一种基于流形学习的信道信息反馈方法技术

本发明专利技术公开了一种基于流形学习的信道信息反馈方法，旨在克服现有技术中反馈开销大和重构质量有限的问题，它包括如下步骤：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用户再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

【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，而且庞大的发射单元数目增大了信道维度，这无疑增加了获取信道信息的难度。一些方案尝试在智能超表面中引入了一部分有源天线来进行信道测量和反馈，从而解决信道估计问题。但庞大的信道矩阵会产生巨额的反馈开销，而且信道精度会直接影响智能超表面波束赋形的性能。因此在获得尽可能准确信道的同时减少反馈开销是智能超表面辅助通信系统中的主要问题。
[0004]现有技术中，传统的有限反馈方法考虑使用码本来减少反馈开销，但码本的大小与信道矩阵的维数成正比。这意味着随着基站天线数目的增加，设计码本的复杂度急剧增长，这限制了码本方案在大规模MIMO系统中的应用。受压缩感知理论的启发，信道矩阵在空域
‑
频域的稀疏性被挖掘用于CSI压缩。不幸的是，基于压缩感知的有限反馈算法也存在一些问题，一方面，压缩感知算法依赖于信道矩阵在某些变换基下的稀疏性，然而在实际系统中很难寻找到一个满足要求的变换基；另一方面，由于重构过程需要进行迭代计算，基于压缩感知的CSI重构算法一般具有较高的时间复杂度。近年来，深度学习(Deep Learning,DL)凭借其强大的特征挖掘和学习能力也被应用到无线通信领域。用户使用编码器将原始信道矩阵压缩成码字，基站用解码器从码字中恢复出信道矩阵。然而，训练网络需要消耗大量的时间，且算法的重构精度有限，无法满足实际通信系统的需求。

技术实现思路

[0005]为克服现有技术中存在反馈开销大、重构质量有限的问题，并试图改善智能超表面(RIS)辅助下的大规模MIMO系统的频谱效率，本专利技术提供一种基于流形学习的信道信息反馈方法。
[0006]为实现上述目的，本专利技术采用如下技术方案：
[0007]一种基于流形学习的信道信息反馈方法，包括如下步骤：
[0008]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
[0009]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；
[0010]S3：基站根据低维嵌入Y
′
和重构字典计算得到重构CSI。
[0011]作为优选，所述S1的步骤，具体包括：
[0012]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；
[0013]S101
‑
1：基站收集T
s
个过去时刻不同用户的CSI并整合成高维的训练数据集X，数据集X表达为如下公式
[0014][0015]其中H
′
(t)为第t个时刻下(t＝1,
…
,T
s
)的实数形式CSI,x
i
为高维训练数据集X中第i个样本(i＝1,
…
,N
t
T
s
)，N
t
表示的是基站的天线数量，T
s
表示的是过去时刻的数目；
[0016]S101
‑
2：初始化参数包括初始化公式、函数以及近邻数K、压缩率γ、字典大小M和常量λ的值；
[0017]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
[0018]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，将K个d
j
的列索引j组成索引向量
[0019]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；
[0020]S103
‑
1：所述的欧氏距离公式为
[0021]ρ
ij
＝||x
i
‑
d
j
||2， (10)
[0022]其中ρ
ij
表示的是x
i
和d
j
之间的欧氏距离；
[0023]S104：将x
i
及其近邻代入如下公式
[0024][0025]更新得到权重矩阵C
rd
的第i列，
[0026]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，
[0027][0028]其中N(x
i
)为x
i
的近邻整合成的近邻矩阵；
[0029]S104
‑
1：将i从1增加到N
t
T
s
，循环重复上式，并利用更新得到权重矩阵C
rd
的每一列；
[0030]S105：将更新得到的权重矩阵C
rd
代入如下公式本文档来自技高网...

【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：