【技术实现步骤摘要】
一种基于流形学习的信道信息反馈方法
[0001]本专利技术属于无线通信技术,特指一种基于流形学习的信道信息反馈方法。
技术介绍
[0002]近年来,大规模多输入多输出(Multiple input multiple output,MIMO)技术被认为是5G的核心关键技术之一。大规模MIMO技术通过在基站部署几十、数百根的天线来获取更大的空间自由度,显著地提高了系统的能量效率和频谱效率等性能增益。这些性能增益依赖于发射端获取到准确的信道状态信息(Channel State Information,CSI)。由于频分双工(Frequency Division Duplex,FDD)模式下上行信道和下行信道之间不存在完全的互易性,用户需要将从下行导频中估计出的CSI反馈给基站。特别地,当系统采用正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术调制时,信道矩阵的维数会变大,此时反馈CSI将消耗巨大的带宽资源,反馈开销变得无法忍受。此外,受移动环境的影响,用户在信道相干时间和相干带宽内的反馈量有限。因此,FDD模式下大规模MIMO系统中的一个极具挑战性的任务是如何有效地降低CSI反馈开销。
[0003]最近,智能超表面(Reconfigurable Intelligent Surface,RIS)凭借其低成本、轻体量、可重构等特性,可以重塑无线传播环境,进而辅助大规模MIMO系统通信。由于智能超表面是由无源器件组成的,其无法处理基带信号,而且庞大的发射单 ...
【技术保护点】
【技术特征摘要】
1.一种基于流形学习的信道信息反馈方法,其特征在于,包括如下步骤:S1:基站收集过去时刻的下行CSI,将过去时刻的下行CSI整合成高维的训练数据集X,根据高维的训练数据集X学习得到降维字典和重构字典,降维字典包括高维字典和低维字典重构字典包括高维字典和低维字典S2:用户从下行导频中计算出增量CSI,根据增量CSI和降维字典计算得到其低维嵌入Y
′
,将低维嵌入Y
′
反馈给基站;S3:基站根据低维嵌入Y
′
和重构字典计算得到重构CSI。2.根据权利要求1所述一种基于流形学习的信道信息反馈方法,其特征在于,所述S1的步骤,具体包括:S101:初始化参数,基站收集过去时刻的下行CSI,将过去时刻的下行CSI整合成高维的训练数据集X,设置近邻数K、压缩率γ、字典大小M和常量λ的值;S102:随机选择高维的训练数据集X中的M列来初始化高维字典S103:将高维的训练数据集X和初始化或更新得到的高维字典代入欧式距离公式计算得到近似度,选择与x
i
近似度最大的K个d
j
作为近邻,其中x
i
为高维训练数据集X的第i列,d
j
为高维字典的第j列;S104:将x
i
及其近邻代入如下公式更新得到权重矩阵C
rd
的第i列,其中表示的是c
i
中的非零项组成的权重向量,即表示的是权重矩阵C
rd
第i列的K个非零元素,c
i
是权重矩阵C
rd
的第i列,表示的是一个所有元素都为1的列向量,(
·
)
T
表示矩阵或向量的转置,表示的是一个单位矩阵,表示的是矩阵的Kronecker积,其中N(x
i
)为x
i
的近邻整合成的近邻矩阵;S105:将更新得到的权重矩阵C
rd
代入如下公式更新得到高维字典其中表示的是权重向量c
i
对角化后的矩阵形式,S106:将更新得到的权重矩阵C
rd
和高维字典代入代价函数并判断代价函数是否趋于收敛,若否则交替迭代S103至S106的步骤,若是则判定更新得到的权重矩阵C
rd
和高维字
典为最优的;S107:将高维的训练数据集X代入局部切空间排列算法计算得到其低维嵌入Y;S108:将低维嵌入Y和最优的权重矩阵C
rd
代入如下公式计算得到最优的低维字典S109:将最优的高维字典和低维字典广播给用户。3.根据权利要求2所述一种基于流形学习的信道信息反馈方法,其特征在于,计算得到最优的低维字典和权重矩阵C
rd
时,还进一步地包括:S110:将最优的低维字典和权重矩阵C
rd
代入如下公式计算得到高维训练数据集X在降维字典下的低维嵌入Y
new
;S111:随机选择低维嵌入Y
new
中M列来初始化低维字典S112:将低维嵌入Y
new
和初始化或更新得到的低维字典代入欧式距离公式计算得到近似度,选择与y
i
近似度最大的K个b
j
作为近邻,其中y
i
为低维训练数据集Y
new
的第i列,b
j
为低维字典的第j列,y
i
∈Y
new
,S113:将y
i
及其近邻代入如下公式更新得到权重矩阵C
rc
中的第i列,其中中的c
i
中非零项组成的权重向量,即表示的是权重矩阵C
rc
第i列中的K个非零元素,c
i
是权重矩阵C
rc
的第i列,表示的是一个所有元素都为1的列向量,表示的是一个单位矩阵,表示的是矩阵的Kronecker积,其中N(y
i
)表示的是y
i
的近邻整合成的近邻矩阵;S114:将更新得到的权重矩阵C
rc
代入如下公式更新得到低维字典其中表示的是权重向量c
i
对角化后的矩阵形式,S115:将更新得到的权重矩阵C
rc
和低维字典代入代价函数并判断代价函数是否趋
于收敛,若否则交替迭代S...
【专利技术属性】
技术研发人员:邹宏亮,赵一园,汤义勤,徐一洲,洪道鉴,王雪燕,卢东祁,
申请(专利权)人:国网浙江省电力有限公司台州供电公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。