[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

本發明公開了一種基于深度學習的信道信息壓縮反饋重建方法，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；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；本發明的壓縮反饋模型均易于實現，適用于不同場景不同配置的信道狀態信息的壓縮反饋，適應性強；通過對信道狀態信息矩陣的預處理步驟，利用了信道矩陣在角度域內稀疏的特性，解決信道狀態信息矩陣對于大規模MIMO系統來說過于龐大的問題；可以更好地提取更加精細的特征，適應實際任務中信道狀態信息的稀疏性，提高模型的魯棒性與應用廣泛性；可以以較高的完整度保留信道完整信息，趨近于無損傳輸，大幅度提升信道信息反饋性能。

技術領域

本發明涉及機器學習領域，尤其是一種基于深度學習的信道信息壓縮反饋重建方法。

背景技術

對于現代的通信系統來說，物理層是保障現代通信服務的基礎，而MIMO技術又是物理層基本的技術支撐；在通信過程中，如何準確及時地確定信道質量并且做出有效的反饋及利用是非常關鍵的問題。大規模多輸入多輸出技術是能夠有效提高頻譜效率和能量效率的一種技術，它可以將網絡連接的容量提高數倍且無需占用更多的頻譜。發射機以及接收機所配備的天線數量越多，其可能存在的信號路徑就越多，通信過程中的數據速率和鏈路可靠性能也就更好。

但隨著信道路徑的增加，實時變化的信道狀態信息數據也更加海量，導致反饋實時信道信息以便基站進行預編碼遭遇重大挑戰。我們知道，上行鏈路的信道狀態信息可以通過信道估計來獲得，但是下行鏈路信道狀態信息則只能通過用戶設備的反饋來獲得，由于大規模多輸入多輸出系統的存在海量信道狀態信息，信道狀態信息矩陣變得非常龐大，使得反饋過程具有很大的挑戰性，整個反饋過程產生的通信花銷也變得不可接受。

早起提出的壓縮感知技術利用MIMO特定域中的大量信道狀態信息的稀疏性，有效地降低反饋開銷，此壓縮方法將壓縮效率提升了很大的水平，然而，此算法需要通過迭代算法來實現，耗費大量的計算資源和時間資源，而且，基于壓縮感知的方法將信道狀態信息的稀疏性作為先驗條件，忽略了實時環境特征，因此難以應用于實際問題中。

發明內容

本發明的發明目的在于：針對上述存在的問題，提供一種基于深度學習的信道信息壓縮反饋重建方法；本發明解決了壓縮反饋過程耗費大量的計算資源和時間資源的問題；解決了信息矩陣過于龐大的問題；解決了傳輸過程中信息損耗丟失的問題。

本發明采用的技術方案如下：

一種基于深度學習的信道信息壓縮反饋重建方法，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；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。

進一步的，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。

進一步的，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：其中，其中F_c和F_t分別為對應維數的DFT矩陣。

進一步的，所述建立信道信息壓縮反饋模型方法為：建立DB-CRBlock模塊；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。

進一步的，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。