基于深度学习的大规模MIMO信道状态信息反馈方法技术

本发明专利技术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，其包括：在下行链路中，在用户端侧对MIMO信道状态信息在空频域的信道矩阵进行二维离散傅立叶变换，得到在角度延迟域稀疏的信道矩阵H；构建超分辨信道状态信息网络模型，该模型包含属于用户端的解码器和属于基站端的译码器，其中该解码器用于将所述获得的在角度延迟域稀疏的信道矩阵H编码为更低维度的码字，所述译码器用于从收到的码字重建出信道矩阵估计值对所述超分辨信道状态信息网络模型进行训练，使得所述信道矩阵估计值和在角度延迟域稀疏的信道矩阵H尽可能接近，并获得模型参数；将训练好的所述超分辨信道状态信息网络模型用于信道信息的压缩感知和重建。缩感知和重建。缩感知和重建。

【技术实现步骤摘要】
基于深度学习的大规模MIMO信道状态信息反馈方法


[0001]本专利技术涉及通信
，具体的，涉及基于深度学习的大规模MIMO信道状态信息反馈方法。

技术介绍

[0002]大规模MIMO(Multiple
‑
Input Multiple
‑
Output(多入多出))技术被认为是5G的三大核心技术之一。大规模MIMO技术具备空间复用增益、分集增益以及波束成形能力，通过在发射端和接收端配置多根天线实现多收多发，能够充分利用空间资源，在不增加频谱资源和发射功率的前提下，成倍提高信道容量并减少多用户干扰，展现出显著的性能优势，但这些增益建立在基站能够精确获知上行链路和下行链路信道状态信息(CSI,channel state information)的前提下。上行链路的CSI获取较容易，只需用户端发送训练导频，再由基站根据接收到的信号估计每个用户终端的信道响应；下行链路的CSI获取则较困难，也是当前大规模MIMO技术中需要重点解决的难题。在时分双工(TDD,time division duplex)制式下，基站可通过上行链路发送的训练导频进行信道估计，再利用信道互易性获取下行链路的CSI；在频分双工(FDD,frequency division duplex)制式下，上行链路和下行链路工作在不同的频点上，信道互易性很弱，因此，下行链路的CSI需要先由用户端通过下行导频估计获得，再通过反馈链路传送回基站端。完整的CSI回传需要消耗大量的链路开销，且鉴于FDD是目前蜂窝系统中应用最广泛的双工制式，如何在FDD大规模MIMO系统中精确获取下行链路CSI成为研究的热点和难点。
[0003]目前关于大规模MIMO系统信道状态信息反馈的研究中，主要是借助信道状态信息的空时相关性和压缩感知(CS，compressive sensing)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(指向量空间的基)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。
[0004]公开号CN108390706A、专利技术名称为“一种基于深度学习的大规模MIMO信道状态信息反馈方法”的专利文献将深度学习技术引入大规模MIMO反馈方案中，为解决FDD制式下CSI反馈难题提供新的设计思路，并取得了一些成果，其显示出相对于传统压缩感知方法的压倒性优势，然而该方案在低反馈开销以及室外复杂场景下仍面临着CSI重构精度较低、不能最大程度地保留信道完整信息的问题。

技术实现思路

[0005]本专利技术结合了深度学习技术，对公开号CN108390706A的专利技术方案做了较大改进，有效的改善了上述技术问题。
[0006]本专利技术提供了一种基于深度学习的大规模MIMO信道状态信息反馈方法，其包括：
[0007]在下行链路中，在用户端侧对MIMO信道状态信息在空频域的信道矩阵进行二维离散傅立叶变换，得到在角度延迟域稀疏的信道矩阵H；
[0008]构建超分辨信道状态信息网络模型，该模型包含属于用户端的解码器和属于基站端的译码器，其中所述编码器包括3个卷积层、多个并行的超分辨单元层、2个特征拼接层、归一化层、全连接层和激活层，所述超分辨单元层包括IMDB模块、IMDB_large模块、和RFDB模块，该解码器用于将所述获得的在角度延迟域稀疏的信道矩阵H编码为更低维度的码字，所述译码器包括全连接层、3个卷积层、多个并行的超分辨单元层、2个特征拼接层、和激活层，所述超分辨单元层包括IMDB模块、IMDB_large模块、和RFDB模块，该译码器用于从收到的码字重建出信道矩阵估计值
[0009]对所述超分辨信道状态信息网络模型进行训练，使得译码器输出的所述信道矩阵估计值和所述在角度延迟域稀疏的信道矩阵H尽可能接近，并获得模型参数；
[0010]将训练好的所述超分辨信道状态信息网络模型用于信道信息的压缩感知和重建，其中将所述在角度延迟域稀疏的信道矩阵H输入给所述训练好的超分辨信道状态信息网络模型，该模型输出重建后的信道矩阵估计值对该重建后的信道矩阵估计值进行二维逆DFT变换，恢复得到原空频域的信道矩阵信息。
[0011]其中：对于所述编码器，所述在角度延迟域稀疏的信道矩阵H输入给该编码器，该信道矩阵H首先经过1个卷积层得到卷积后的结果X1，将该结果X1作为输入分别作用于多个并行的超分辨单元层，将并行多个编码器超分辨单元输出后的张量经过1个特征拼接层进行按列拼接，将拼接结果再经过1个卷积层得到卷积后的结果X2，将第一次卷积后的结果Y1和第二次卷积后的结果Y2再经过1个特征拼接层进行特征拼接，将该拼接结果再经过1个卷积层得到卷积后的结果X3，将卷积后的结果X3经过归一化层进行归一化处理，重构成连续的1维张量，将该重构的1维张量经过全连接层后，再经过激活层，得到压缩编码后的码字S。
[0012]其中：用户端将所述压缩编码后的码字S反馈至基站端，由基站端的所述译码器进行译码，所述压缩编码后的码字S首先经过一个全连接层，用于改变其张量维度，然后经过1个卷积层，得到卷积后的结果Y1，将该结果Y1作为输入分别作用于所述多个并行的超分辨单元层，将所述多个并行的超分辨单元层输出后的张量经过1个特征拼接层进行按列拼接，将拼接结果再经过1个卷积层得到卷积后的结果Y2，将第一次卷积后的结果Y1和第二次卷积后的结果Y2再经过1个特征拼接层进行特征拼接，将该拼接结果再经过1个卷积层得到卷积后的结果Y3，将卷积后的结果Y3再经过激活层，得到与所述在角度延迟域稀疏的信道矩阵H同维度的重建信道矩阵估计值
[0013]其中：所述获得的模型参数包括但不限于全连接层的权重、偏置和卷积层的卷积核、偏置。
[0014]与现有技术相比，本专利技术的有益效果是：
[0015]本专利技术提供的基于深度学习的大规模MIMO信道状态信息反馈方法，最大程度地保
留信道完整信息，最大限度的接近于无损传输，可以保证在极低压缩率上，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。
[0016]本专利技术使用了改进的超分辨率技术，在保障了信号的信道高质量恢复同时，能大幅压缩信道状态信息，降低反馈比特数，且模型复杂度低，计算量少，训练时长短，可以满足实时传输需求。
附图说明
[0017]图1是本专利技术提供的一种基于深度学习的大规模MIMO信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的大规模MIMO信道状态信息反馈方法，其包括：在下行链路中，在用户端侧对MIMO信道状态信息在空频域的信道矩阵进行二维离散傅立叶变换，得到在角度延迟域稀疏的信道矩阵H；构建超分辨信道状态信息网络模型，该模型包含属于用户端的解码器和属于基站端的译码器，其中所述编码器包括3个卷积层、多个并行的超分辨单元层、2个特征拼接层、归一化层、全连接层和激活层，所述超分辨单元层包括IMDB模块、IMDB_large模块、和RFDB模块，该解码器用于将所述获得的在角度延迟域稀疏的信道矩阵H编码为更低维度的码字，所述译码器包括全连接层、3个卷积层、多个并行的超分辨单元层、2个特征拼接层、和激活层，所述超分辨单元层包括IMDB模块、IMDB_large模块、和RFDB模块，该译码器用于从收到的码字重建出信道矩阵估计值对所述超分辨信道状态信息网络模型进行训练，使得译码器输出的所述信道矩阵估计值和所述在角度延迟域稀疏的信道矩阵H尽可能接近，并获得模型参数；将训练好的所述超分辨信道状态信息网络模型用于信道信息的压缩感知和重建，其中将所述在角度延迟域稀疏的信道矩阵H输入给所述训练好的超分辨信道状态信息网络模型，该模型输出重建后的信道矩阵估计值对该重建后的信道矩阵估计值进行二维逆DFT变换，恢复得到原空频域的信道矩阵信息。2.根据权利要求1所述的基于深度学习的大规模MIMO信道状态信息反馈方法，其中：对于所述编码器，所述在角度延迟域稀疏的信道矩阵H输入给该编码器，该信道矩阵H首先经过1个卷积...

【专利技术属性】
技术研发人员：王海洋，宋吉锋，李柳，王丽萍，李真，
申请(专利权)人：烟台中科网络技术研究所，
类型：发明
国别省市：