一种基于深度学习的大规模MIMO信道状态信息反馈方法与流程

本发明涉及一种基于深度学习的大规模mimo信道状态信息反馈方法。

背景技术：

大规模mimo(multiple-inputmultiple-output)系统被认为是5g无线通信的关键技术之一，该技术通过在基站端配置大量天线，在空间域形成多个独立信道，从而大大增加无线通信系统的吞吐量。基于上述大规模mimo系统的潜在优势，建立在基站端可以精确获知信道状态信息的基础上，并以此通过预编码来消除多用户间的干扰，然而，对于fdd(frequencydivisionduplexity)的mimo系统，上行链路和下行链路工作在不同频点上，因此下行信道状态信息是由用户端获得，并通过反馈链路传送回基站端，考虑到基站端使用大量天线，反馈完整的信道状态信息将导致巨大的资源开销，在实际中是不可取的。因而在实际中通常采用量化或基于码本的方法来减小开销，这种方法一定程度损失了信道状态信息，且仍会随着天线数量的增加而线性增加，因此在大规模mimo系统中还是不可取。

目前关于大规模mimo系统信道状态信息反馈的研究中，借助信道状态信息的空时相关性和压缩感知的理论来减小反馈开销。具体来说，可将信道状态信息变换至某个基下的稀疏矩阵，利用压缩感知的方法对其进行随机压缩采样以获得低维度测量值；该测量值在占用少量资源开销的情况下通过反馈链路传递至基站端，基站端借助压缩感知的理论，从该测量值中重建出原稀疏信道矩阵。上述基于压缩感知的方法为目前较为先进的信道反馈方法，但仍然存在以下问题：1)压缩感知算法普遍依赖于关于信道结构的先验假设，即信道在某个变换基上满足稀疏性，而实际中信道不在任何变换基完全稀疏，且具有更复杂的结构，因而基于压缩感知的算法有赖于更复杂的先验条件；2)压缩感知使用随机投影的方法来获得低维度的压缩信号，因而没有获得完整的信道结构；3)目前存在的压缩感知算法多为迭代算法，需要巨大的计算开销，且对系统的实时性提出巨大挑战。

技术实现要素：

发明目的：本发明提出一种可以从低压缩率的反馈信息快速且准确地重建出信道状态信息的大规模mimo信道状态信息反馈方法，解决大规模mimo系统中信道状态信息反馈开销大的问题。

技术方案：本发明所述的一种基于深度学习的大规模mimo信道状态信息反馈方法，包括以下步骤：

(1)在用户端，对mimo信道状态信息在空频域的信道矩阵做二维离散傅立叶变换，获得在角延迟域稀疏的信道矩阵h；

(2)构建包括编码器和译码器的模型csinet，其中编码器属于用户端，将信道矩阵h编码为更低维度的码字，译码器属于基站端，从码字重建出原信道矩阵估计值

(3)对模型csinet进行训练，使得和h尽可能接近，获得模型参数；

(4)对csinet输出的重建信道矩阵进行二维逆dft变换，恢复得到原始空频域的信道矩阵重建值；

(5)将训练好的csinet模型用于信道信息的压缩感知和重建。

所述步骤(2)包括以下步骤：

(21)编码器包含一个卷积层和一个全连接层，随机初始化各层参数，将角延迟域稀疏的信道矩阵h作为编码器的输入，输出为比h维度低的一维向量，即为压缩编码后的码字s；

(22)将码字s反馈至基站端，通过基站端设计的译码器译码，译码器包含一个全连接层，两个refinenet单元和一个卷积层，随机初始化各层参数，译码器以码字s为输入，输出与信道矩阵h同维度的重建信道矩阵

(23)译码器的最后一个卷积层采用sigmoid激活函数，编码器和译码器的其余各卷积层均采用relu激活函数并使用批归一化，全连接层采用线性激活函数。

(24)将译码输出的信道矩阵与真实信道矩阵h的均方误差作为代价函数。

所述的模型参数主要包括全连接层的权重、偏置和卷积层的卷积核、偏置。

所述步骤(3)采用adam优化算法和端到端的学习方式，联合训练编码器和译码器的参数,使代价函数最小，代价函数描述如下：

其中，t为训练集的所有样本数，||·||2为欧几里得范数。

步骤(22)所述的refinenet单元包含一个输入层和三个卷积层，其中输入层数据与最后一个卷积层输出数据相加，作为refinenet单元的输出。

有益效果：与现有技术相比，本发明的有益效果：用编码器取代传统压缩感知算法的随机测量，译码器取代传统迭代式重建算法，极大改善信道重建质量并获得数倍的算法速度提升，且在传统方案无法工作的极低压缩率上，仍可有效保留波束成形增益，从而在有限的资源开销下，实现信道状态信息的反馈。

附图说明

图1为本发明的csinet网络架构图；

图2为本发明的refinenet单元结构图；

图3为本发明的角延迟域稀疏的信道矩阵示例图。

具体实施方式

以下将结合附图和一种cost2100mimo信道，对本发明做进一步详细说明。

一种基于深度学习的大规模mimo信道状态信息反馈方法，通过数据驱动的编码器——译码器架构，在用户端用编码器将信道状态信息压缩编码为低维度码字，经反馈链路传送至基站端译码器并重建出信道状态信息，减少信道状态信息反馈开销，同时提高信道重建质量和速度，具体包括如下步骤：

(1)一种mimo系统的下行链路中，基站端使用nt＝32根发送天线，用户端使用单根接收天线，该mimo系统采用ofdm载波调制方式，使用个子载波。用cost2100模型根据上述条件，在5.3ghz的室内微微蜂窝网场景产生15000个空频域信道矩阵的样本，并分成10000个样本的训练集、30000个样本的验证集以及20000个样本的测试集。对样本中每一个空频域的信道矩阵用和nt×nt(32×32)的dft矩阵fd和fa，对做二维dft变换，得到角延迟域上稀疏的信道矩阵即因为多径到达时间之间的延迟在有限的时间范围内，所以在延迟域上，信道矩阵h只有在前w＝32行上有值，因此保留其前w＝32行元素值，将其修正为32×32的信道矩阵图3给出了一个h的示例，其中元素取绝对值。

(2)如图1的csinet架构中编码器部分所示设计用户端的编码器，将复数域信道矩阵的实部和虚部拆分为两个均为32×32大小的实数矩阵，作为两通道的特征图输入编码器。编码器的第一层是一个两通道的卷积层，采用两个3×3大小的两通道卷积核与输入进行卷积，采用适当的零填充、relu激活函数和批归一化，使得该卷积层输出为两个32×32大小的特征图，即两个32×32大小的实数矩阵。将这两个矩阵拉直重组为一个2048×1的向量，输入编码器的第二层，即一个含有m个神经元的全连接层，采用线性激活函数，输出m×1的向量s，即为用户端要传送给基站端的压缩编码后的码字。

(3)如图1的csinet架构中译码器部分所示设计基站端的译码器，译码器包含一个全连接层，两个refinenet单元和一个卷积层，refinenet单元包含一个输入层和三个卷积层，以及一条将输入层数据加到最后一层的路径，如图2所示。第一层为包含2048个神经元的全连接层，以接收到的码字s为输入，采用线性激活函数，输出2048×1的向量。该向量输入译码器的第二层，即一个refinenet单元，该单元的第一层为输入层，将输入的2048×1的向量重组为两个32×32大小的实数矩阵，分别作为估计的信道矩阵的实部和虚部的初始化。refinenet的第二、三、四层均为卷积层，分别采用8个、16个和2个大小为3×3的卷积核，采用适当的零填充、relu激活函数和批归一化(batchnormalization)，使得每次卷积后得到的特征图大小与原信道矩阵h大小一致，为32×32。此外，输入层的数据与第三个卷积层，即refinenet的最后一层的数据相加，作为整个refinenet的输出。该refinenet的输出，即两个32×32大小的特征图，输入第二个refinenet单元，其输入层复制上一个refinenet单元的输出，其余部分与上一个refinenet单元一样，且其输出的两个32×32大小的特征图输入译码器的最后一个卷积层，采用sigmoid激活函数，将输出值范围限制在[0,1]区间，从而该译码器的最终输出为两个32×32大小的实数矩阵，作为最终重建的信道矩阵的实部和虚部。

(4)设计整个csinet架构的代价函数为译码器输出的信道矩阵与真实信道矩阵h的均方误差，即代价函数为其中t为训练集的所有样本数，||·||2为欧几里得范数。用(1)中产生的信道矩阵h的100000个训练集样本，采用adam优化算法和端到端的学习方式，联合训练编码器和译码器的参数，主要包括权重、偏置和卷积核，使得代价函数最小，其中adam算法中采用的学习率为0.001，每次迭代是使用训练集中的200个样本来计算梯度，并根据adam算法的公式更新参数，以此方式遍历整个训练集1000次。训练过程中可用验证集选择性能好的模型，上述csinet模型即为经选择后的模型；测试集可以测试最终模型的性能。

(5)训练好的csinet模型即可用于mimo系统的信道状态信息反馈。根据(1)所述将空频域信道状态信道信息变换为角延迟域的信道矩阵h，输入csinet架构，即可输出重建后的信道矩阵将该矩阵进行二维逆dft变换，即可恢复出原空频域的信道状态信息。

实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。