CN115085836B - 信道状态信息预测系统的设计方法、装置、设备及介质 - Google Patents

信道状态信息预测系统的设计方法、装置、设备及介质 Download PDF

Info

Publication number
CN115085836B
CN115085836B CN202210666057.XA CN202210666057A CN115085836B CN 115085836 B CN115085836 B CN 115085836B CN 202210666057 A CN202210666057 A CN 202210666057A CN 115085836 B CN115085836 B CN 115085836B
Authority
CN
China
Prior art keywords
state information
channel state
layer
neural network
prediction system
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
Application number
CN202210666057.XA
Other languages
English (en)
Other versions
CN115085836A (zh
Inventor
高嘉和
柯峰
陈林
刘重军
杨雨翰
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.)
South China University of Technology SCUT
Comba Network Systems Co Ltd
Original Assignee
South China University of Technology SCUT
Comba Network Systems Co Ltd
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 South China University of Technology SCUT, Comba Network Systems Co Ltd filed Critical South China University of Technology SCUT
Priority to CN202210666057.XA priority Critical patent/CN115085836B/zh
Publication of CN115085836A publication Critical patent/CN115085836A/zh
Application granted granted Critical
Publication of CN115085836B publication Critical patent/CN115085836B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • 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
    • H04B7/06—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]
    • 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)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Electromagnetism (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种信道状态信息预测系统的设计方法、装置、设备及介质，所述设计方法包括：构建残差神经网络，将残差神经网络作为信道状态信息预测器的主体结构，所述残差神经网络包括多层残差神经网络层；对信道状态信息预测器进行训练；在用户端中，构建信道状态信息预测系统，所述信道状态信息预测系统包括训练好的信道状态信息预测器、第一信道状态信息存储器和第二信道状态信息存储器；将信道状态信息预测系统与基站端进行交互，从而完成信道状态信息预测系统的设计。本发明通过构建残差神经网络和利用信道状态信息预测值，解决了传统通信系统中的信道状态信息因时延而反馈不准确的问题，同时也降低了信道环境变化所引起的性能损失。

Description

信道状态信息预测系统的设计方法、装置、设备及介质
技术领域
本发明涉及一种信道状态信息预测系统的设计方法、装置、设备及介质，属于无线通信技术领域。
背景技术
随着移动设备数量的快速增长以及通信需求的增大，通信技术也在迅速发展。得益于多输入多输出(Multiple-Input Multiple-Output，MIMO)技术的应用，通信系统容量大大提升。尤其是作为5G关键技术之一的大规模MIMO，其极大地提升了频谱效率，并且也将在6G系统中继续发挥作用。要想获得大规模MIMO带来的增益，准确的信道状态信息(Channel State Information，CSI)的获取是必要条件。
在时分双工(Time-Division Duplexing，TDD)系统中，因为上下行信道具有互易性，基站端可以根据下行信道的信道状态信息来获取上行信道的信道状态信息。而在频分双工(Frequency-Division Duplexing，FDD)系统中，上下行信道并不具备互易性，基站端需要给用户端发送导频，用户端根据导频估计出信道状态信息，经过量化后再上报反馈给基站端。在FDD系统获取下行信道状态信息的过程中，用户端测量出信道状态信息到基站端使用信道状态信息之间存在时间差，这个时间差称为时延，最终基站端获取到的下行信道状态信息并在使用时，信道状态信息因时延的存在而变得不精准。因此，如何克服时延并获取准确的信道状态信息成为一个重要的问题。信道状态信息预测可以有效地解决因时延导致信道状态信息不精准的问题。
目前，在通信系统中，信道状态信息预测方法基本都是使用均值计算或线性滤波器来实现，其能提供一定的预测性能。然而，对于非线性信道尤其是快衰落信道，均值计算和线性滤波器的性能非常受限，使得信道状态信息预测的效果较差。因此，如何设计出一个合适的信道状态信息预测系统具有重要的意义。
发明内容
有鉴于此，本发明提供了一种信道状态信息预测系统的设计方法、装置、计算机设备及存储介质，其通过构建残差神经网络和利用信道状态信息预测值，解决了传统通信系统中的信道状态信息因时延而反馈不准确的问题，同时也降低了信道环境变化所引起的性能损失。
本发明的第一个目的在于提供一种信道状态信息预测系统的设计方法。
本发明的第二个目的在于提供一种信道状态信息预测系统的设计装置。
本发明的第三个目的在于提供一种计算机设备。
本发明的第四个目的在于提供一种存储介质。
本发明的第一个目的可以通过采取如下技术方案达到：
一种信道状态信息预测系统的设计方法，所述方法包括：
构建残差神经网络，将残差神经网络作为信道状态信息预测器的主体结构，所述残差神经网络包括多层残差神经网络层，每层所述残差神经网络层包括两层子网络结构和一层用于生成残差的卷积层；
对信道状态信息预测器进行训练；
在用户端中，构建信道状态信息预测系统，所述信道状态信息预测系统包括训练好的信道状态信息预测器、第一信道状态信息存储器和第二信道状态信息存储器；
将信道状态信息预测系统与基站端进行交互，从而完成信道状态信息预测系统的设计。
进一步的，两层所述子网络结构跨接一层所述用于生成残差的卷积层；
所述构建残差神经网络，具体包括：
每层所述残差神经网络层依次连接，在连接完成之后，最后一层残差神经网络层与输出层连接，从而构建得到残差神经网络。
进一步的，两层所述子网络结构相同，所述子网络结构包括依次连接的填充层、时间序列卷积层、权重归一化层、ReLU激活函数、Dropout层；
所述用于生成残差的卷积层的卷积核大小为1×1；
所述输出层为全连接神经网络层。
进一步的，两层所述子网络结构分为第一子网络结构和第二子网络结构，其中第一子网络结构的Dropout层与第二子网络结构的填充层连接；
两层所述子网络结构跨接一层所述用于生成残差的卷积层，具体包括；
第一子网络结构的填充层与用于生成残差的卷积层连接；
第二子网络结构的Dropout层与用于生成残差的卷积层连接。
进一步的，所述填充层在输入的特征序列的前面填充0，其中0的个数与空洞卷积因子的取值相同；
所述空洞卷积因子的取值为2i-1，其中，i表示第i层残差神经网络层。
进一步的，所述第一信道状态信息存储器，用于存储信道状态信息测量值和传输信道状态信息测量值；所述第二信道状态信息存储器，用于存储信道状态信息预测值和传输信道状态信息预测值。
进一步的，在将信道状态信息预测系统与基站端进行交互的过程中，若信道状态信息预测的准确度小于预设阈值，则在当前训练好的信道状态信息预测器的基础上，并基于第一信道状态信息存储器所存储的历史信道状态信息测量值，更新所述信道状态信息预测器内的每层残差神经网络层中的时间序列卷积层的卷积核的权重参数，以及输出层的权重参数；
所述信道状态信息预测的准确度，如下式：
或为下式：
其中，N表示信道状态信息预测值的个数，表示信道状态信息预测值，C(n)表示对应的信道状态信息测量值。
本发明的第二个目的可以通过采取如下技术方案达到：
一种信道状态信息预测系统的设计装置，所述装置包括：
第一构建模块，用于构建残差神经网络，将残差神经网络作为信道状态信息预测器的主体结构，所述残差神经网络包括多层残差神经网络层，每层所述残差神经网络层包括两层子网络结构和一层用于生成残差的卷积层；
训练模块，用于对信道状态信息预测器进行训练；
第二构建模块，用于在用户端中，构建信道状态信息预测系统，所述信道状态信息预测系统包括训练好的信道状态信息预测器、第一信道状态信息存储器和第二信道状态信息存储器；
交互模块，用于将信道状态信息预测系统与基站端进行交互，从而完成信道状态信息预测系统的设计。
本发明的第三个目的可以通过采取如下技术方案达到：
一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的设计方法。
本发明的第四个目的可以通过采取如下技术方案达到：
一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的设计方法。
本发明相对于现有技术具有如下的有益效果：
1、本发明在信道变化的情况下和信道状态信息反馈时延的情况下，利用设计好的信道状态信息预测系统可以提高信道状态信息上报反馈的精准度，提升通信系统的性能。
2、本发明中的信道状态信息预测器采用多层残差神经网络层的叠加结构，可以获取信道状态信息测量值更长期的记忆特征，从而提高信道状态信息预测器的预测准确率；此外，使用残差神经网络层作为信道状态信息预测器的主要神经网络架构，可以并行地提取信道状态信息测量值的特征，减少信道状态信息预测器的训练时长。
3、本发明中的信道状态信息预测器在使用过程中引入模型参数更新机制，更有利于应对多变的信道环境。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例1的信道状态信息预测系统的设计方法的流程图。
图2为本发明实施例1的残差神经网络的架构图。
图3为本发明实施例1的残差神经网络层的架构图。
图4为本发明实施例1的信道状态信息预测系统的一次预测过程图。
图5为本发明实施例1的信道状态信息预测系统的应用示意图。
图6为本发明实施例1的信道状态信息预测系统的更新示意图。
图7为本发明实施例2的信道状态信息预测系统的设计装置的结构框图。
图8为本发明实施例3的计算机设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整的描述，显然，所描述的实施例是本发明的一部分实施例，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。
实施例1：
如图1所示，本实施例提供了一种信道状态信息预测系统的设计方法，该方法包括以下步骤：
S101、构建残差神经网络，将残差神经网络作为信道状态信息预测器的主体结构。
如图2和图3所示，本实施例中的残差神经网络包括多层残差神经网络层，每层残差神经网络层包括两层子网络结构和一层用于生成残差的卷积层，其中每层残差神经网络层，用于提取主要特征。
进一步地，在本实施例中，两层子网络结构跨接一层用于生成残差的卷积层；构建残差神经网络，具体为：每层残差神经网络层依次连接，在连接完成之后，最后一层残差神经网络层与输出层连接，从而构建得到残差神经网络。
本实施例将两层子网络结构称为残差神经网络层的第一部分；将一层用于生成残差的卷积层称为残差神经网络层的第二部分。
进一步地，在本实施例中，两层子网络结构相同，子网络结构包括依次连接的填充层、时间序列卷积层、权重归一化层、ReLU激活函数和Dropout层；用于生成残差的卷积层的卷积核大小为1×1；输出层为全连接神经网络层。
进一步地，在本实施例中，两层子网络结构分为第一子网络结构和第二子网络结构，其中第一子网络结构的Dropout层与第二子网络结构的填充层连接；两层子网络结构跨接一层用于生成残差的卷积层，具体为：第一子网络结构的填充层与用于生成残差的卷积层连接；第二子网络结构的Dropout层与用于生成残差的卷积层连接。
进一步地，在本实施例中，填充层在输入的特征序列的前面填充0，其中0的个数与空洞卷积因子的取值相同；其中空洞卷积因子的取值为2i-1，其中,i表示第i层残差神经网络层。
更具体地，在本实施例中，残差神经网络的残差神经网络层数为4，残差神经网络的全连接神经网络层数为1。
值得注意的是：在本实施例中，当空洞卷积因子的取值越大，时间序列卷积层能获取的特征就越深，其中空洞卷积因子为时间序列卷积层中的配置参数。
本实施例以第i-1个残差神经网络层的特征输入为例，残差神经网络对特征输入的处理过程如下：
S1、输入的特征经过一个填充层。
本实施例设置填充层的目的，具体为：防止经时间序列卷积层处理后的特征维度发生改变；具体方法为：在输入的特征序列的前面填充0，其中0的个数与空洞卷积因子的取值相同。
S2、通过时间序列卷积层提取填充后的特征。
S3、在权重归一化层中，将时间序列卷积层中卷积核的权重参数完成归一化操作，减弱因数据集不平均而对权重产生的影响。
S4、对权重归一化层的输出通过ReLU激活函数进行非线性处理，提高残差神经网络的非线性拟合能力。
S5、通过Dropou层的参数设置，随机屏蔽所在残差神经网络层中一定数量的神经元，防止机器学习过拟合，然后输出特征。
S6、重复上述步骤S1～步骤S5。
S7、将输入的特征通过一个1x1的卷积层(用于生成残差的卷积层)生成残差，并加上步骤S6输出的特征作为当前残差神经网络层的输出。
S102、对信道状态信息预测器进行训练。
本实施例中的信道状态信息预测器采用端到端的训练方式，具体为：获取信道状态信息测量值；将所有的信道状态信息测量值作为一个数据集，数据集的80％为训练集，其余的20％为验证集；采用M个信道状态信息测量值作为信道状态信息预测器的输入，N个信道状态信息预测值作为输出；在训练过程中，损失函数使用输出的N个信道状态信息预测值与其对应目标值的均方误差；采用Adam优化算法以损失函数最小化为目标优化更新信道状态信息预测器的参数，Adam算法的初始学习率设置为0.001，训练直至损失函数收敛，每次迭代训练使用(M*50)个样本计算梯度；最大训练轮数设置为200轮，训练过程采用早停策略来监测验证集的性能，验证集性能在一段时间内不提升时停止训练，并保存最佳验证集性能的信道状态信息预测器参数，从而得到训练好的信道状态信息预测器。
S103、在用户端中，构建信道状态信息预测系统。
如图4所示，在本实施例中，信道状态信息预测器部署在用户端，并且用户端还需要配置一个存储信道状态信息测量值的存储器(第一信道状态信息存储器)和一个存储信道状态信息预测值的存储器(第二信道状态信息存储器)，从而构建得到信道状态信息预测系统。
如图4所示，在本实施例中，训练好的信道状态信息预测器的一次预测过程，具体为：当用户端接收到参考信号或导频信号时，将参考信号或导频信号作为测量信道状态信息的输入，得到信道状态信息测量值，并存储到第一信道状态信息存储器，然后第一信道状态信息存储器将信道状态信息测量值输入到信道状态信息预测器中，得到信道状态信息预测值，并存储到第二信道状态信息存储器，最后第二信道状态信息存储器将信道状态信息预测值上报反馈到基站端，基站端处理并使用信道状态信息预测值，至此完成了一次信道状态信息的预测过程。
值得注意的是：本实施例中的信道状态信息预测系统需要部署在用户端，并结合基站端一同使用，应用过程可参考下述步骤S104。
S104、将信道状态信息预测系统与基站端进行交互，从而完成信道状态信息预测系统的设计。
本实施例中的信道状态信息预测系统与基站端进行交互的过程，如图5所示，该过程，具体为：用户端配置测量信道状态信息的周期为T1，基站端向用户端发送信令配置，上报反馈预测信道状态信息的周期为T2；在配置完成之后，基站端每T1时间给用户端发送参考信号或导频信号，用户测量信道状态信息；用户端每T2时间，将T2时间内所测量获取的M个信道状态信息作为信道状态信息预测器的输入，并预测N个信道状态信息预测值，然后将N个信道状态信息预测值上报反馈给基站端；基站端接收到上报反馈的N个信道状态信息预测值之后，选择与当前时延最相匹配的信道状态信息预测值，再给用户端传输数据。若在T2时间内多次向用户端传输数据，基站端可以多次选择最匹配的信道状态信息预测值。
值得注意的是：在本实施例中，用户端配置测量信道状态信息的周期为T1，上报反馈预测信道状态信息的周期为T2，并且这两个周期满足T1≤T2，即在一定时间内，用户端配置测量信道状态信息的次数大于或等于上报反馈预测信道状态信息的次数。因此，基站端可以用过信令通知用户端配置T1和T2值；根据不同的T1和T2值，用户端有不同的测量周期和上报反馈周期的组合。
在一种测量周期和上报反馈周期的组合中，假设用户端配置测量信道状态信息的周期T1为10毫秒，即在子载波间隔为30kHz时，每20个时隙测量一次信道状态信息；上报反馈预测信道状态信息的周期T2为80毫秒，即在子载波间隔为30kHz时，每160个时隙上报反馈一次预测信道状态信息。在T2(80毫秒)内，用户端能获取8个信道状态信息测量值，并将这8个测量值输入到信道状态信息预测器后，输出8个信道状态信息预测值；基站端接收到8个信道状态信息预测值(8个信道状态信息预测值匹配的时延分别是10毫秒、20毫秒、30毫秒、40毫秒、50毫秒、60毫秒、70毫秒、80毫秒)的上报反馈后，可以在80毫秒内选择与当前时延最匹配的信道状态信息预测值，并且向用户端传输数据。若在80毫秒内多次向用户端传输数据，基站端可以多次选择最匹配的信道状态信息预测值。
值得注意的是：信道状态信息预测器在使用过程中，随着信道的变化，信道状态信息预测的准确度会随之下降。在信道状态信息预测的准确度低于一定容忍度时，信道状态信息预测器会自动重新训练，并调整残差神经网络的参数。
进一步地，如图6所示，在将信道状态信息预测系统与基站端进行交互的过程中，若信道状态信息预测的准确度η小于预设阈值θ，则在当前训练好的信道状态信息预测器的基础上，并基于第一信道状态信息存储器所存储的历史信道状态信息测量值，更新所述信道状态信息预测器内的每层残差神经网络层中的时间序列卷积层的卷积核的权重参数，以及输出层的权重参数。
本实施例中的预设阈值θ为基站端给用户端预设的阈值。
值得注意的是：当用户端对信道状态信息进行第n次预测后，在随后的信道状态信息测量中，可以找到第n次信道状态信息的预测值对应的信道状态信息的测量值。这些信道状态信息的测量值和信道状态信息的预测值分别可以在第一信道状态信息存储器中和第二信道状态信息存储器中找到。使用信道状态信息的预测值和其对应的信道状态信息的测量值可以计算出信道状态信息的预测准确度η。
在本实施例中，使用1减去归一化均方误差，得到信道状态信息预测的准确度，如下式：
或通过余弦相似度计算信道状态信息预测的准确度，如下式：
其中，N表示信道状态信息预测值的个数，表示信道状态信息预测值，C(n)表示对应的信道状态信息测量值。
本领域技术人员可以理解，实现上述实施例的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。
应当注意，尽管在附图中以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
实施例2：
如图7所示，本实施例提供了一种信道状态信息预测系统的设计装置，该装置包括第一构建模块701、训练模块702、第二构建模块703和交互模块704，各个模块的具体功能如下：
第一构建模块701，用于构建残差神经网络，将残差神经网络作为信道状态信息预测器的主体结构，所述残差神经网络包括多层残差神经网络层，每层所述残差神经网络层包括两层子网络结构和一层用于生成残差的卷积层；
训练模块702，用于对信道状态信息预测器进行训练；
第二构建模块703，用于在用户端中，构建信道状态信息预测系统，所述信道状态信息预测系统包括训练好的信道状态信息预测器、第一信道状态信息存储器和第二信道状态信息存储器；
交互模块704，用于将信道状态信息预测系统与基站端进行交互，从而完成信道状态信息预测系统的设计。
实施例3：
如图8所示，本实施例提供了一种计算机设备，该计算机设备包括通过系统总线801连接的处理器802、存储器、输入装置803、显示装置804和网络接口805，该处理器用于提供计算和控制能力，该存储器包括非易失性存储介质806和内存储器807，该非易失性存储介质806存储有操作系统、计算机程序和数据库，该内存储器807为非易失性存储介质中的操作系统和计算机程序的运行提供环境，处理器802执行存储器存储的计算机程序时，实现上述实施例1的设计方法，如下：
构建残差神经网络，将残差神经网络作为信道状态信息预测器的主体结构，所述残差神经网络包括多层残差神经网络层，每层所述残差神经网络层包括两层子网络结构和一层用于生成残差的卷积层；
对信道状态信息预测器进行训练；
在用户端中，构建信道状态信息预测系统，所述信道状态信息预测系统包括训练好的信道状态信息预测器、第一信道状态信息存储器和第二信道状态信息存储器；
将信道状态信息预测系统与基站端进行交互，从而完成信道状态信息预测系统的设计。
实施例4：
本实施例提供一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例1的设计方法，如下：
构建残差神经网络，将残差神经网络作为信道状态信息预测器的主体结构，所述残差神经网络包括多层残差神经网络层，每层所述残差神经网络层包括两层子网络结构和一层用于生成残差的卷积层；
对信道状态信息预测器进行训练；
在用户端中，构建信道状态信息预测系统，所述信道状态信息预测系统包括训练好的信道状态信息预测器、第一信道状态信息存储器和第二信道状态信息存储器；
将信道状态信息预测系统与基站端进行交互，从而完成信道状态信息预测系统的设计。
需要说明的是，本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读存储介质可以以一种或多种程序设计语言或其组合来编写用于执行本实施例的计算机程序，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Python、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本发明通过构建残差神经网络和利用信道状态信息预测值，解决了传统通信系统中的信道状态信息因时延而反馈不准确的问题，同时也降低了信道环境变化所引起的性能损失。
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (6)

1.一种信道状态信息预测系统的设计方法，其特征在于，所述方法包括：
构建残差神经网络，将残差神经网络作为信道状态信息预测器的主体结构，所述残差神经网络包括依次连接的多层残差神经网络层，以及输出层，所述残差神经网络层包括两层子网络结构和一层用于生成残差的卷积层；
两层所述子网络结构相同，所述子网络结构包括依次连接的填充层、时间序列卷积层、权重归一化层、ReLU激活函数、Dropout层；
两层所述子网络结构分为第一子网络结构和第二子网络结构，其中第一子网络结构的Dropout层与第二子网络结构的填充层连接；
所述用于生成残差的卷积层的卷积核大小为1×1；
所述残差神经网络层的输入特征通道包括所述用于生成残差的卷积层的输入特征通道和所述第一子网络结构的填充层的输入特征通道，拼接后的所述用于生成残差的卷积层的输出特征和所述第二子网络结构的Dropout层的输出特征作为所述残差神经网络层的输出特征；
所述输出层为全连接神经网络层；
对信道状态信息预测器进行训练；
在用户端中，构建信道状态信息预测系统，所述信道状态信息预测系统包括训练好的信道状态信息预测器、第一信道状态信息存储器和第二信道状态信息存储器；
其中，信道状态信息预测系统的一次预测过程，包括：
当用户端接收到参考信号或导频信号时，根据参考信号或导频信号，得到信道状态信息测量值，并存储到第一信道状态信息存储器，以便第一信道状态信息存储器将信道状态信息测量值输入训练好的信道状态信息预测器，得到信道状态信息预测值，并存储到第二信道状态信息存储器，以便第二信道状态信息存储器将信道状态信息预测值上报到基站端；
将信道状态信息预测系统与基站端进行交互，从而完成信道状态信息预测系统的设计；
所述将信道状态信息预测系统与基站端进行交互，包括：
基站端每隔T1给用户端发送参考信号或导频信号；
用户端每隔T2，将T2时间内获取的M个信道状态信息测量值作为信道状态信息预测系统的输入，以获取N个信道状态信息预测值并上报到基站端；
基站端在接收到N个信道状态信息预测值之后，选择与当前时延最相匹配的信道状态信息预测值，再给用户端传输数据；
其中，T1≤T2，T1表示用户端测量信道状态信息的周期，T2表示基站端向用户端发送信令配置并完成配置所反馈的预测信道状态信息的周期。
2.根据权利要求1所述的设计方法，其特征在于，所述填充层在输入的特征序列的前面填充0，其中0的个数与空洞卷积因子的取值相同；
所述空洞卷积因子的取值为2i-1，其中，i表示第i层残差神经网络层。
3.根据权利要求1所述的设计方法，其特征在于，在将信道状态信息预测系统与基站端进行交互的过程中，若信道状态信息预测的准确度小于预设阈值，则在当前训练好的信道状态信息预测器的基础上，并基于第一信道状态信息存储器所存储的历史信道状态信息测量值，更新所述信道状态信息预测器内的每层残差神经网络层中的时间序列卷积层的卷积核的权重参数，以及输出层的权重参数；
所述信道状态信息预测的准确度，如下式：
或为下式：
其中，N表示信道状态信息预测值的个数，表示信道状态信息预测值，C(n)表示对应的信道状态信息测量值。
4.一种信道状态信息预测系统的设计装置，其特征在于，所述装置包括：
第一构建模块，用于构建残差神经网络，将残差神经网络作为信道状态信息预测器的主体结构，所述残差神经网络包括依次连接的多层残差神经网络层，以及输出层，所述残差神经网络层包括两层子网络结构和一层用于生成残差的卷积层；
两层所述子网络结构相同，所述子网络结构包括依次连接的填充层、时间序列卷积层、权重归一化层、ReLU激活函数、Dropout层；
两层所述子网络结构分为第一子网络结构和第二子网络结构，其中第一子网络结构的Dropout层与第二子网络结构的填充层连接；
所述用于生成残差的卷积层的卷积核大小为1×1；
所述残差神经网络层的输入特征通道包括所述用于生成残差的卷积层的输入特征通道和所述第一子网络结构的填充层的输入特征通道，拼接后的所述用于生成残差的卷积层的输出特征和所述第二子网络结构的Dropout层的输出特征作为所述残差神经网络层的输出特征；
所述输出层为全连接神经网络层；
训练模块，用于对信道状态信息预测器进行训练；
第二构建模块，用于在用户端中，构建信道状态信息预测系统，所述信道状态信息预测系统包括训练好的信道状态信息预测器、第一信道状态信息存储器和第二信道状态信息存储器；
其中，信道状态信息预测系统的一次预测过程，包括：
当用户端接收到参考信号或导频信号时，根据参考信号或导频信号，得到信道状态信息测量值，并存储到第一信道状态信息存储器，以便第一信道状态信息存储器将信道状态信息测量值输入训练好的信道状态信息预测器，得到信道状态信息预测值，并存储到第二信道状态信息存储器，以便第二信道状态信息存储器将信道状态信息预测值上报到基站端；
交互模块，用于将信道状态信息预测系统与基站端进行交互，从而完成信道状态信息预测系统的设计；
所述将信道状态信息预测系统与基站端进行交互，包括：
基站端每隔T1给用户端发送参考信号或导频信号；
用户端每隔T2，将T2时间内获取的M个信道状态信息测量值作为信道状态信息预测系统的输入，以获取N个信道状态信息预测值并上报到基站端；
基站端在接收到N个信道状态信息预测值之后，选择与当前时延最相匹配的信道状态信息预测值，再给用户端传输数据；
其中，T1≤T2，T1表示用户端测量信道状态信息的周期，T2表示基站端向用户端发送信令配置并完成配置所反馈的预测信道状态信息的周期。
5.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-3任一项所述的设计方法。
6.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-3任一项所述的设计方法。
CN202210666057.XA 2022-06-14 2022-06-14 信道状态信息预测系统的设计方法、装置、设备及介质 Active CN115085836B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210666057.XA CN115085836B (zh) 2022-06-14 2022-06-14 信道状态信息预测系统的设计方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210666057.XA CN115085836B (zh) 2022-06-14 2022-06-14 信道状态信息预测系统的设计方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN115085836A CN115085836A (zh) 2022-09-20
CN115085836B true CN115085836B (zh) 2023-07-18

Family

ID=83252159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210666057.XA Active CN115085836B (zh) 2022-06-14 2022-06-14 信道状态信息预测系统的设计方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115085836B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112311706A (zh) * 2020-11-03 2021-02-02 南京大学 基于贝叶斯神经网络信道预测的频分双工下行传输方法
WO2022042182A1 (zh) * 2020-08-31 2022-03-03 中兴通讯股份有限公司 下行信道估计方法、装置、通信设备和存储介质
CN114362855A (zh) * 2021-12-30 2022-04-15 重庆两江卫星移动通信有限公司 一种基于lstm的信道状态预测方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230019263A (ko) * 2019-04-23 2023-02-07 딥시그 인크. 머신-러닝 네트워크를 이용한 통신 신호들의 프로세싱
US11640528B2 (en) * 2019-10-22 2023-05-02 Baidu Usa Llc Method, electronic device and computer readable medium for information processing for accelerating neural network training
CN111901258A (zh) * 2020-05-08 2020-11-06 中兴通讯股份有限公司 上下行信道互易的实现方法、通信节点和存储介质
CN115606120A (zh) * 2020-05-25 2023-01-13 Oppo广东移动通信有限公司（Cn） 一种信道状态信息传输方法、电子设备及存储介质
CN113824657A (zh) * 2020-06-19 2021-12-21 株式会社Ntt都科摩 用户设备、基站、用户设备和基站的信道估计和反馈系统
CN113242557B (zh) * 2021-03-26 2022-12-20 深圳大学 一种部分重叠信道频谱共享的深度学习方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022042182A1 (zh) * 2020-08-31 2022-03-03 中兴通讯股份有限公司 下行信道估计方法、装置、通信设备和存储介质
CN112311706A (zh) * 2020-11-03 2021-02-02 南京大学 基于贝叶斯神经网络信道预测的频分双工下行传输方法
CN114362855A (zh) * 2021-12-30 2022-04-15 重庆两江卫星移动通信有限公司 一种基于lstm的信道状态预测方法及系统

Also Published As

Publication number Publication date
CN115085836A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
Björnson et al. Robust monotonic optimization framework for multicell MISO systems
CN109167787B (zh) 一种移动边缘计算网络中安全计算卸载的资源优化方法
WO2021008477A1 (zh) 预编码处理方法和装置
Kim et al. Distributed sum-rate optimization for full-duplex MIMO system under limited dynamic range
Saxena et al. Contextual multi-armed bandits for link adaptation in cellular networks
US20160157118A1 (en) Methods and devices for link adaptation
CN110941675A (zh) 一种基于深度学习的无线供能边缘计算延迟优化方法
CN114390630A (zh) 基于信息年龄的物联网通信方法、装置、设备及存储介质
CN109560849B (zh) 一种基于二阶锥规划的波束赋形的鲁棒性自适应算法
US20130343475A1 (en) Method and apparatus for determining precoding matrix
CN115085836B (zh) 信道状态信息预测系统的设计方法、装置、设备及介质
WO2022089217A1 (zh) 密钥生成方法、装置、电子设备及存储介质
CN113037342B (zh) 单比特毫米波多天线系统信道估计和预编码方法及装置
US10250307B2 (en) Method for setting cooperation parameters of communication system, computer program thereof, information storage means thereof, and communication system including plurality of node devices
Liu et al. Channel estimation and device detection for reconfigurable intelligent surface aided massive IOT networks with mixed-ADCs
US20230153633A1 (en) Moderator for federated learning
CN112803976B (zh) 大规模mimo预编码方法、系统以及电子设备
US20230188430A1 (en) First network node and method performed therein for handling data in a communication network
CN114867013A (zh) 密钥生成方法、装置、电子设备及存储介质
Pang et al. Deep reinforcement learning for radio resource allocation in NOMA-based remote state estimation
RU2707732C1 (ru) Устройство и способ связи
WO2024032695A1 (zh) Csi预测处理方法、装置、通信设备及可读存储介质
EP4080825A1 (en) Threshold optimization method and apparatus applied to communications system, and computer readable medium
WO2024067281A1 (zh) Ai模型的处理方法、装置及通信设备
WO2024032606A1 (zh) 信息传输方法、装置、设备、系统及存储介质

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