[發明專利]一種基于深度學習的信道狀態信息特征提取方法及系統

在審

• 申請號: 202110761547.3
• 申請日: 2021-07-06
• 公開（公告）號: CN113449259A
• 公開（公告）日: 2021-09-28
• 發明（設計）人: 杜留鋒;宋長源;楊文強;王占奎;田熙燕;秦國慶;郭新
• 申請（專利權）人: 河南科技學院
• 主分類號: G06F17/16
• 分類號: G06F17/16;G06N3/04;G06N3/08
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 王愛濤

1.一種基于深度學習的信道狀態信息特征提取方法，其特征在于，包括：

獲取感知場景中的信道狀態信息，并對所述信道狀態信息進行濾波處理；

將濾波處理后的信道狀態信息按時序轉換為各個空間流的幅度矩陣，并將各個空間流的幅度矩陣合并為三階張量；

將三階張量中的幅度矩陣進行低秩矩陣分解，得到結構化信息矩陣和波動數據矩陣；

根據三階張量中的幅度矩陣確定關于時間分集的梯度矩陣以及關于頻率分集的梯度矩陣；

根據所述結構化信息矩陣、所述波動數據矩陣、關于時間分集的梯度矩陣以及關于頻率分集的梯度矩陣確定四階的模型驅動數據；

根據所述四階的模型驅動數據，基于3D卷積神經網絡和門控循環單元網絡框架，確定訓練后的信道狀態信息特征提取深度模型；所述信道狀態信息特征提取深度模型以所述四階的模型驅動數據為輸入，以感知目標態勢的信道狀態信息特征為輸出。

2.根據權利要求1所述的一種基于深度學習的信道狀態信息特征提取方法，其特征在于，所述將濾波處理后的信道狀態信息按時序轉換為各個空間流的幅度矩陣，并將各個空間流的幅度矩陣合并為三階張量，具體包括：

利用公式確定任一空間流N個幅度向量按時序確定的相應空間流的幅度矩陣；

利用公式確定九個空間流的幅度矩陣合并的三階張量；

其中，為各空間流幅度向量，h_t,r為濾波處理后的信道狀態信息中第t個發天線到第r個收天線空間流的復向量，為點積，為復向量h_t,r的共軛，H_i為第i個空間流的幅度矩陣，K為空間流的載波總數，k為子信道的標號。

3.根據權利要求2所述的一種基于深度學習的信道狀態信息特征提取方法，其特征在于，所述將三階張量中的幅度矩陣進行低秩矩陣分解，得到結構化信息矩陣和波動數據矩陣，具體包括：

以為目標函數，以s.t.Ι+F＝H；為約束條件，確定Lagrangian函數；

所述Lagrangian函數包括：

利用交替方向乘子法對所述Lagrangian函數進行求解，確定結構化信息矩陣和波動數據矩陣；

其中，I為結構化信息，F為波動數據，H為三階張量中的幅度矩陣，||||_*為核范數，||||_F為Frobenius范數，為l_2,1范數，目的是稀疏列向量，V為乘子矩陣，ρ為罰因子，λ為調節波動比的超參。

4.根據權利要求3所述的一種基于深度學習的信道狀態信息特征提取方法，其特征在于，所述根據三階張量中的幅度矩陣確定關于時間分集的梯度矩陣以及關于頻率分集的梯度矩陣，具體包括:

利用公式確定關于時間分集的梯度矩陣；

利用公式確定關于頻率分集的梯度矩陣；

其中，H_n為關于時間分集的梯度矩陣，H_k為關于頻率分集的梯度矩陣。

5.根據權利要求4所述的一種基于深度學習的信道狀態信息特征提取方法，其特征在于，所述根據所述結構化信息矩陣、所述波動數據矩陣、關于時間分集的梯度矩陣以及關于頻率分集的梯度矩陣確定四階的模型驅動數據，具體包括：

利用公式確定四階的模型驅動數據；

其中，[H_n；[0]_1×K]為H_n底端增補K維全0行向量，[H_k,[0]_N×1]為H_k右端增補N維全0列向量。