一种基于深度学习的编码器解码器解耦CSI反馈方法技术

本发明专利技术提出一种基于深度学习的编码器解码器解耦CSI反馈方法，包括以下步骤1.基于特征向量的CSI数据集生成；步骤2.在基站端训练编码器解码器；步骤3.在基站终端训练编码器。本发明专利技术所述基于深度学习的编码器解码器解耦CSI反馈方法的优越效果在于：使得CSI反馈能够适应大规模MIMO系统，在保证CSI恢复准确性的同时，减小反馈开销，考虑到厂家对模型算法的保护，使得不同厂家之间的模型编码器与解码器能够解耦来搭配使用，在保证CSI恢复性能的同时，使得终端和基站端的模型配置更加灵活。使得终端和基站端的模型配置更加灵活。使得终端和基站端的模型配置更加灵活。

【技术实现步骤摘要】
一种基于深度学习的编码器解码器解耦CSI反馈方法


[0001]本专利技术涉及解码器解耦信道状态信息反馈方法，更详细地说涉及基于深度学习的编码器解码器解耦信道状态信息反馈方法。

技术介绍

[0002]为了理解基于深度学习的编码器解码器解耦的信道状态信息(Channel state information，CSI)反馈方法，有必要先介绍有关CSI反馈技术、大规模多输入多输出(Multiple
‑
Input
‑
Multiple
‑
Output，MIMO)技术以及深度学习自编码器结构的基本理论知识。
[0003]1.大规模MIMO技术
[0004]MIMO技术即多入多出技术，指在发射端和接收端分别使用多个发射天线和接收天线，使信号通过发射端与接收端的多个天线传送和接收，从而改善通信质量。该技术能够充分利用空间资源，通过多个天线实现多发多收，在不增加频谱资源和天线发射功率的情况下，可以成倍的提高系统信道容量，显示出明显的优势，被视为下一代移动通信的核心技术。大规模MIMO技术具有如下的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的编码器解码器解耦CSI反馈方法，其特征在于，包括以下步骤：步骤1.基于特征向量的CSI数据集生成；步骤2.在基站端训练编码器解码器；步骤3.在基站终端训练编码器。2.按照权利要求1所述基于深度学习的编码器解码器解耦CSI反馈方法，其特征在于，步骤1中，所述基于特征向量的CSI数据集生成，包括以下步骤：步骤1.1进行全信道信息数据子带划分，与全信道信息数据相同，由基站端发送导频到终端，终端根据导频进行理想信道估计，得到全信道信息数据H，信道估计是根据基站端发送的参考信号与终端接收到的信号进行对比进而求得信道信息，而理想信道估计则是完全已知信道信息，能够直接使用作为信道数据；接下来对得到的全信道信息数据H进行子带划分，分为K个子带且每个子带中包含N
sc
个子载波，其中的第k个子带的信道数据记作H
k
；步骤1.2求每个子带中信道矩阵的相关阵；并对相关阵进行累加求和求平均，其表达式如下式(1)：上式(1)中：H
k,i
为第k个子带中第i个子载波的信道矩阵，R
k
为第k个子带的相关阵，则K个子带的相关阵如下式(2)：R＝[R1,R2,
…
,R
K
]......(2)，步骤1.3对相关阵进行特征值分解，得到每个子带的特征向量，每个子带的特征向量计算表达式如下式(3)：R
k
w
k
＝λ
k
w
k
.......(3)，上式(3)中：λ
k
为第k个子带的最大特征值，w
k
为第k个子带的特征，获得基于特征向量的CSI数据，其表达如下式(4)所示：3.按照权利要求1所述基于深度学习的编码器解码器解耦CSI反馈方法，其特征在于，步骤2中，所述在基站端训练编码器解码器，包括以下步骤：步骤2.1基站端根据生成的基于特征向量的CSI数据训练CSI反馈模型，包括编码器f
E
(
·
)与解码器f
D
(
·
)，训练过程中，编码器首先将基于特征向量的CSI数据w作为输入进行压缩，得到压缩后的数据x，对x先进均匀行量化，均匀量化成比特流数据s，再将比特流数据s传入到解码器端，解码器端接收到比特流数据s后，解码器对比特流数据s进行解量化和重构，得到恢复的数据记为下式(5)：上式(5)中：编码器与解码器的参数集θ
E
和θ
D
随着训练过程不断更新，如下式(...

【专利技术属性】
技术研发人员：赵龙，沈鸿瑞，陈欣放，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：