一种基于深度学习的轻量化端到端CSI获取方法

本发明涉及无线通信，尤其涉及一种基于深度学习的轻量化csi获取方法。

背景技术：

1、在大规模mimo系统中，基站端发送导频到用户端，用户端需要根据导频信号来估计下行信道，当天线数量增加时，信道维度也会增加，需要发送长度更长且数量更多的导频信号来估计信道，这会大幅增加导频开销，降低系统频谱效率，同时增加基站端的功耗。

2、在频分双工模式下，用户端获取到下行信道状态信息(channel stateinformation，csi)后，需要将下行csi通过反馈链路反馈给基站端，基站端端根据反馈的csi来进行预编码设计，以减少干扰，提高系统整体性能。传统方法通常采用矢量量化或基于码本的方法来减少反馈开销。然而，在天线数量众多的情况下，反馈开销会变得巨大，这会增加系统时延，降低系统频谱效率。

3、传统的信道估计是在用户端进行，用户端需要根据导频信号来估计出下行信道，并将估计的信道信息通过反馈信道反馈回基站端，基站端需要根据反馈信息来恢复下行信道。在用户端的信道估计和基站端的信道恢复都会引入额外的误差，从而增加基站端估计出的信道的误差，降低系统整体性能。

4、transformer由于其自注意力机制可以并行处理序列中元素，能够捕捉长距离的依赖关系，有利于捕获序列中的全局信息的优点，被广泛应用于各个领域。但是transformer模型通常需要大量的计算资源，特别是在处理大规模数据集或长序列时。由于每个位置的注意力计算都需要与序列长度成正比的时间和空间复杂度，因此在计算上会面临挑战。因此，需要一种轻量化的transformer模型，使得其在保持一定性能的同时减少计算开销。

5、fdd系统的下行csi获取包括三个主要步骤：导频传输、信道估计和反馈。这些步骤相互作用并相互影响。即使其中一个步骤达到最佳性能，整个系统的性能也未必达到最优。因此，需要设计一个完整的fdd大规模mimo系统的完整下行csi获取框架。然而，在实际无线系统中，首先在用户端估计下行信道，然后进行压缩和反馈的传统方法相比直接反馈接收信号，需要额外的计算资源。因此，需要设计一个完整的省去用户端信道估计的fdd大规模mimo系统的下行csi获取网络。

6、为了实现一个完整的省去用户端信道估计的轻量化端到端csi获取框架，降低计算开销并提高信道估计精度，本发明提出了一种基于深度学习的轻量化端到端csi获取方法。

技术实现思路

1、本发明的目的在于提供一种基于深度学习的轻量化端到端csi获取方法，以解决上述背景技术中提出的问题。

2、为了实现上述目的，本发明采用了如下技术方案：一种基于深度学习的轻量化端到端csi获取方法，包括以下步骤：

3、s11、生成训练轻量化端到端csi获取网络hopfnet的输入数据集；

4、s12、将生成的输入数据集输入hopfnet中，对hopfnet进行训练，保存模型最佳权重。hopfnet包括：a)导频设计网络模块、b)csi反馈编码器网络模块、c)csi反馈解码器网络模块；具体架构如下：

5、a)导频设计网络模块，由全连接层fc_1和add操作构成，其中全连接层fc_1维度为l，层数设置为1，偏置设置为0，不设置激活函数，add操作将全连接层fc_1的输出信号与加性高斯白噪声相加，k为子载波数目，l为导频信号长度。

6、b)csi反馈编码器网络模块，由flatten层和全连接层fc_2构成，其中flatten层将维度为2×k×l的三维矩阵变换为维度为2kl×1的向量，全连接层fc_2的维度设置为m，其中m为码字压缩长度。

7、c)csi反馈解码器网络模块，依次由全连接层fc_3、reshape#1、hopfa块和reshape#2构成，其中全连接层fc_3的维度为2knt，无偏置；reshape#1将维度为2knt×1的向量变换为维度为2k×nt的矩阵；hopfa块由输入嵌入、位置编码、前馈网络、残差连接和层归一化、基于正交随机特征的高速注意力机制hopfa组成，其中输入嵌入的维度为nt，前馈网络的维度为1024；reshape#2将维度为2k×nt的向量变换成维度为2×k×nt的矩阵，k为子载波数目，nt为基站天线数；

8、s13、基站端将训练完成的导频设计网络的权重作为导频信号，将导频信号发送至用户端；用户端接收到导频信号后，将导频信号输入csi反馈编码器网络模块，得到压缩的导频信号，并将压缩的导频信号通过反馈链路反馈回基站端；基站端将接收到的压缩的导频信号输入csi反馈解码器网络模块，得到基站端到用户端的下行实时估计信道。

9、优选地，所述步骤s11中，hopfnet的输入数据集为{g,g}，其中为信道矩阵，表示对信道矩阵η取实部，表示对信道矩阵η取虚部，k为子载波数目，nt为基站天线数。

10、优选地，所述步骤s12中，基于正交随机特征的高速注意力机制hopfa由特征映射层、随机投影层、自注意力机制层组成，其中特征映射层层数设置为1，特征维度设置为512；随机投影层层数设置为1，特征维度设置为1024；自注意机制层层数设置为1，注意力头数设置为8。

11、优选地，所述步骤s12中，对hopfnet进行训练，损失函数设置为均方误差优化器设置为adam，batchsize设置为200，学习率为0.0001，epoch设置为600，其中为hopfnet训练过程中的数据集的标签，为hopfnet训练过程中模型的输出数据，为信道矩阵，表示对信道矩阵η取实部，表示对信道矩阵η取虚部，k为子载波数目，nt为基站天线数，n为训练样本个数。

12、优选地，所述步骤s12中，保存模型最佳权重，开始训练时，将loss_best设置为200，每一轮训练完成后，将验证集输入训练完成的hopfnet，得到当前轮验证集的loss，若loss小于loss_best，则将loss赋值给loss_best，且保存本轮训练的模型权重作为最佳权重，继续下一轮训练；若loss大于loss_best，则直接进行下一轮训练。

13、优选地，所述步骤s13中，基站端将训练完成的导频设计网络的权重作为导频信号，将导频信号发送至用户端，经过hopfnet的处理后得到网络的输出将v在第一个维度拆分成两个矩阵其中k为子载波数目，nt为基站天线数，计算即可得到下行实时估计信道

14、与现有技术相比，本发明具有以下有益效果：

15、1、本发明与传统的csi获取网络不同，传统的csi获取网络包括导频设计、信道估计、信道压缩和信道重建四个步骤，而本发明绕过了信道估计，直接将用户端接收到的导频信号压缩成反馈码字，然后传输回基站；基站利用这些反馈码字来重建下行信道，从而显著节省了计算开销。

16、2、本发明中使用了一种轻量化的transformer架构，与传统的transformer架构的自注意力机制不同，本发明使用了一种基于正交随机矩阵的高速注意力机制hopfa，自注意力机制具有较高的计算复杂度，使得其在实际部署中比较困难，而hopfa将计算复杂度降低到了线性水平，从而节省了计算成本。

17、3、本发明与传统的csi获取网络不同，传统的csi获取网络是导频设计、信道压缩和信道重建分开进行设计的，是三个独立的网络模块，而本发明是一个轻量化的端到端的csi获取网络hopfnet，可以由输入导频信号数据经过hopfnet直接输出基站端到用户端的下行实时估计信道。这样端到端的一体化设计显著节省了计算资源，降低了反馈成本和延迟。