[發明專利]一種基于深度學習的信道信息壓縮反饋重建方法

有效

• 申請號: 202110942789.2
• 申請日: 2021-08-17
• 公開（公告）號: CN113726375B
• 公開（公告）日: 2022-10-14
• 發明（設計）人: 曾鳴;趙涵昱;費澤松;王文欣
• 申請（專利權）人: 北京理工大學重慶創新中心
• 主分類號: H04B7/0413
• 分類號: H04B7/0413;H04B7/0456;H04B7/06;G06N3/04;G06N3/08
• 代理公司: 成都九鼎天元知識產權代理有限公司 51214
• 代理人: 陽佑虹

1.一種基于深度學習的信道信息壓縮反饋重建方法，其特征在于，包括：對信道狀態信息數據進行預處理；建立信道信息壓縮反饋模型，所述建立信道信息壓縮反饋模型方法為：建立DB-CRBlock模塊，DB-CRBlock模塊包括4條平行路徑；路徑1堆疊2個分別為1×9和9×1的卷積層，路徑2經過1個3×3卷積層，路徑3堆疊2個分別為1×5和5×1的卷積層，路徑4經過1×1卷積核；所述路徑1、2、3利用contact層進行特征連接，其輸出與路徑4通過add層進行特征融合，再通過一個附加的LeakyReLU層；

以DB-CRBlock模塊為基礎，構造壓縮編碼模塊和解壓編碼模塊；再將兩個模塊在輸出維度上進行拼接，建立模型，實現信道狀態信息的壓縮反饋解壓過程；

通過反饋模型進行信道信息的壓縮和解壓；對反饋模型進行泛化訓練；對壓縮反饋重建進行評估。

2.如權利要求1所述的基于深度學習的信道信息壓縮反饋重建方法，其特征在于，對數據進行預處理的方法為：對信道狀態信息矩陣化；將矩陣化后的空間頻域矩陣轉化為角延遲域；對數據進行標準化處理。

3.如權利要求2所述的基于深度學習的信道信息壓縮反饋重建方法，其特征在于，所述空間頻域矩陣轉化為角延遲域方法為：通過離散傅里葉變換將信道矩陣從空間頻率轉移到角度分布域，同時將角度時延域信道矩陣趨近于0的部分刪除，得到新的稀疏矩陣：H'＝F_cHF_t^H；其中，F_c和F_t分別為對應維數的DFT矩陣，H為信道矩陣。

4.如權利要求1所述的基于深度學習的信道信息壓縮反饋重建方法，其特征在于，所述壓縮編碼模塊包括：80通道的3×3卷積層、兩個80通道的DB-CRBlock模塊、兩個128通道的DB-CRBlock模塊、一個128通道3×3卷積層和Flatten層。

5.如權利要求1所述的基于深度學習的信道信息壓縮反饋重建方法，其特征在于，所述解壓編碼模塊包括：平鋪Reshape層、全連接層、重塑Reshape層、3×3卷積層、兩個128通道的DB-CRBlock模塊、兩個80通道的DB-CRBlock模塊和LeakyReLU層。

6.如權利要求1所述的基于深度學習的信道信息壓縮反饋重建方法，其特征在于，對反饋模型進行泛化訓練為基于梯度下降算法對訓練集樣本數據進行若干輪訓練，利用適量驗證集證明訓練好的模型具有較好的泛化性，利用loss函數量化給定預測變量對預測數據與真實值之間的相似程度。

7.如權利要求1所述的基于深度學習的信道信息壓縮反饋重建方法，其特征在于，對壓縮反饋重建進行評估方法為：利用歸一化均方誤差函數，評估信道壓縮重建質量。