 |
| CN108737032A (zh) * | 2018-05-22 | 2018-11-02 | 西华大学 | 一种压缩叠加序列csi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 |
| CN110289898A (zh) * | 2019-07-18 | 2019-09-27 | 中国人民解放军空军预警学院 | 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 |
| WO2021173331A1 (en) * | 2020-02-28 | 2021-09-02 | Qualcomm Incorporated | Neural network based channel state information feedback |
| CN113098805A (zh) * | 2021-04-01 | 2021-07-09 | 清华大学 | 基于二值化神经网络的高效mimo信道反馈方法及装置 |
| CN113660020A (zh) * | 2021-06-25 | 2021-11-16 | 陕西尚品信息科技有限公司 | 一种无线通信信道信息传输方法、系统和解码器 |
Non-Patent Citations (2)
| Title |
|---|
| 叶佩文;贾向东;杨小蓉;胡海霞;: "基于深度学习的自编码器端到端物理层优化方案", 计算机工程, no. 12 * |
| 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, no. 01 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024065583A1 (en) * | 2022-09-30 | 2024-04-04 | Qualcomm Incorporated | Vector quantization methods for ue-driven multi-vendor sequential training |
| WO2024077621A1 (zh) * | 2022-10-14 | 2024-04-18 | 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 |
| CN115512717A (zh) * | 2022-11-21 | 2022-12-23 | 东北石油大学三亚海洋油气研究院 | 一种基于集成学习的二阶段单传感器管道泄漏定位方法 |
| CN117097382A (zh) * | 2023-08-30 | 2023-11-21 | 华南理工大学 | 一种基于人工智能的csi反馈增强方法、装置及介质 |
| CN117097382B (zh) * | 2023-08-30 | 2024-10-11 | 华南理工大学 | 一种基于人工智能的csi反馈增强方法、装置及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115001629B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115001629B (zh) | 信道量化反馈方法、装置、电子设备及存储介质 | |
| CN109672464B (zh) | 基于fcfnn的大规模mimo信道状态信息反馈方法 | |
| 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 | |
| CN112737985B (zh) | 基于深度学习的大规模mimo信道联合估计和反馈方法 | |
| CN111464220B (zh) | 一种基于深度学习的信道状态信息重建方法 | |
| Lu et al. | Bit-level optimized neural network for multi-antenna channel quantization | |
| US8233556B2 (en) | Reduced feedback transmit beamforming | |
| CN111108706B (zh) | 用于压缩和/或解压缩信道状态信息的设备和方法 | |
| EP1832011B1 (en) | Closed-loop signalling method for controlling multiple transmit beams and correspondingly adapted transceiver devices | |
| CN103069759B (zh) | Mimo信道状态信息估计的方法和接收器 | |
| WO2021142631A1 (en) | Method, device and computer readable medium of communication | |
| CN105978674B (zh) | 基于压缩感知的fdd下大规模mimo信道估计的导频优化方法 | |
| CN113381950B (zh) | 基于网络聚合策略的高效mimo信道反馈方法及装置 | |
| CN110289898B (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 | |
| Chen et al. | A novel quantization method for deep learning-based massive MIMO CSI feedback | |
| US20240313839A1 (en) | Classification of csi compression quality | |
| CN113098804A (zh) | 一种基于深度学习与熵编码的信道状态信息反馈方法 | |
| WO2011124115A1 (en) | System and method for adapting codebooks | |
| 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 | |
| Xu et al. | Transformer empowered CSI feedback for massive MIMO systems | |
| CN113162665A (zh) | 一种基于深度学习信道预测的预编码方法 | |
| CN114157331A (zh) | 基于伪复值输入的大规模mimo信道状态信息反馈方法 | |
| CN113660020A (zh) | 一种无线通信信道信息传输方法、系统和解码器 | |
| CN108123741A (zh) | 基于重叠子阵列（osa）的波束赋形方法和设备 | |
| TWI669921B (zh) | 基於深度學習作為通道狀態資訊之回饋方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |