CN115087038A - 一种用于5g定位的信道状态信息压缩解压方法 - Google Patents

一种用于5g定位的信道状态信息压缩解压方法 Download PDF

Info

Publication number
CN115087038A
CN115087038A CN202210648643.1A CN202210648643A CN115087038A CN 115087038 A CN115087038 A CN 115087038A CN 202210648643 A CN202210648643 A CN 202210648643A CN 115087038 A CN115087038 A CN 115087038A
Authority
CN
China
Prior art keywords
matrix
csi
module
output
training
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
CN202210648643.1A
Other languages
English (en)
Inventor
钱储磊
赵昆
郑正奇
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.)
East China Normal University
Original Assignee
East China Normal University
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 East China Normal University filed Critical East China Normal University
Priority to CN202210648643.1A priority Critical patent/CN115087038A/zh
Publication of CN115087038A publication Critical patent/CN115087038A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
    • 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
    • H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明公开了一种用于5G定位的信道状态信息压缩解压方法，其特点是该方法利用采集的CSI样本生成用于深度神经网络训练、验证和测试的数据集，对于深度神经网络进行训练，得到包含CSI编码器与解码器的CSI压缩与解压模型，将CSI编码器部分部署于基站内，CSI解码器部分部署于需要提取基站内CSI的定位模块内，经编码器处理后的CSI将被压缩为一段占用字节数较小的码字，通过接口提取到定位模块内的CSI解码器解压，恢复为压缩前的CSI信息。本发明与现有技术相比具有恢复精度较高，对于不同场景下的CSI数据具有较好的泛化特性，在5G定位以及需要快速提取CSI的其他5G应用环境中具有较大的优势和商业前景。

Description

一种用于5G定位的信道状态信息压缩解压方法
技术领域
本发明涉及信道状态信息技术领域，具体地说是一种应用于5G定位中的基于transformer 深度神经网络的5G大规模天线阵列信道状态信息(Channel StateInformation，CSI)压缩与解压方法。
背景技术
随着5G技术的普及与发展，将5G技术用于室内定位的研究逐步开展，在5G定位技术中，需要非常精确的信号到达时间(Time of Arrival，TOA)、到达时间差(TimeDifference of Arrival，TDOA)估计，即超分辨TOA\TDOA估计。而用于超分辨TOA\TDOA估计的信道状态信息(Channel State Information，CSI)可以在基站内的5G物理层测量模块中获取。基于 5G物理层上行信号处理流程，可以将定位模块设计融入到通信系统中，5G定位模块从5G物理层测量模块中获取CSI。其中，CSI是通过模块间接口传输到定位模块中的，定位模块利用获取的CSI使用超分辨率TOA估计算法得到TOA\TDOA测量，再利用源定位算法等解算得到用户设备位置，最后使用误差源消除算法优化定位结果。
上述的5G定位过程，研究人员发现提取基站之中的CSI十分困难，主要是因为随着大规模MIMO技术的应用，CSI信息量和复杂度逐渐提高，传输CSI的接口由于设计的限制、资源不足等问题，无法快速传输大量如此复杂的CSI，为了优化这个步骤，引发了对于CSI压缩与解压技术的需求和研究，在5G通信系统中也有CSI的压缩方法和反馈步骤。
现有技术的CSI压缩方法通常是基于码本、基于压缩感知的CSI压缩恢复方法，由于5G 系统中大规模MIMO技术的普及，CSI信息变得愈加复杂，信道矩阵规模也随着天线数量的增加而增大，基于码本和基于压缩感知技术的CSI压缩方法已经无法满足系统需求，恢复的精度也不够，存在着5G室内定位系统中定位模块从基站的5G物理层测量模块中提取5G信道状态信息(CSI)困难的问题。
发明内容
本发明的目的是针对现有技术的不足而提供的一种用于5G定位的信道状态信息压缩解压方法，采用基于transformer结构神经网络的深度学习方法进行5G信道状态信息压缩与解压，辅助定位模块高速且高精度地从基站内提取需要使用的CSI，实现在5G基站内压缩CSI，解压后的CSI恢复精度符合5G定位中超分辨TOA估计的需求，大大降低了运算复杂程度，在不用提高接口负载的情况下，可以极大地提高5G定位模块对CSI的提取速度，对于解决目前5G室内定位中定位模块从基站的5G测量模块中提取CSI数据困难的问题有良好的适应性，也适用于其他需要进行快速CSI提取的5G应用场景，对于不同场景下的CSI数据具有较好的泛化特性，而5G基站内部CSI的提取在5G定位技术中发挥了重要作用，在5G定位以及需要快速提取CSI的其他5G应用环境中具有较大的优势和商业前景。
本发明的目的是这样实现的：一种用于5G定位的信道状态信息压缩解压方法，其特点是利用实际收集到的CSI数据创建数据集，采用基于transformer的深度神经网络神经网络进行训练，得到CSI压缩与解压模型，将其部署于基站和需提取CSI的定位模块内，利用模型的编码器进行信道矩阵的特征提取和压缩，使用模型的解码器恢复压缩前的信道矩阵，具体包括下述步骤：
步骤1：样本采集
将待定位的用户设备放置于基站附近范围内随机移动，从基站内使用无压缩解压的方式无损地采集CSI样本为模型训练的数据集，一般情况下需采集不少于10万个CSI样本，以满足神经网络模型训练的需求。
步骤2：样本预处理
对采集的样本进行离散傅里叶变换、裁切、保存为样本矩阵等操作，使采集到的原始CSI 样本符合神经网络模型训练时的的输入格式。
步骤3：数据集划分。
将经过数据预处理后的样本按比例随机分为训练集、验证集、测试集，其中训练集的样本数量占比最高，验证集和测试集数量相同，其两者样本数不超过训练集样本数的1/2。
步骤4：网络模型的训练
首先配置网络模型初始化所需的压缩率、模块层数等模型超参数，以及配置训练过程中的训练周期数、批处理样本数量、学习率优化方式、随机种子等参数，然后，为神经网络模型装载步骤1所得的数据集，运行训练程序，神经网络的训练过程中使用可视化工具记录训练数据日志，便于每次训练后分析训练过程。每次训练后根据获得的CSI恢复精度的变化情况，不断调整模型的超参数，直至获得一个恢复精度满足系统需求的超参数配置。固定这个超参数配置，并保存模型文件，得到用于系统部署的CSI压缩与解压模型。
步骤5：部署CSI压缩与解压模型
上述用于系统部署的CSI压缩与解压模型包含了编码器和解码器两个部分(可单独部署和配置)，将其中的编码器部分部署在基站内，配置好模型的预训练参数文件，并将基站内的 CSI输出接口与模型的输入接口相连接，将模型的输出与基站-定位模块间通信接口相连接。之后按照类似的方式在需要提取基站内CSI的服务器中部署模型的解码器部分，完成参数配置并将服务器的CSI输出接口与服务器内模型解码器的输入接口相连接，完成CSI压缩与解压模型部署。
步骤6：5G定位的应用
当服务器需要读取基站CSI数据时，首先通过通信接口向基站发出请求，基站收到请求后，开始读取CSI，CSI数据首先会经过基站内部的输出模块输出到模型编码器中，经过编码器的压缩，形成一段占用字节数远小于原本CSI信息的码字，这段码字经由基站-服务器间通信接口传入服务器内的模型解码器，再经由解码器的解压，高精度地恢复成CSI信息，以供服务器的调用。这样的过程可以加快服务器从基站中读取CSI数据的速度，减少接口资源的占用。
本发明与现有技术相比具有减少提取接口的资源占用及系统开销，在不用提高接口负载的情况下，可以极大地提高5G定位模块对CSI的提取速度，较好的解决了5G定位中定位模块从基站中提取CSI的速度过慢的问题，适用于需要进行快速CSI提取的5G应用场景，适应性好，具有着较大的应用空间和商业价值。
附图说明
图1为CSI样本图例；
图2为基于transformer神经网络模型的结构框图；
图3为TransBlock模块的结构框图；
图4为多层感知机模块的结构框图；
图5为模型训练LOSS曲线图；
图6为模型测试nmse变化曲线图；
图7为模型部署示意图。
具体实施方式
下面结合附图以某室内5.3GHz频带场景下的CSI的压缩与解压实施例对于本发明做进一步的详细说明。
实施例1
考虑一个单小区FDD下行链路的室内5G定位场景，为了实现定位，5G定位模块需要获取非常精确的信号TOA(到达时间)估计，即超分辨TOA估计，而获取这样的TOA估计需要使用基站内5G物理层测量模块的CSI信息，本实施例中使用一台服务器代替定位模块进行功能验证。
步骤1：场景下收集数据
设置基站位于正方形区域的中心位置，使用5.3GHz的频点，正方形区域长宽都为20m，基站天线阵列配置为具备32天线数的ULA(均匀直线阵列)，OFDM(正交频分复用)子载波数目为1024。让UE(用户设备)在该正方形区域内随机运动，在UE运动过程中，按一定频率不间断地采集150000个下行链路的CSI(即信道矩阵)样本并保存，得到下述表1的空间-频率域信道矩阵
Figure BDA0003687038840000041
样例：
表1空间-频率域信道矩阵
Figure BDA0003687038840000042
样例
Figure BDA0003687038840000043
上述表1所示为其中第m个信道矩阵样本
Figure BDA0003687038840000044
行数表示子载波数，列数表示天线数，可以看出
Figure BDA0003687038840000045
为一个1024行、32列的复数值矩阵其中第x行第y列数值表示的是第x个子载波上第y个发射天线与接收天线之间信道的冲激响应。
步骤2：样本预处理和数据集划分
对
Figure BDA0003687038840000051
左右各乘一个DFT矩阵，进行从空间-频率域向角度-延迟域的变换，得到矩阵H，由于矩阵H具有稀疏性，可对其进行裁切，只保留其前32行。这32行保留了H中的大部分信息，得到新的32行32列的复数值矩阵。分离其复数值的实部和虚部，映射为两个实值矩阵Hi和Hr，
参阅图1，图示为一个矩阵Hr转化为灰度值后的图例，可以看到其具有一定的稀疏性，Hi特征与其类似。将Hi和Hr看做一张图片的两个通道，则每个信道矩阵都可以作为一个2通道的32行32列的灰度图像输入到神经网络中。将按照上述步骤预处理后的CSI样本按照100000、 20000、30000的数量划分为训练集、测试集、验证集。
为了便于数据集的保存，需要把这些样本保存到3个数据集矩阵里面。按照以下方法对每个样本进行处理：先将两个32行32列矩阵Hi和Hr都按行展开为长度1024的一维向量，再将两个向量首尾拼接后获得一个新的长度为2048的一维向量vm。这样每个样本会变成一个一维向量vm。再将一维向量vm作为一个新的矩阵的第m行,这样就得到了预处理之后的数据集矩阵，其保存的测试集详见下述表2所示的样例：
表2测试集保存格式样例
N1 N2 N3 N4 N5 … N2048
S1 0.0466 0.0451 0.0451 0.0451 0.0451 … -0.3354
S2 0.0286 0.0283 0.0283 0.0283 0.0283 … -0.0134
S3 0.0524 0.0523 0.0523 0.0523 0.0523 … 0.0374
S4 0.0323 0.0326 0.0326 0.0326 0.0326 … -0.1048
S5 -0.0232 -0.0231 -0.0231 -0.0231 -0.0231 … -0.0173
S6 0.0144 0.0137 0.0137 0.0137 0.0137 … -0.0202
S7 -0.0543 -0.0537 -0.0537 -0.0537 -0.0537 … -0.0490
… … … … … … … …
S20000 0.0842 0.0836 0.0836 0.0836 0.0836 … -0.0040
上述表2所示为一个保存好的测试集，是一个20000行、2048列的矩阵，其中每行表示一个样本，而训练集、验证集格式相同，只是行数不一样。
步骤3：训练模型
参阅图2，使用上一步得到的数据集对基于transformer神经网络模型进行训练。
参阅图3～图4，配置网络模型初始化超参数(如TransBlock的数量)，配置训练周期数、批处理样本数量、学习率优化方式、随机种子等参数，本实施例的超参数为：编码器3个 TransBlock，解码器1个。训练周期数设置为1000个epoch，批处理样本数为200，采用具有预热的余弦退火学习率优化的ADAM优化器进行训练优化。然后，为模型装载步骤1所得的数据集，运行训练程序，训练过程中记录每个epoch结束后的LOSS函数值，每使用训练集做10个epoch的训练，会使用测试集对当前的模型做一次测试，并记录测试得到的NMSE数值，NMSE即归一化均方误差，可以用于表征输入模型的矩阵和输出矩阵之间的误差程度，数值越小则误差越小，模型的解压精度也越高。每次训练后根据获得的CSI恢复精度的变化情况，不断调整模型的超参数，直至获得一个测试NMSE的值达到训练目标的超参数配置。
参阅图5～图6，图示为一次1/8压缩率的模型训练后所得的测试nmse曲线和训练LOSS 曲线，横坐标为训练的周期数。其NMSE达到-19.25，达到了训练目标，即满足了5G定位系统对于压缩解压精度的需求，则固定这次训练的超参数配置并保存训练好的模型文件，这样就得到了用于系统部署的CSI压缩与解压模型。
步骤4：模型的部署
将CSI压缩与解压模型中的编码器部分部署在基站内，配置好模型的预训练参数文件，并将基站内5G物理层测量的CSI输出接口与模型的编码器的输入接口相连接，将编码器的输出与基站-服务器间通信接口相连接。之后按照类似的方式在需要提取基站内CSI的服务器中部署模型的解码器部分，将服务器的CSI输入接口与服务器内模型解码器的输入接口相连接，解码器的输出与定位服务器中用于超分辨TOA\TDOA估计的部分相连接。最后配置步骤3中获得的符合系统需求的模型超参数，并在程序中加载模型文件，这样就完成了模型的部署。
参阅图7，可以看到5G基站中的5G物理层测量模块将CSI输入到编码器中进行压缩，之后压缩的码字在5G定位模块中被部署的解码器解压，通过这样的方式可以让数据接口传输 CSI时，只需要花费传输一段较短码字所需要的资源，大大减少了接口的负载。
步骤5：5G定位的应用
将UE置于场景内某一位置，记录其坐标，5G定位服务器通过通信接口向基站发出请求，基站收到请求后，开始读取下行链路的CSI，CSI数据首先会输入到模型编码器中，经过编码器的压缩，形成一段占用字节数远小于原本CSI信息的字节数，本例中信道矩阵大小为 32*32*2,字节数为2048，设置压缩率设置为1/8，则压缩后的码字长度为256个字节，这段码字经由基站-服务器间通信接口传入服务器内的模型解码器，再经解码器的解压，高精度地恢复成CSI信息，以供服务器用于估算高精度TOA，进一步完成对于UE的定位，经过测试验证，使用本方法所提取恢复的CSI的恢复精度，NMSE达到了对数标尺下的-19.25，压缩解压前后信道矩阵的余弦相似度为0.9914，可以满足5G室内定位场景的需求。
本发明基于transformer深度神经网络的5G大规模天线阵列信道状态信息(Channel State Information，CSI)压缩与解压方法，解决5G定位研究中定位模块从基站中提取CSI 的速度过慢的问题，减少提取接口的资源占用及系统开销。对于CSI的压缩和恢复任务具有更加令人满意的性能表现，尤其是深度神经网络在训练过程中可以自动学习信道的统计特性，相比于传统方法具有明显的优势。
以上只是本发明的较佳实现而已，并非对本发明做任何形式上的限制，故凡未脱离本发明技术方案的内容，依据本发明的技术实质对以上实现方法所做的任何的简单修改、等同变化与修饰，凡为本发明等效实施，均应包含于本专利的权利要求范围之内。

Claims (7)

1.一种用于5G定位的信道状态信息压缩解压方法，其特征在于采用基于transformer的深度神经网络对CSI数据创建的数据集进行训练，得到CSI压缩与解压模型，将其部署于基站和需提取CSI的定位模块内，实现信道状态信息的压缩与解压，具体包括下述步骤：
步骤1：样本采集
将待定位的用户设备放置于基站附近范围内随机移动，使用无压缩解压的方式无损采集不少于10万个CSI样本作为训练神经网络的数据集；
步骤2：样本预处理
对采集的CSI样本进行离散傅里叶变换、裁切并保存为样本矩阵的预处理，使采集的CSI样本符合神经网络模型训练的输入格式；
步骤3：数据集划分
将预处理后的样本按比例随机分为训练集、验证集、测试集，其中验证集和测试集数量相同，且两样本数不超过训练集样本数的1/2；
步骤4：网络模型的训练
为神经网络模型配置初始化所需的超参数及其它参数，装载数据集，开始网络模型的训练，每次训练后根据CSI的恢复精度，调整模型的超参数，直至获得一个恢复精度满足系统需求的超参数配置，然后将其固定，并保存模型文件，得到用于系统部署的CSI压缩与解压模型，所述CSI压缩与解压模型为包含信道矩阵编码器和信道矩阵解码器的自动编、解码器结构；
步骤5：CSI压缩与解压模型的部署
将信道矩阵编码器部署在基站内，配置好网络模型的预训练参数文件，并将基站内的CSI输出接口与网络模型的输入接口连接，网络模型的输出与基站-定位模块间的通信接口连接；将信道矩阵解码器部署在基站内CSI的服务器中，其CSI输出与解码器的输入接口相连接，完成CSI压缩与解压模型的部署；
步骤6：5G定位的应用
当服务器需读取基站CSI数据时由通信接口向基站发出请求，基站收到请求后将读取的CSI信息，通过基站的输出模块输入编码器，压缩形成的码字经基站-服务器间的通信接口输入解码器进行解压，恢复成供服务器调用的CSI信息。
2.根据权利要求1所述用于5G定位的信道状态信息压缩解压方法，其特征在于所述样本预处理具体包括下述步骤：
1)假设采集样本数为M个，对于所采集到的每一个CSI样本，即每一个信道矩阵
Figure FDA0003687038830000011
利用二维离散傅里叶变换，对信道矩阵
Figure FDA0003687038830000021
通过下述(a)式进行从空间-频率域向角度-延迟域的变换，得到具有稀疏性的矩阵H：
Figure FDA0003687038830000022
式中：
Figure FDA0003687038830000023
为一个
Figure FDA0003687038830000024
行、Nt列的复数值矩阵；Fa、Fd为离散傅里叶变换矩阵；上标H表示矩阵转置；
2)保留延迟域的前Nc行，对矩阵H进行裁切，得到新的Nc行、Nt列的复数矩阵H；
3)将复数矩阵H的每个位置复数的实部和虚部分别映射到两个与复数矩阵H同大小矩阵的相应位置，获得两个实值矩阵Hi和Hr；
4)将实值矩阵Hi和Hr按行展开为一维向量，两向量首尾拼接后得到长度为Nc*Nt*2的一维向量vm(m＝1,2,…,M)；
5)将向量vm作为一个新的矩阵的第m行,得到了样本预处理后的数据集的矩阵V。
3.根据权利要求1所述用于5G定位的信道状态信息压缩解压方法，其特征在于所述信道矩阵编码器将输入维度为Nc×Nt×2的信道矩阵H压缩为一个长度为Nc*Nt*2*Cr的向量m，具体处理如下：
(一)块编码
将信道矩阵H分割为K个大小相等的块，每个块经拉平后由全连接层映射为D维度的向量，得到K×D维度矩阵X，称之为信道矩阵H的块编码；
(二)位置编码
对信道矩阵H的块编码按下述步骤添加位置编码：
随机初始化一个与信道矩阵H同维度的可学习参数矩阵P，将矩阵P作为位置编码和矩阵X相加，得到矩阵E，即P+X＝E；
(三)信道矩阵的特征提取
使用TransBlock模块对信道矩阵H进行特征提取，所述TransBlock模块为包含d个网络的核心模块，每个网络的单个TransBlock模块中包含多头注意力机制模块和多层感知机模块，输入的K×D维度矩阵E经一个或多个TransBlock模块，得到输出K×D矩阵(MT)d，其中d为TransBlock重复的次数；
(四)压缩码字并输出
将矩阵(MT)d通过reshape层标准化，得到长度为K*D的一维向量M，将其经输出维度小于输入维度的全连接层，得到长度为Nc*Nt*2*Cr的一维码字向量m，其中Cr为编码器的压缩率。
4.根据权利要求1所述用于5G定位的信道状态信息压缩解压方法，其特征在于所述信道矩阵解码器将码字向量m按下述步骤恢复为信道矩阵
Figure FDA0003687038830000031
(一)解压缩码字
使用全连接层对一维码字向量m进行解压缩，得到长度为K*D的一维向量
Figure FDA0003687038830000032
将一维向量
Figure FDA0003687038830000033
经reshape层转化为K×D维矩阵
Figure FDA0003687038830000034
(二)TransBlock模块的输出
使用包含k个网络的TransBlock模块，每个网络的单个TransBlock模块的输入为矩阵
Figure FDA0003687038830000035
输出为K×D维度的矩阵
Figure FDA0003687038830000036
所述单个TransBlock模块中包含多头注意力机制模块和多层感知机模块；
(三)输出模块
将矩阵
Figure FDA0003687038830000037
通过层标准化、非线性1*1卷积层和Sigmoid函数，得到解压后的输出矩阵，即维度为Nc×Nt×2的信道矩阵
Figure FDA0003687038830000038
5.根据权利要求1所述用于5G定位的信道状态信息压缩解压方法，其特征在于所述神经网络的训练使用可视化工具记录训练数据日志，便于每次训练后分析训练过程。
6.根据权利要求1所述用于5G定位的信道状态信息压缩解压方法，其特征在于所述神经网络模型配置初始化所需的超参数及其它参数为：压缩率Cr、模块层数，以及模型训练的周期数、批处理样本数、学习率优化方式和随机种子数，所述压缩率Cr设置为1/4、1/8、1/16、1/32或1/64。
7.根据权利要求3或权利要求4所述用于5G定位的信道状态信息压缩解压方法，其特征在于所述TransBlock模块具体包括下述步骤：
步骤1：多头注意力机制模块
利用多头注意力机制模块给待处理的矩阵加上一个注意力蒙版，标记出其中包含主要信息的部分，并对网络输出的矩阵做reshape层标准化，得到的K×D维矩阵Mi＝L(E)输入多头注意力层,最后得到具有注意力蒙版的输出矩阵Mo，所述多头注意力层的输出和输入矩阵的维度不变，输出矩阵是经权重优化后的输入矩阵，输出计算为值的加权和，其中分配给每个值的权重由query与相应key的兼容性函数计算，所述多头注意力机制模块的实现步骤如下：
步骤1.1：输入矩阵Mi由线性映射层，映射为Q＝MiWQ、K＝MiWK和V＝MiWV三个不同的矩阵，其中WQ、WK和WV为线性映射矩阵；
步骤1.2：根据下述(b)式计算多头注意力层的输出:
Figure FDA0003687038830000041
其中，Mo为K×D维输出矩阵；dk为块编码的步骤中的块编码维度；T为矩阵转置；Q、K和V分别为查询、键和值；softmax为下述(c)式的softmax函数：
Figure FDA0003687038830000042
步骤2：多层感知机模块
多层感知机模块学习记录训练数据中CSI的特征，拟合一个可以完成压缩信道矩阵任务的非线性函数，得到多层感知机模块的K×D维输出矩阵Mo_m，其处理过程依次为：全连接层1、GELU激活函数、Dropout、全连接层2和Dropout；
步骤3：TransBlock模块的输出
将矩阵Mo_m经dropout层与Mi′相加，利用模块输入和输出的残差进行残差学习，得到整个TransBlock的输出矩阵
Figure FDA0003687038830000043
CN202210648643.1A 2022-06-09 2022-06-09 一种用于5g定位的信道状态信息压缩解压方法 Pending CN115087038A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210648643.1A CN115087038A (zh) 2022-06-09 2022-06-09 一种用于5g定位的信道状态信息压缩解压方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210648643.1A CN115087038A (zh) 2022-06-09 2022-06-09 一种用于5g定位的信道状态信息压缩解压方法

Publications (1)

Publication Number Publication Date
CN115087038A true CN115087038A (zh) 2022-09-20

Family

ID=83251921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210648643.1A Pending CN115087038A (zh) 2022-06-09 2022-06-09 一种用于5g定位的信道状态信息压缩解压方法

Country Status (1)

Country Link
CN (1) CN115087038A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117062002A (zh) * 2023-08-01 2023-11-14 哈尔滨工程大学 一种基于轻量级transformer的5g nr室内定位方法及系统
CN117220745A (zh) * 2023-11-08 2023-12-12 北京邮电大学 基于深度学习的多用户信道状态信息联合压缩反馈方法
WO2024082196A1 (zh) * 2022-10-19 2024-04-25 北京小米移动软件有限公司 一种基于ai模型的终端定位方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024082196A1 (zh) * 2022-10-19 2024-04-25 北京小米移动软件有限公司 一种基于ai模型的终端定位方法及装置
CN117062002A (zh) * 2023-08-01 2023-11-14 哈尔滨工程大学 一种基于轻量级transformer的5g nr室内定位方法及系统
CN117062002B (zh) * 2023-08-01 2024-04-30 哈尔滨工程大学 一种基于轻量级transformer的5g nr室内定位方法及系统
CN117220745A (zh) * 2023-11-08 2023-12-12 北京邮电大学 基于深度学习的多用户信道状态信息联合压缩反馈方法
CN117220745B (zh) * 2023-11-08 2024-02-09 北京邮电大学 基于深度学习的多用户信道状态信息联合压缩反馈方法

Similar Documents

Publication Publication Date Title
CN115087038A (zh) 一种用于5g定位的信道状态信息压缩解压方法
CN110909667B (zh) 面向多角度sar目标识别网络的轻量化设计方法
CN108390706A (zh) 一种基于深度学习的大规模mimo信道状态信息反馈方法
CN110311718A (zh) 一种大规模mimo信道状态信息反馈中的量化和逆量化方法
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
CN105374054A (zh) 基于空谱特性的高光谱图像压缩方法
CN111354051B (zh) 一种自适应优化网络的图像压缩感知方法
CN111507100B (zh) 一种卷积自编码器及基于该编码器的词嵌入向量压缩方法
CN113537456A (zh) 一种深度特征压缩方法
CN111861046B (zh) 基于大数据和深度学习的专利价值智能评估系统
CN107040775B (zh) 一种基于局部特征的色调映射图像质量客观评价方法
CN113537239B (zh) 一种基于全局关系感知注意力的高光谱图像波段选择方法
CN113113030A (zh) 一种基于降噪自编码器的高维受损数据无线传输方法
CN112468203B (zh) 深度迭代神经网络用低秩csi反馈方法、存储介质及设备
CN115359353A (zh) 一种花卉识别分类方法及装置
CN111754592A (zh) 一种基于特征通道信息的端到端多光谱遥感图像压缩方法
CN116361256B (zh) 基于日志解析的数据同步方法及系统
CN114820828A (zh) 一种基于Vision Transformer的图像压缩感知重构方法及系统
CN115278709B (zh) 一种基于联邦学习的通信优化方法
CN116761223B (zh) 利用5g基带芯片实现4g射频通信的方法及车载射频系统
CN109614984A (zh) 一种同源图像检测方法和系统
CN113450421A (zh) 一种基于增强深度学习的无人机侦察图像压缩与解压方法
CN116886127A (zh) 一种电力线载波时间序列预测方法及系统
CN112116062B (zh) 一种基于张量串分解的多层感知机非线性压缩方法
CN114677545A (zh) 一种基于相似性剪枝和高效模块的轻量化图像分类方法

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