一种基于深度学习的信道信息压缩反馈重建方法技术

本发明专利技术公开了一种基于深度学习的信道信息压缩反馈重建方法，包括：对信道状态信息数据进行预处理；建立信道信息压缩反馈模型；通过反馈模型进行信道信息的压缩和解压；对反馈模型进行泛化训练；对压缩反馈重建进行评估；本发明专利技术的压缩反馈模型均易于实现，适用于不同场景不同配置的信道状态信息的压缩反馈，适应性强；通过对信道状态信息矩阵的预处理步骤，利用了信道矩阵在角度域内稀疏的特性，解决信道状态信息矩阵对于大规模MIMO系统来说过于庞大的问题；可以更好地提取更加精细的特征，适应实际任务中信道状态信息的稀疏性，提高模型的鲁棒性与应用广泛性；可以以较高的完整度保留信道完整信息，趋近于无损传输，大幅度提升信道信息反馈性能。升信道信息反馈性能。升信道信息反馈性能。

【技术实现步骤摘要】
一种基于深度学习的信道信息压缩反馈重建方法


[0001]本专利技术涉及机器学习领域，尤其是一种基于深度学习的信道信息压缩反馈重建方法。

技术介绍

[0002]对于现代的通信系统来说，物理层是保障现代通信服务的基础，而MIMO技术又是物理层基本的技术支撑；在通信过程中，如何准确及时地确定信道质量并且做出有效的反馈及利用是非常关键的问题。大规模多输入多输出技术是能够有效提高频谱效率和能量效率的一种技术，它可以将网络连接的容量提高数倍且无需占用更多的频谱。发射机以及接收机所配备的天线数量越多，其可能存在的信号路径就越多，通信过程中的数据速率和链路可靠性能也就更好。
[0003]但随着信道路径的增加，实时变化的信道状态信息数据也更加海量，导致反馈实时信道信息以便基站进行预编码遭遇重大挑战。我们知道，上行链路的信道状态信息可以通过信道估计来获得，但是下行链路信道状态信息则只能通过用户设备的反馈来获得，由于大规模多输入多输出系统的存在海量信道状态信息，信道状态信息矩阵变得非常庞大，使得反馈过程具有很大的挑战性，整个反馈过程产生的通信花销也变得不可接本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的信道信息压缩反馈重建方法，其特征在于，包括：对信道状态信息数据进行预处理；建立信道信息压缩反馈模型；通过反馈模型进行信道信息的压缩和解压；对反馈模型进行泛化训练；对压缩反馈重建进行评估。2.如权利要求1所述的基于深度学习的信道信息压缩反馈重建方法，其特征在于，对数据进行预处理的方法为：对信道状态信息矩阵化；将矩阵化后的空间频域矩阵转化为角延迟域；对数据进行标准化处理。3.如权利要求2所述的基于深度学习的信道信息压缩反馈重建方法，其特征在于，所述空间频域矩阵转化为角延迟域方法为：通过离散傅里叶变换将信道矩阵从空间频率转移到角度分布域，同时将角度时延域信道矩阵趋近于0的部分删除，得到新的稀疏矩阵：H'＝F
c
HF
tH
；其中，其中F
c
和F
t
分别为对应维数的DFT矩阵。4.如权利要求1所述的基于深度学习的信道信息压缩反馈重建方法，其特征在于，所述建立信道信息压缩反馈模型方法为：建立DB
‑
CRBlock模块；以DB
‑
CRBlock模块为基础，构造压缩编码模块和解压编码模块；再将两个模块在输出维度上进行拼接，建立模型，实现信道状态信息的压缩反馈解压过程。5.如权利要求1所述的基于深度学习的信道信息压缩反馈重建方法，其特征在于，DB
‑
CRBlock模块包括4条平行路径；路径1堆叠2个分别为1
×
9和9
×
1的卷积层，路径2经过1个3
×
3卷...

【专利技术属性】
技术研发人员：曾鸣，赵涵昱，费泽松，王文欣，
申请(专利权)人：北京理工大学重庆创新中心，
类型：发明
国别省市：