一种基于深度学习大规模MIMO系统的CSI反馈方法技术方案

本发明专利技术属于智能移动通信技术领域，特别涉及一种基于深度学习大规模MIMO系统的CSI反馈方法，包括在FDD制式下的大规模MIMO系统中，获取下行链路的CSI信道矩阵；对获取的下行链路的CSI信道矩阵做二维DFT变换获得在角度时延域稀疏的CSI矩阵，并根据该矩阵得到截断矩阵；在用户端构建CSI反馈网络的编码器，将截断矩阵通过编码器转换为码字向量；在基站端构建CSI反馈网络的译码器，将编码器得到的码字向量通关译码器得到截断矩阵的估计值；本发明专利技术避免反馈网络层数过深，采用横向扩展的方式，即通过多分辨率卷积增加反馈网络的泛化性，非对称卷积增加每个卷积核的特征提取能力。称卷积增加每个卷积核的特征提取能力。称卷积增加每个卷积核的特征提取能力。

【技术实现步骤摘要】
一种基于深度学习大规模MIMO系统的CSI反馈方法


[0001]本专利技术属于智能移动通信
，特别涉及一种基于深度学习大规模多输入多输出(Multiple
‑
Input Multiple
‑
Output，MIMO)系统的信道状态信息(Channel State Information，CSI)反馈方法。

技术介绍

[0002]随着全球移动数据流量的高速增长，人们对数据传输速率和可靠性等需求进一步增加。因此，为了应对这种发展趋势，5G通信系统提出了超密集异构蜂窝网络，毫米波通信和大规模多输入多输出三大核心关键技术。其中，大规模MIMO指基站端使用数百根天线来同时服务于多个用户小区的通信系统，相较于传统MIMO系统，大规模MIMO系统可以增加数倍的通信系统容量，提高能量传输效率，降低空口时延。上述大规模MIMO系统的诸多优势是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。然而对于频分复用(Frequency Division Duplexity，FDD)制式下的大规模M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大规模MIMO系统的CSI反馈方法，其特征在于，包括以下步骤：S1、在FDD制式下的大规模MIMO系统中，获取基站端天线采用半波长间距的均匀线性阵列、用户端为单用户的情况下下行链路的CSI信道矩阵；S2、对获取的下行链路的CSI信道矩阵做二维DFT变换获得在角度时延域稀疏的CSI矩阵；S3、将得到的在角度时延域稀疏的CSI矩阵的前N
a
行非零元素部分进行截断得到截断矩阵；S4、在用户端构建CSI反馈网络的编码器，将截断矩阵通过编码器转换为码字向量；S5、在基站端构建CSI反馈网络的译码器，将编码器得到的码字向量通关译码器得到截断矩阵的估计值；S6、采用端到端的方式对编码器和译码器进行联合训练，使得反馈网络的输出与原矩阵H
a
的差值尽可能小，并将训练好的反馈网络参数进行保存；S7、将完成训练的编码器和译码器用于CSI的压缩和重建，译码器在进行重建时，对获取的截断矩阵的估计值先进行补零操作使其恢复为原始CSI矩阵大小，再进行二维逆DFT变换，获得下行链路的CSI信道矩阵的重建值。2.根据权利要求1所述的一种基于深度学习大规模MIMO系统的CSI反馈方法，其特征在于，在角度时延域稀疏的CSI矩阵的获取过程，即对下行链路的CSI信道矩阵进行角度时延域变换，变换过程包括：H
′
＝F
c
HF
tH
；其中，F
c
为1024
×
1024大小的DFT矩阵，F
t
为32
×
32大小的DFT矩阵；H为下行链路的CSI信道矩阵；H
′
为在角度时延域稀疏的CSI矩阵。3.根据权利要求1所述的一种基于深度学习大规模MIMO系统的CSI反馈方法，其特征在于，将截断矩阵中复数的实部和虚部进行拆分，然后将实部和虚部在通道的维度上进行拼接，将拼接后含有两个通道的截断矩阵作为编码器的输入，用户端的编码器包括级联的多分辨率卷积模块、卷积核为1
×
1的卷积层以及一个含有N个神经元的全连接层。4.根据权利要求3所述的一种基于深度学习大规模MIMO系统的CSI反馈方法，其特征在于，全连接层神经元的数量N与压比呈正比，即N＝2048
×
CR；其中，CR为压缩比。5.根据权利要...

【专利技术属性】
技术研发人员：苏开荣，李子豪，彭德义，李云，吕佳英，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：