[發明專利]深度迭代神經網絡用低秩CSI反饋方法、存儲介質及設備有效
| 申請號： | 202011304130.6 | 申請日： | 2020-11-19 |
| 公開（公告）號： | CN112468203B | 公開（公告）日： | 2022-07-26 |
| 發明（設計）人： | 薛江;郭建華 | 申請（專利權）人： | 杭州勒貝格智能系統股份有限公司 |
| 主分類號： | H04B7/06 | 分類號： | H04B7/06;H04L1/06;G06N3/08;G06N3/04 |
| 代理公司： | 西安通大專利代理有限責任公司 61200 | 代理人： | 高博 |
| 地址： | 310000 浙江省杭州市余杭*** | 國省代碼： | 浙江;33 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 深度 神經網絡 用低秩 csi 反饋 方法 存儲 介質 設備 | ||
1.深度迭代神經網絡用低秩CSI反饋方法，其特征在于，包括以下步驟：
S1、基于信道的低秩性對信道矩陣進行分解，得到信道的線性無關部分與其余部分；
S2、利用終端與基站同步設定的測量矩陣，分別對步驟S1低秩信道矩陣的線性無關部分與其余部分進行壓縮，并反饋至基站得到CSI的壓縮反饋信息；
S3、基于步驟S2得到的CSI壓縮反饋信息，基于信道矩陣的稀疏性，利用FISTA算法展開得到的深度迭代神經網絡重構低秩信道的線性無關部分，并根據信道矩陣的線性無關部分與其余部分的相互線性表出，得到信道矩陣其余部分的一個優于最小二乘方法的初值；
S4、基于步驟S3得到的信道矩陣的其余部分的一個優于最小二乘方法的一個優于最小二乘方法的初值，再次利用FISTA算法展開得到的深度迭代神經網絡重構信道矩陣的其余部分；
S5、在不同的信噪比下，使用CSI壓縮反饋信息和測量矩陣訓練步驟S3與步驟S4中得到的深度迭代神經網絡，利用訓練好的深度迭代神經網絡在基站從終端通過測量矩陣分別壓縮低秩信道矩陣的線性無關部分和其余部分的壓縮反饋信息，分別重構低秩信道的線性無關部分與其余部分，重構出完整終端反饋的低秩CSI。
2.根據權利要求1所述的方法，其特征在于，步驟S1中，信道的線性無關部分與其余部分為：
其中，Nr,Nt分別為終端和基站的天線數，信道矩陣的秩為r，為信道的線性無關部分，h2為信道的剩余部分。
3.根據權利要求1所述的方法，其特征在于，步驟S3中，令重構出的信道線性無關部分為其余部分的初值為：
其中，h2為信道的剩余部分，M＝kron(I,h1)，kron為克羅內克積，h1為信道的線性無關部分，C2為終端與基站同步設定的測量矩陣，y2為其余部分的反饋信息，m2為目標壓縮維度。
4.根據權利要求1所述的方法，其特征在于，步驟S4中，重構網絡具體為：
S401、在第k次迭代中，展開FISTA算法的第一步，進行梯度下降得到Nr為終端的天線數，i＝1,2；
S402、將步驟S401中計算的轉化為一張單通道的圖像Ni表示信道的線性無關部分與其余部分的列維度；
S403、利用二維3×3卷積增加的通道數至D，得到卷積后的圖像ri(k)且
S404、對步驟S403得到的卷積后的圖像，利用一個小型子網絡逐通道學習出一組閾值
S405、根據步驟S404得到的閾值對ri(k)進行軟閾值處理，得到稀疏數據并利用3×3卷積降低通道數至1，得到單通道圖像
S406、基于殘差網絡，將步驟S402中的單通道圖像與步驟S405中的單通道圖像相加得到并再次轉化為向量得到第k次迭代的迭代值
S407、將FISTA算法中的收縮系數整體作為一個可學習的參數進行梯度加速得到第k次迭代的重構值
S408、將步驟S401到步驟S407的過程重復迭代訓練K次，得到展開FISTA算法的深度迭代神經網絡。
5.根據權利要求4所述的方法，其特征在于，步驟S404中，小型子網絡包括對ri(k)的絕對值進行全局平均池化、兩個全連接層、ReLu與Sigmoid激活函數，閾值計算如下：
其中，GAP為全局平均池化函數，為通過全連接并放縮到(0,1)的系數。
6.根據權利要求1所述的方法，其特征在于，步驟S5中，使用25％的壓縮比下的CSI反饋樣本訓練深度迭代神經網絡，利用訓練得到的深度迭代神經網絡模型分別重構低秩信道的線性無關部分和其余部分。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于杭州勒貝格智能系統股份有限公司，未經杭州勒貝格智能系統股份有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202011304130.6/1.html，轉載請聲明來源鉆瓜專利網。
