CN116633402A - 一种基于vae的信道信息反馈重构方法及系统 - Google Patents
一种基于vae的信道信息反馈重构方法及系统 Download PDFInfo
- Publication number
- CN116633402A CN116633402A CN202310473700.1A CN202310473700A CN116633402A CN 116633402 A CN116633402 A CN 116633402A CN 202310473700 A CN202310473700 A CN 202310473700A CN 116633402 A CN116633402 A CN 116633402A
- Authority
- CN
- China
- Prior art keywords
- model
- vae
- encoder
- base station
- bernoulli
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000009826 distribution Methods 0.000 claims abstract description 113
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000007906 compression Methods 0.000 claims abstract description 27
- 230000006835 compression Effects 0.000 claims abstract description 27
- 238000005070 sampling Methods 0.000 claims description 15
- 238000011084 recovery Methods 0.000 abstract description 18
- 238000013144 data compression Methods 0.000 abstract description 9
- 238000004891 communication Methods 0.000 abstract description 7
- 238000013461 design Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- H04L25/0224—Channel estimation using sounding signals
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种基于VAE的信道信息反馈重构方法及系统，涉及无线通信技术领域。包括：通过用户终端反馈信道稀疏度参数，基站设备接收稀疏度参数；通过基站对变分自编码器VAE模型进行训练；基站将训练好的变分自编码器VAE模型通过下行信道发送给用户设备；用户设备获取基站下发的变分自编码器VAE模型，根据变分自编码器VAE模型对信道状态信息CSI进行压缩；用户设备将压缩完成后的信道状态信息CSI通过上行信道反馈给基站；基站根据Decoder模型对信道状态信息CSI进行重构，完成基于VAE的信道信息反馈重构。本发明通过将VAE模型的隐变量采用Bernoulli‑Gaussian分布的形式，以及Loss的设计，改善了CSI的压缩率，解决了恢复率不高的问题。可应用于任何有数据压缩和反馈需求的场景中。
Description
技术领域
本发明涉及无线通信技术领域，尤其涉及一种基于VAE的信道信息反馈重构方法及系统。
背景技术
在大规模MIMO系统(Multiple Input Multiple Output，多输入多输出系统)中，BS(Base station，基站设备)和UE(User Equipment，用户设备/终端)分别配备了多个发射天线和接收天线进行信号传输，从而增加了并行传输信道的数量，也因此带来了信号间相互干扰的可能。为了消除用户间的信号干扰，所以需要在基站侧进行预编码，而预编码需要获得下行信道信息CSI(Channel State Information，信道状态信息)。
在时分双工系统中，BS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。然而，在FDD(Frequenc Division Duplexing，频分双工)系统中，由于频段的不同，信道互易性不再成立。因此，需要通过UE进行下行信道测量并压缩后，通过上行信道将估计的下行CSI反馈给BS。
此外，随着sidelink的快速发展，车联网对超可靠低延迟通信有着严格的要求，而大规模MIMO信道的CSI反馈可以有效支持5G V2I(Vehicle to Infrastructure，车到路边设施)场景下的超可靠低延迟通信。在目前的V2I场景下，车载终端的速度可以达到100km/h以上，这意味着高速移动的车载终端会加剧多普勒效应，引起信道快速变化，并引起载波间干扰，进而导致通信系统性能恶化。因此，为了消除载波间干扰，提高通信系统的性能，获得准确的CSI对于路边BS的超可靠低延迟通信设计至关重要。
但是CSI反馈的开销比较大，需要占用较多的上行带宽。例如在OFDM(OrthogonalFrequency Division Multiplexing，正交频分复用技术)大规模天线系统中，CSI需要在子带级别进行压缩，因此带来较大的CSI数据量。所以需要对CSI进行压缩，来减少上行信道的占用。
对于CSI压缩，传统的方法，例如DFT(Discrete Fourier Transform，离散傅里叶变换)、DCT(DCT for Discrete Cosine Transform，离散余弦变换)变换等，将信道矩阵元素投影到相应的变换基上，以获得CSI稀疏表示，例如空域DFT，以此来降低CSI压缩后的数据量。但这种基于变换的方法在一定程度上存在压缩率不高，恢复效果差的问题。相比之下，本发明提出的基于VAE的方法，在基站训练VAE模型，下发给UE使用进行CSI压缩并反馈给BS,有效的降低了系统的开销，提高而CSI重建的质量。
基于CsiNet的深度学习在某种程度上类似于深度学习中的自动编码器。高维CSI信道矩阵拟合编码器映射函数用于低维表示，解码器映射函数拟合近最优重构CSI信道矩阵。
例如，输入的值32×32×2分别表示CSI矩阵H的长度、CSI矩阵H的宽度和特征图的个数。在编码器中，第一卷积层用于提取CSI信道矩阵的特征，全连接层将CSI压缩为低维表示。解码器上的第一全连接层执行CSI信道矩阵的初始恢复。对编码器输入进行相同大小的重构后，输出输入两个相同的残差网络进行进一步重构。但CsiNet方法压缩比差，CSI恢复效果不好。
发明内容
本发明提出一种新的隐变量分布形式，在基站训练VAE模型，通过下行信道下发训练好的模型，从而解决CsiNet方法压缩比差，CSI恢复效果不好的问题。
为解决上述发明目的，本发明提供的技术方案如下：
本发明提供一种基于VAE的信道信息反馈重构方法，该方法适用于电子设备，方法步骤包括：
S1、通过用户终端反馈信道稀疏度参数，基站设备接收所述稀疏度参数；
S2、通过所述基站对变分自编码器VAE模型进行训练，或者选择训练好的变分自编码器VAE模型；其中变分自编码器VAE模型包括：Encoder模型和Decoder模型两部分；
S3、所述基站将训练好的变分自编码器VAE模型通过下行信道发送给用户设备，包括Encoder模型的网络结构和权值。
S4、所述用户设备获取所述基站下发的变分自编码器VAE模型，根据所述变分自编码器VAE模型对信道状态信息CSI进行压缩；所述用户设备将压缩完成后的信道状态信息CSI通过上行信道反馈给所述基站；
S5、所述基站根据所述Decoder模型对所述信道状态信息CSI进行重构，完成基于VAE的信道信息反馈重构。
优选地，S2中，所述Encoder模型和Decoder模型的网络结构可以为卷积网络或全连接网络。
优选地，S2中，通过所述基站对变分自编码器VAE模型进行训练，包括：
通过重参化的方法进行采样；对变分自编码器VAE模型的隐变量分布采用Bernoulli-Gaussian分布，预设所述Bernoulli-Gaussian分布的loss函数；根据所述loss函数对所述变分自编码器VAE模型进行训练；
其中，隐变量包括Bernoulli分布的参数以及Gaussian分布的参数，两种参数均通过所述基站训练后获得。
优选地，Bernoulli-Gaussian分布包括：
根据下述公式(1)对Bernoulli-Gaussian分布的概率密度函数pdf进行表示：
其中，∈k∈[0,1]表示混合参数，δ表示狄克拉分布，表示高斯分布的概率密度函数pdf；ξ表示随机变量、∈k表示Bernoulli分布采样值为1的概率、ωk高斯分布均值、βk表示高斯分布方差、。
优选地，预设所述Bernoulli-Gaussian分布的loss函数，包括：
预设loss函数，loss值包括：loss1以及loss2；所述loss1用于度量所述VAE模型输入和输出数据之间的差异值，所述loss1包括：L1Loss、L2Loss、Gaussian分布的KLD；
其中，根据下述公式(2)表示L1Loss：
其中，L1Loss表示平均绝对值误差MAE，和yi分别表示第i个样本的预测值和相应的真实值，n为样本的个数；
根据下述公式(3)表示L2Loss：
根据下述公式(4)表示Gaussian分布的KLD：
其中，是两个Gaussin的分布的KLD，∈1为Encoder输出的Bernoulli分布的参数，∈2为用户设备反馈的lambda值。
优选地，Bernoulli采样部分，将所述Bernoulli采样部分的反向传播梯度固定设置为1。
一种基于VAE的信道信息反馈重构系统，该系统用于上述的基于VAE的信道信息反馈重构方法，系统包括：
参数获取模块，用于通过用户终端反馈信道稀疏度参数，基站设备接收所述稀疏度参数；
模型训练模块，用于通过所述基站对变分自编码器VAE模型进行训练，或者选择训练好的变分自编码器VAE模型；其中变分自编码器VAE模型包括：Encoder模型和Decoder模型两部分；
下发模块，用于所述基站将训练好的变分自编码器VAE模型通过下行信道发送给用户设备，包括Encoder模型的网络结构和权值。
信息压缩模块，用于所述用户设备获取所述基站下发的变分自编码器VAE模型，根据所述变分自编码器VAE模型对信道状态信息CSI进行压缩；所述用户设备将压缩完成后的信道状态信息CSI通过上行信道反馈给所述基站；
重构模块，用于所述基站根据所述Decoder模型对所述信道状态信息CSI进行重构，完成基于VAE的信道信息反馈重构。
优选地，模型训练模块，进一步用于所述Encoder模型和Decoder模型的网络结构可以为卷积网络或全连接网络。
优选地，模型训练模块，进一步用于通过重参化的方法进行采样；对变分自编码器VAE模型的隐变量分布采用Bernoulli-Gaussian分布，预设所述Bernoulli-Gaussian分布的loss函数；根据所述loss函数对所述变分自编码器VAE模型进行训练；
其中，隐变量包括Bernoulli分布的参数以及Gaussian分布的参数，两种参数均通过所述基站训练后获得。
优选地，模型训练模块，进一步用于所述Bernoulli-Gaussian分布包括：
根据下述公式(1)对Bernoulli-Gaussian分布的pdf进行表示：
其中，∈k∈[0,1]表示混合参数，δ表示狄克拉分布，表示高斯分布的概率密度函数pdf；ξ表示随机变量、∈k表示Bernoulli分布采样值为1的概率、ωk高斯分布均值、βk表示高斯分布方差。
一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述基于VAE的信道信息反馈重构方法。
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述基于VAE的信道信息反馈重构方法。
上述技术方案，与现有技术相比至少具有如下有益效果：
上述方案，本发明提供的系统架构包括VAE的离线训练，Encoder压缩数据，Decoder恢复数据。所有数据具有潜在稀疏性，且需要数据压缩恢复的场景均可采用本方法。通过将VAE模型的隐变量采用Bernoulli-Gaussian分布的形式，以及Loss的设计，改善了CSI的压缩率，解决了恢复率不高的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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获得其他的附图。
图1为本发明所提供的一种基于VAE的信道信息反馈重构方法流程图。
图2为本发明实施例提供的变分自编码器构造图；
图3本发明所提供的一种基于VAE的信道信息反馈重构系统的结构示意图；
图4本发明所提供的一种基于VAE的信道信息反馈重构系统的结构示意图；
图5为本发明实施例提供的一种电子设备的结构示意图。
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的附图，对本发明实施例的技术方案进行清楚、完整地描述。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。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的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。
本发明针对CSI的压缩率，解决了恢复率不高的问题，通过将VAE模型的隐变量采用Bernoulli-Gaussian分布的形式，以及Loss的设计，提出了一种基于VAE的信道信息反馈重构方案。本发明可以应用于任何有数据压缩和反馈需求的场景中。
图1是本发明的一种基于VAE的信道信息反馈重构方法流程图，该方法可以由电子设备实现。所述方法用于基于VAE的信道信息反馈重构系统，所述方法包括：
S101、通过用户终端反馈信道稀疏度参数，基站设备接收所述稀疏度参数；
S102、通过所述基站对变分自编码器VAE模型进行训练，或者选择训练好的变分自编码器VAE模型；其中变分自编码器VAE模型包括：Encoder模型和Decoder模型两部分。
一种可行的实施方式中，VAE(隐变量服从Gaussian分布)的结构可以被视作Encoder-Decoder结构，其构造如图2所示。
具体的工作原理如下：
设定输入的真实样本为X＝{x1,x2,…,xn}，VAE假设给每一个xk设定一个其专属的后验分布P(Z|xk)，该分布以高斯分布的形式呈现，通过不断优化网络结构使得其同真实分布不断接近，以得到能够生成近似真实分布的模型。在VAE中，均值和方差都是通过编码器模块生成，该模块可使用任意深度学习模型。
令后验分布P(Z|xk)近似高斯分布的KLD衡量表达式为：
其中d表示隐向量的向量维度，μi和σi代表高斯分布中均值和方差的第i个分量。
VAE的损失函数，一个是衡量原始样本和生成样本相似度的重建损失，另一种是衡量后验分布P(Z|xk)同高斯分布近似程度的KL损失，可以将两者表示为：
一种可行的实施方式中，Encoder模型和Decoder模型的网络结构可以为卷积网络或全连接网络。
一种可行的实施方式中，本发明的框图如图3所示，其中左侧为Encoder，通过对输入信号进行推断，得到隐变量分布，如图中虚线框图所示。右侧为Decoder，通过对隐变量进行采样，得到对应的恢复数据。其中，Encoder和Decoder的网络结构可以为卷积网络，全连接网络等，本发明不限行Encoder和Decoder的实现类型。通常而言，采样后的隐变量数据量会比输入信号维度小，实现压缩的效果。
本发明实施例中，由于采样过程无法反向传递梯度，本发明采用重参化的方法进行采样，以避免采样过程的反向梯度无法传递的问题。该重参数化方法为本领域内技术人员所熟知的方法。本发明的重点主要是对VAE模型的隐变量分布采用了一种新的分布方式，即Bernoulli-Gaussian分布，并重新设计了该分布的Loss。在该模型中，隐变量包括Bernoulli分布的参数，和Gaussian分布的参数，并且这些参数都是通过基站训练得到的。
一种可行的实施方式中，S102中，通过所述基站对变分自编码器VAE模型进行训练，包括：
通过重参化的方法进行采样；对变分自编码器VAE模型的隐变量分布采用Bernoulli-Gaussian分布，预设所述Bernoulli-Gaussian分布的loss函数；根据所述loss函数对所述变分自编码器VAE模型进行训练；
其中，隐变量包括Bernoulli分布的参数以及Gaussian分布的参数，两种参数均通过所述基站训练后获得。
一种可行的实施方式中，Bernoulli-Gaussian分布包括：
根据下述公式(1)对Bernoulli-Gaussian分布的pdf(probability densityfunction，概率密度函数)进行表示：
其中，∈k∈[0,1]表示混合参数，δ表示狄克拉分布，表示高斯分布的概率密度函数pdf；ξ表示随机变量、∈k表示Bernoulli分布采样值为1的概率、ωk高斯分布均值、βk表示高斯分布方差。
一种可行的实施方式中，预设所述Bernoulli-Gaussian分布的loss函数，包括：
预设loss函数，loss值包括：loss1以及loss2；所述loss1用于度量所述VAE模型输入和输出数据之间的差异值，所述loss1包括：L1Loss、L2Loss、Gaussian分布的KLD；
其中，根据下述公式(2)表示L1Loss：
其中，L1Loss表示平均绝对值误差MAE，和yi分别表示第i个样本的预测值和相应的真实值，n为样本的个数；
一种可行的实施方式中，L2Loss(均方误差MSE)：指模型预测值和真实值y之间差值平方的平均值。根据下述公式(3)表示L2Loss：
一种可行的实施方式中，Gaussian分布的KLD：KLD是描述两个概率分布差异的一种方法。
Loss2主要用于度量实际输出的隐变量和目标隐变量的差异。由于隐变量由Bernoulli-Gaussin构成，其与目标的隐变量差异可以采用Bernoulli-Gaussian进行度量：Bernoulli-Gaussin的KLD为：根据下述公式(4)表示Gaussian分布的KLD：
其中，是两个Gaussin的分布的KLD，∈1为Encoder输出的Bernoulli分布的参数，∈2为用户设备反馈的lambda值。
一种可行的实施方式中，Bernoulli采样部分，将所述Bernoulli采样部分的反向传播梯度固定设置为1。以解决反向传播过程中采样无法求梯度的问题。
S103、所述基站将训练好的变分自编码器VAE模型通过下行信道发送给用户设备，包括Encoder模型的网络结构和权值。
S104、所述用户设备获取所述基站下发的变分自编码器VAE模型，根据所述变分自编码器VAE模型对信道状态信息CSI进行压缩；所述用户设备将压缩完成后的信道状态信息CSI通过上行信道反馈给所述基站；
S105、所述基站根据所述Decoder模型对所述信道状态信息CSI进行重构，完成基于VAE的信道信息反馈重构。
本发明实施例中，本发明提供的系统架构包括VAE的离线训练，Encoder压缩数据，Decoder恢复数据。所有数据具有潜在稀疏性，且需要数据压缩恢复的场景均可采用本方法。通过将VAE模型的隐变量采用Bernoulli-Gaussian分布的形式，以及Loss的设计，改善了CSI的压缩率，解决了恢复率不高的问题。
本发明可以应用于任何有数据压缩和反馈需求的场景中，例如V2I场景中。基站和终端，可以为任意需要数据压缩和恢复的A节点和B节点。
如图4所示，本发明实施例提供了一种基于VAE的信道信息反馈重构系统200，该系统可以由电子设备实现。如图4所示的基于VAE的信道信息反馈重构系统200示意图，该系统200包括：
参数获取模块210，用于通过用户终端反馈信道稀疏度参数，基站设备接收所述稀疏度参数；
模型训练模块220，用于通过所述基站对变分自编码器VAE模型进行训练，或者选择训练好的变分自编码器VAE模型；其中变分自编码器VAE模型包括：Encoder模型和Decoder模型两部分；
下发模块230，用于所述基站将训练好的变分自编码器VAE模型通过下行信道发送给用户设备，包括Encoder模型的网络结构和权值。
信息压缩模块240，用于所述用户设备获取所述基站下发的变分自编码器VAE模型，根据所述变分自编码器VAE模型对信道状态信息CSI进行压缩；所述用户设备将压缩完成后的信道状态信息CSI通过上行信道反馈给所述基站；
重构模块250，用于所述基站根据所述Decoder模型对所述信道状态信息CSI进行重构，完成基于VAE的信道信息反馈重构。
优选地，模型训练模块220，进一步用于所述Encoder模型和Decoder模型的网络结构可以为卷积网络或全连接网络。
优选地，模型训练模块220，进一步用于通过重参化的方法进行采样；对变分自编码器VAE模型的隐变量分布采用Bernoulli-Gaussian分布，预设所述Bernoulli-Gaussian分布的loss函数；根据所述loss函数对所述变分自编码器VAE模型进行训练；
其中，隐变量包括Bernoulli分布的参数以及Gaussian分布的参数，两种参数均通过所述基站训练后获得。
优选地，模型训练模块220，进一步用于所述Bernoulli-Gaussian分布包括：
根据下述公式(1)对Bernoulli-Gaussian分布的概率密度函数pdf进行表示：
其中，∈k∈[0,1]表示混合参数，δ表示狄克拉分布，表示高斯分布的概率密度函数pdf；ξ表示随机变量、∈k表示Bernoulli分布采样值为1的概率、ωk高斯分布均值、βk表示高斯分布方差。
优选地，预设所述Bernoulli-Gaussian分布的loss函数，包括：
预设loss函数，loss值包括：loss1以及loss2；所述loss1用于度量所述VAE模型输入和输出数据之间的差异值，所述loss1包括：L1Loss、L2Loss、Gaussian分布的KLD；
其中，根据下述公式(2)表示L1Loss：
其中，L1Loss表示平均绝对值误差MAE，和yi分别表示第i个样本的预测值和相应的真实值，n为样本的个数；
根据下述公式(3)表示L2Loss：
根据下述公式(4)表示Gaussian分布的KLD：
其中，是两个Gaussin的分布的KLD，∈1为Encoder输出的Bernoulli分布的参数，∈2为用户设备反馈的lambda值。
优选地，Bernoulli采样部分，将所述Bernoulli采样部分的反向传播梯度固定设置为1。
本发明实施例中，本发明提供的系统架构包括VAE的离线训练，Encoder压缩数据，Decoder恢复数据。所有数据具有潜在稀疏性，且需要数据压缩恢复的场景均可采用本方法。通过将VAE模型的隐变量采用Bernoulli-Gaussian分布的形式，以及Loss的设计，改善了CSI的压缩率，解决了恢复率不高的问题。
本发明可以应用于任何有数据压缩和反馈需求的场景中，例如V2I场景中。基站和终端，可以为任意需要数据压缩和恢复的A节点和B节点。
图5是本发明实施例提供的一种电子设备300的结构示意图，该电子设备300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)301和一个或一个以上的存储器302，其中，所述存储器302中存储有至少一条指令，所述至少一条指令由所述处理器301加载并执行以实现下述基于VAE的信道信息反馈重构方法的步骤：
S1、通过用户终端反馈信道稀疏度参数，基站设备接收所述稀疏度参数；
S2、通过所述基站对变分自编码器VAE模型进行训练，或者选择训练好的变分自编码器VAE模型；其中变分自编码器VAE模型包括：Encoder模型和Decoder模型两部分；
S3、所述基站将训练好的变分自编码器VAE模型通过下行信道发送给用户设备，包括Encoder模型的网络结构和权值。
S4、所述用户设备获取所述基站下发的变分自编码器VAE模型，根据所述变分自编码器VAE模型对信道状态信息CSI进行压缩；所述用户设备将压缩完成后的信道状态信息CSI通过上行信道反馈给所述基站；
S5、所述基站根据所述Decoder模型对所述信道状态信息CSI进行重构，完成基于VAE的信道信息反馈重构。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述基于VAE的信道信息反馈重构方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也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，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
Claims (10)
1.一种基于VAE的信道信息反馈重构方法，其特征在于，所述方法步骤包括：
S1、通过用户终端反馈信道稀疏度参数，基站设备接收所述稀疏度参数；
S2、通过所述基站对变分自编码器VAE模型进行训练，或者选择训练好的变分自编码器VAE模型；其中变分自编码器VAE模型包括：Encoder模型和Decoder模型两部分；
S3、所述基站将训练好的变分自编码器VAE模型通过下行信道发送给用户设备，包括Encoder模型的网络结构和权值。
S4、所述用户设备获取所述基站下发的变分自编码器VAE模型，根据所述变分自编码器VAE模型对信道状态信息CSI进行压缩；所述用户设备将压缩完成后的信道状态信息CSI通过上行信道反馈给所述基站；
S5、所述基站根据所述Decoder模型对所述信道状态信息CSI进行重构，完成基于VAE的信道信息反馈重构。
2.根据权利要求1所述的方法，其特征在于，所述S2中，所述Encoder模型和Decoder模型的网络结构为卷积网络或全连接网络。
3.根据权利要求2所述的方法，其特征在于，所述S2中，通过所述基站对变分自编码器VAE模型进行训练，包括：
通过重参化的方法进行采样；对变分自编码器VAE模型的隐变量分布采用Bernoulli-Gaussian分布，预设所述Bernoulli-Gaussian分布的loss函数；根据所述loss函数对所述变分自编码器VAE模型进行训练；
其中，隐变量包括Bernoulli分布的参数以及Gaussian分布的参数，两种参数均通过所述基站训练后获得。
4.根据权利要求3所述的方法，其特征在于，所述Bernoulli-Gaussian分布包括：
根据下述公式(1)对Bernoulli-Gaussian分布的概率密度函数pdf进行表示：
其中，∈k∈[0,1]表示混合参数，δ表示狄克拉分布，表示高斯分布的概率密度函数pdf；ξ表示随机变量、∈k表示Bernoulli分布采样值为1的概率、ωk高斯分布均值、βk表示高斯分布方差。
5.根据权利要求4所述的方法，其特征在于，所述预设所述Bernoulli-Gaussian分布的loss函数，包括：
预设loss函数，loss值包括：loss1以及loss2；所述loss1用于度量所述VAE模型输入和输出数据之间的差异值，所述loss1包括：L1Loss、L2Loss、Gaussian分布的KLD；
其中，根据下述公式(2)表示L1Loss：
其中，L1Loss表示平均绝对值误差MAE，和yi分别表示第i个样本的预测值和相应的真实值，n为样本的个数；
根据下述公式(3)表示L2Loss：
根据下述公式(4)表示Gaussian分布的KLD：
其中，是两个Gaussin的分布的KLD，∈1为Encoder输出的Bernoulli分布的参数，∈2为用户设备反馈的lambda值。
6.根据权利要求5所述的方法，其特征在于，所述Bernoulli采样部分，将所述Bernoulli采样部分的反向传播梯度固定设置为1。
7.一种基于VAE的信道信息反馈重构系统，其特征在于，所述系统包括：
参数获取模块，用于通过用户终端反馈信道稀疏度参数，基站设备接收所述稀疏度参数；
模型训练模块，用于通过所述基站对变分自编码器VAE模型进行训练，或者选择训练好的变分自编码器VAE模型；其中变分自编码器VAE模型包括：Encoder模型和Decoder模型两部分；
下发模块，用于所述基站将训练好的变分自编码器VAE模型通过下行信道发送给用户设备，包括Encoder模型的网络结构和权值。
信息压缩模块，用于所述用户设备获取所述基站下发的变分自编码器VAE模型，根据所述变分自编码器VAE模型对信道状态信息CSI进行压缩；所述用户设备将压缩完成后的信道状态信息CSI通过上行信道反馈给所述基站；
重构模块，用于所述基站根据所述Decoder模型对所述信道状态信息CSI进行重构，完成基于VAE的信道信息反馈重构。
8.根据权利要求7所述的系统，其特征在于，所述模型训练模块，进一步用于所述Encoder模型和Decoder模型的网络结构为卷积网络或全连接网络。
9.根据权利要求8所述的系统，其特征在于，所述模型训练模块，进一步用于通过重参化的方法进行采样；对变分自编码器VAE模型的隐变量分布采用Bernoulli-Gaussian分布，预设所述Bernoulli-Gaussian分布的loss函数；根据所述loss函数对所述变分自编码器VAE模型进行训练；
其中，隐变量包括Bernoulli分布的参数以及Gaussian分布的参数，两种参数均通过所述基站训练后获得。
10.根据权利要求9所述的方法，其特征在于，所述模型训练模块，进一步用于所述Bernoulli-Gaussian分布包括：
根据下述公式(1)对Bernoulli-Gaussian分布的概率密度函数pdf进行表示：
其中，∈k∈[0,1]表示混合参数，δ表示狄克拉分布，表示高斯分布的概率密度函数pdf；ξ表示随机变量、∈k表示Bernoulli分布采样值为1的概率、ωk高斯分布均值、βk表示高斯分布方差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310473700.1A CN116633402B (zh) | 2023-04-27 | 2023-04-27 | 一种基于vae的信道信息反馈重构方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310473700.1A CN116633402B (zh) | 2023-04-27 | 2023-04-27 | 一种基于vae的信道信息反馈重构方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116633402A true CN116633402A (zh) | 2023-08-22 |
| CN116633402B CN116633402B (zh) | 2024-05-24 |
Family
ID=87591071
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310473700.1A Active CN116633402B (zh) | 2023-04-27 | 2023-04-27 | 一种基于vae的信道信息反馈重构方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116633402B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150110210A1 (en) * | 2013-10-18 | 2015-04-23 | Nokia Solutions And Networks Oy | Channel state information acquisition and feedback for full dimension multiple input multiple output |
| 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 |
| CN108847876A (zh) * | 2018-07-26 | 2018-11-20 | 东南大学 | 一种大规模mimo时变信道状态信息压缩反馈及重建方法 |
| CN109672464A (zh) * | 2018-12-13 | 2019-04-23 | 西安电子科技大学 | 基于fcfnn的大规模mimo信道状态信息反馈方法 |
| 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 |
| WO2020034394A1 (zh) * | 2018-08-13 | 2020-02-20 | 南京邮电大学 | 基于压缩感知的大规模mimo信道反馈重构算法 |
| WO2021102917A1 (en) * | 2019-11-29 | 2021-06-03 | Nokia Shanghai Bell Co., Ltd. | Feedback of channel state information |
| CN114826462A (zh) * | 2022-04-22 | 2022-07-29 | 东南大学 | 面向大规模mimo统计端口选择的波束域信道增广方法 |
| 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 |
-
2023
- 2023-04-27 CN CN202310473700.1A patent/CN116633402B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150110210A1 (en) * | 2013-10-18 | 2015-04-23 | Nokia Solutions And Networks Oy | Channel state information acquisition and feedback for full dimension multiple input multiple output |
| 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 |
| CN108847876A (zh) * | 2018-07-26 | 2018-11-20 | 东南大学 | 一种大规模mimo时变信道状态信息压缩反馈及重建方法 |
| WO2020034394A1 (zh) * | 2018-08-13 | 2020-02-20 | 南京邮电大学 | 基于压缩感知的大规模mimo信道反馈重构算法 |
| CN109672464A (zh) * | 2018-12-13 | 2019-04-23 | 西安电子科技大学 | 基于fcfnn的大规模mimo信道状态信息反馈方法 |
| 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 |
| WO2021102917A1 (en) * | 2019-11-29 | 2021-06-03 | Nokia Shanghai Bell Co., Ltd. | Feedback of channel state information |
| CN114826462A (zh) * | 2022-04-22 | 2022-07-29 | 东南大学 | 面向大规模mimo统计端口选择的波束域信道增广方法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| M. HUSSIEN, K. K. NGUYEN AND M. CHERIET: "PRVNet: A Novel Partially-Regularized Variational Autoencoders for Massive MIMO CSI Feedback", 2022 IEEE WIRELESS COMMUNICATIONS AND NETWORKING CONFERENCE (WCNC) * |
| 黄源: "基于压缩感知的MIMO系统稀疏信道估计方法研究", 中国博士学位论文全文数据库 信息科技辑 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116633402B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110912598B (zh) | 基于长短时注意力机制的大规模mimo系统csi反馈方法 | |
| CN109560841A (zh) | 基于改进的分布式压缩感知算法的大规模mimo系统信道估计方法 | |
| US10148330B2 (en) | Beamforming smoothing and indication | |
| EP4106221A1 (en) | Channel state information feedback method, device, terminal, and network side, and storage medium | |
| US8681902B2 (en) | Method and apparatus for low complexity robust reconstruction of noisy signals | |
| CN115001629A (zh) | 信道量化反馈方法、装置、电子设备及存储介质 | |
| CN112600596B (zh) | 基于张量并行压缩的毫米波系统信道反馈方法 | |
| DE102022126344A1 (de) | Systeme, Verfahren und Einrichtung für künstliche Intelligenz und maschinelles Lernen für eine Physical Layer eines Kommunikationssystems | |
| CN111436075B (zh) | 信道状态信息的上报方法、解码方法、终端及网络侧设备 | |
| CN113556158B (zh) | 一种面向车联网的大规模mimo智能csi反馈方法 | |
| 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 | |
| CN116633402B (zh) | 一种基于vae的信道信息反馈重构方法及系统 | |
| CN116505989B (zh) | 一种基于复数编码器混合神经网络的csi反馈方法及系统 | |
| EP4362365A1 (en) | Method for feeding back channel state information, method for receiving channel state information, and terminal, base station, and computer-readable storage medium | |
| WO2023104205A1 (zh) | 反馈、获取及训练方法、终端、基站、电子设备和介质 | |
| CN114629533B (zh) | 大规模mimo信道估计的信息几何方法及系统 | |
| TWI669921B (zh) | 基於深度學習作為通道狀態資訊之回饋方法 | |
| CN114204972B (zh) | 一种秩指示和预编码矩阵索引的计算方法、接收端设备 | |
| Li et al. | Joint measure matrix and channel estimation for millimeter-wave massive MIMO with hybrid precoding | |
| 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 | |
| CN111726155B (zh) | Csi反馈方法、接收方法、终端和网络侧设备 | |
| WO2023030538A1 (zh) | 信道状态信息的处理方法、终端、基站、计算机可读存储介质 | |
| WO2023040618A1 (en) | Method and apparatus for mimo csi feedback | |
| WO2023036119A1 (zh) | 信道状态信息的反馈方法、反馈信息的处理方法、终端、基站、及计算机可读存储介质 | |
| CN117749329A (zh) | 一种信道处理方法、设备及存储介质 |
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 |