一种大规模MIMO信道状态信息反馈中的量化和逆量化方法技术

本发明专利技术公开了一种大规模MIMO信道状态信息反馈中的量化和逆量化方法。首先，在用户端获取信道矩阵，对信道矩阵作二维DFT变换，使得在空间‑频率域的信道矩阵变换为在角度‑时间延迟域稀疏的信道矩阵；其次，构建经量化的信道反馈及重建的模型Quantized‑CsiNet；再次，对经量化的信道反馈及重建模型进行训练；然后，对输出的重建信道矩阵作二维逆DFT变换，恢复出原始空间‑频率域的信道矩阵重建值；最后，将此训练好的Quantized‑CsiNet模型应用于各实际场景中的信道状态信息反馈，重建出原信道矩阵。本发明专利技术通过在CsiNet中加入量化和逆量化模块可获得实际可传输的信道状态信息比特流，并减小大规模MIMO信道信息的反馈开销，提高重建精度，特别是对量化误差具有极好的鲁棒性。

A Quantization and Inverse Quantization Method for Large-scale MIMO Channel State Information Feedback

【技术实现步骤摘要】
一种大规模MIMO信道状态信息反馈中的量化和逆量化方法
本专利技术涉及一种大规模MIMO信道状态信息反馈中的量化和逆量化方法，属于通信

技术介绍
大规模多输入多输出(MassiveMultiple-InputMultiple-Output，MassiveMIMO)系统被广泛认为是5G无线通信系统的一个主要技术。这种系统通过给基站配置数百甚至数千根天线组成天线阵列，可以大大减少多用户干扰，从而在相同的时频资源块上同时服务多个用户，并提供成倍增加的蜂窝小区吞吐量。然而，上述潜在的好处主要是通过利用在基站中的CSI获得的。时分双工(Time-DivisionDuplexing，TDD)技术虽可从上行链路获得CSI，但需要复杂的校准过程，而频分双工(Frequency-DivisionDuplexing,FDD)技术则是完全需要通过反馈获得CSI。在现今的FDDMassiveMIMO系统中，在训练期间，用户设备(UserEquipment，UE)作为接收端获取下行链路的CSI，并通过反馈链路将CSI返回给基站(BaseStation，BS)。由于大规模MIMO系统中天线数量大大增加，反馈完整的CSI会带来巨大的开销，通常采用矢量量化或基于码本的有限反馈算法，但会出现量化误差增大、码本设计复杂、反馈开销线性增长等问题，因而不适用于大规模MIMO系统的信道反馈。目前已提出的基于深度学习的大规模MIMO信道状态信息反馈及重建模型CsiNet，利用信道状态信息的空时相关性和压缩感知的理论来重建CSI，并且减小了反馈开销。但是CsiNet在用户端对CSI数据仅仅只做了压缩采样，并没有经过实际中信号在传输前所要经过的完整的处理过程，即压缩感知方法并没有把CSI数据压缩成真正的传输形式，因为其没有产生可以传输的比特流，仅仅只对信息做了维度上的减少。信号在传输之前都要经过由模拟到数字的转换，用有限个比特进行表示才能进行存储、传输和处理。因此，在传输前，由压缩感知得到的测量矩阵需要经过量化编码，然而也引入了量化误差。因此，在基站端译码之前也需要对接收到的数据进行逆量化处理，以抵消量化误差。
技术实现思路
为克服现有CsiNet的不足，本专利技术根据CSI数据的分布特点，提供一种大规模MIMO信道状态信息反馈中的量化和逆量化方法，弥补CsiNet中没有考虑实际数据传输形式的缺陷，并且使得新网络对量化误差具有较强的鲁棒性。本专利技术为解决上述技术问题采用以下技术方案：本专利技术提供一种大规模MIMO信道状态信息反馈中的量化和逆量化方法，包括以下步骤：步骤一：在MIMO的用户端，获取信道状态信息在空间-频率域的信道矩阵并对其作二维离散傅里叶变换，获得在角度-时间延迟域稀疏的信道矩阵H；步骤二：构建经量化的信道反馈及重建模型Quantized-CsiNet，此模型包括编码器、译码器和量化、逆量化模块，其中编码器、量化模块属于用户端，逆量化模块和译码器属于基站端；在用户端，H输入编码器，编码器将H压缩成低维度的码字后输入量化模块，量化模块将低维度的码字进行量化；在基站端，量化后的码字输入逆量化模块，逆量化模块将量化后的码字进行恢复后输入译码器，译码器输出重建后的H的估计值步骤三：对Quantized-CsiNet进行训练，使代价函数最小，以获得模型参数；步骤四：对进行二维逆DFT变换，得到的重建值；步骤五：将步骤三已训练好的Quantized-CsiNet中用于各场景下信道状态信息的反馈和重建，重建出角度-时间延迟域稀疏的信道矩阵并通过二维逆DFT变换恢复得到空间-频率域的信道矩阵的重建值。作为本专利技术的进一步技术方案，步骤二中：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H的实部和虚部分离后共同作为编码器的输入，输出为比H维度低的一维向量，即为压缩编码后的码字s；量化模块采用μ律非均匀量化，先将码字s转化为量化码字q，进而将其编码为可传输的比特流，经上行链路发送到基站端；逆量化模块先将传输的比特流恢复成量化的码字q，再将量化码字q输入一个由全连接层组成的Offset网络，输出逆量化后恢复的压缩码字译码器依次包含一个全连接层、一个Reshape层、两个卷积层和四个RefineNet单元，随机初始化各层参数，输入恢复后的压缩码字输出与H维度相同的作为本专利技术的进一步技术方案，μ律非均匀量化的压扩函数公式描述如下：其中，x为输入的压缩编码后的码字，y为经压扩函数压缩后的码字，μ为μ律中控制压扩程度的参数。作为本专利技术的进一步技术方案，Offset网络包含一个输入层和三个全连接层，其中输入层数据与最后一个全连接层输出数据相加作为Offset网络的输出。作为本专利技术的进一步技术方案，译码器依次包含一个全连接层、两个RefineNet单元和一个卷积层。作为本专利技术的进一步技术方案，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。作为本专利技术的进一步技术方案，编码器、RefineNet单元和Offset网络的最后一层采用的是Tanh激活函数，译码器的最后一个卷积层采用sigmoid激活函数，编码器、译码器和Offset网络的其余各卷积层均采用Leaky_ReLU激活函数并使用批归一化，除Offset网络以外的其他全连接层则采用线性激活函数。作为本专利技术的进一步技术方案，步骤三中采用Adam优化算法和端到端的学习方式对Quantized-CsiNet进行训练，使代价函数最小，其中代价函数为：其中，M为训练集的所有样本数，||·||2为欧几里得范数，为||·||2的平方，Hi为训练集中第i个样本对应的角度-时间延迟域稀疏的信道矩阵；为重建后的Hi的估计值，λ是控制量化误差的正则化项系数，si是训练集中第i个样本对应的编码器输出的低维度的码字，是si经逆量化后恢复的码字。作为本专利技术的进一步技术方案，步骤三中所述的模型参数包括全连接层的权重、偏置和卷积层的卷积核、偏置。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：1)本专利技术考虑了CSI数据在实际反馈链路中的传输，弥补了CsiNet的不足，使其能产生可在反馈链路中传输的比特流。另外，通过观察压缩码字s的特点，发现其取值分布不均匀且集中在较小数值附近的特点，若采用均匀量化，会造成比重较多的小数据的量化误差较大。因而，采用μ律非均匀量化，且通过调整压扩函数中的μ值可达到较好的量化效果，信量噪比较高。且在基站端译码器之前引入了一个Offset网络进行逆量化，抵消量化误差，使整体网络对量化误差具有较强的鲁棒性；2)本专利技术是经量化的信道压缩及重建网络Quantized-CsiNet，该网络基于CsiNet架构，主要由神经网络中的卷积层和全连接层构成，通过端到端和数据驱动的训练方案，直接从信道样本中学习信道结构，得到有效的经量化压缩码字的比特流，并利用由全连接层构成的残差网络恢复压缩码字，再由卷积层构成的残差网络恢复出原始信道矩阵。该方案在实际信道传输的问题上克服了已有CsiNet存在的缺陷，且采用μ律非均匀量化和offset网络的逆量化，较大程度地减少了引入的量化误差，保证了极高的重建精度。实际中，信息在信道中传输时是以比特的本文档来自技高网...

【技术保护点】
1.一种大规模MIMO信道状态信息反馈中的量化和逆量化方法，其特征在于，包括以下步骤：步骤一：在MIMO的用户端，获取信道状态信息在空间‑频率域的信道矩阵

【技术特征摘要】
1.一种大规模MIMO信道状态信息反馈中的量化和逆量化方法，其特征在于，包括以下步骤：步骤一：在MIMO的用户端，获取信道状态信息在空间-频率域的信道矩阵并对其作二维离散傅里叶变换，获得在角度-时间延迟域稀疏的信道矩阵H；步骤二：构建经量化的信道反馈及重建模型Quantized-CsiNet，此模型包括编码器、译码器和量化、逆量化模块，其中编码器、量化模块属于用户端，逆量化模块和译码器属于基站端；在用户端，H输入编码器，编码器将H压缩成低维度的码字后输入量化模块，量化模块将低维度的码字进行量化；在基站端，量化后的码字输入逆量化模块，逆量化模块将量化后的码字进行恢复后输入译码器，译码器输出重建后的H的估计值步骤三：对Quantized-CsiNet进行训练，使代价函数最小，以获得模型参数；步骤四：对进行二维逆DFT变换，得到的重建值；步骤五：将步骤三已训练好的Quantized-CsiNet中用于各场景下信道状态信息的反馈和重建，重建出角度-时间延迟域稀疏的信道矩阵并通过二维逆DFT变换恢复得到空间-频率域的信道矩阵的重建值。2.根据如权利要求1所述的一种大规模MIMO信道状态信息反馈中的量化和逆量化方法，其特征在于，步骤二中：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H的实部和虚部分离后共同作为编码器的输入，输出为比H维度低的一维向量，即为压缩编码后的码字s；量化模块采用μ律非均匀量化，先将码字s转化为量化码字q，进而将其编码为可传输的比特流，经上行链路发送到基站端；逆量化模块先将传输的比特流恢复成量化的码字q，再将量化码字q输入一个由全连接层组成的Offset网络，输出逆量化后恢复的压缩码字译码器依次包含一个全连接层、一个Reshape层、两个卷积层和四个RefineNet单元，随机初始化各层参数，输入恢复后的压缩码字输出与H维度相同的3.根据如权利要求2所述的一种大规模MIMO信道状态信息反馈中的量化和逆量化方法，其特征在于，μ律非均匀量化的压扩函数公式描述如下：其中，x为输...

【专利技术属性】
技术研发人员：金石，陈彤，郭佳佳，温朝凯，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32