一种适用于大规模MIMO系统的信道状态信息反馈方法技术方案

本发明专利技术公开了一种适用于大规模MIMO系统的信道状态信息反馈方法，利用深度学习的端到端优化特性，提出了基于维度压缩与码字量化联合优化的信道状态信息反馈方案CQ

【技术实现步骤摘要】
一种适用于大规模MIMO系统的信道状态信息反馈方法


[0001]本专利技术涉及一种基于维度压缩和码字量化的大规模MIMO系统的CSI反馈方法，属于无线通信


技术介绍

[0002]作为5G核心支持技术之一，大规模多输入多输出(Multiple
‑
Input Multiple
‑
Output,MIMO)系统有望满足不断增长的数据流量需求，其在显著减少多用户干扰的同时提供多倍增加的网络吞吐量，可以有效地提高链路容量和资源效率。然而，这些增益建立在基站(Base Station,BS)可以获取上行链路和下行链路有效的信道状态信息(Channel State Information,CSI)。上行链路的CSI获取较容易，只需要用户设备(User Equipment,UE)发射训练导频，再由BS根据接收到的信号估计用户终端的信道响应，而下行链路的CSI获取则较为困难。
[0003]CSI反馈是用户在获取到下行链路的CSI之后，对CSI进行压缩重构再反馈给基站的过程。
[0004]在当前的CSI反馈设计中，通常采用矢量量化或基于码本的方法来实现信道特征的提取与反馈以减少反馈开销，但是这些方法在一定程度上会损失信道信息，且其产生的反馈量与发射天线的数量是线性相关的。对于大规模MIMO系统，为了应对快速变化的环境，UE需要频繁地反馈CSI，BS大量天线大大增加了CSI矩阵的维数，反馈信息量急剧增加，使得码本设计复杂度和相应的反馈量显著增长，会导致很大的开销并占用更多的带宽资源。因此，如何以低反馈开销精确获得高维CSI成为FDD模式下大规模MIMO系统中需要解决的重要问题之一。
[0005]近年来，以深度学习为代表的人工智能迅速发展，深度学习也成为了智能通信领域中人们关注的内容。在现有采用深度学习的CSI反馈方案中，CsiNet基于压缩感知思想和深度学习方法，借助神经网络的非线性还原优势，对CSI进行压缩反馈。而UE大多直接将浮点型压缩编码传送给BS，没有考虑实际通信系统对信号传输形式的要求，忽略了实际无线通信系统中量化误差产生的问题。因此，在大规模MIMO无线通信系统中，可以利用深度学习方法对CSI进行维度压缩和码字量化，通过对CSI的压缩向量进行量化操作以进一步压缩CSI。

技术实现思路

[0006]本专利技术所要解决的技术问题是，提供一种基于维度压缩和码字量化的大规模MIMO系统的CSI反馈方法。
[0007]本专利技术为解决上述技术问题所采用的技术方案是，提供一种适用于大规模MIMO系统的CSI反馈方法，包括以下步骤：
[0008]一种适用于大规模MIMO系统的信道状态信息反馈方法，其特征在于，包括以下步骤：
[0009]S1、在用户设备端得到下行链路信道状态信息CSI在空间
‑
频率域上维度为N
t
×
N
r
的信道矩阵N
t
为基站端配置的发射天线和接收天线的数量，N
r
为用户端配置的发射天线和接收天线的数量；
[0010]S2、对信道矩阵做二维的离散傅里叶变换，得到在角度时延域近似稀疏的CSI矩阵H
′
；
[0011]S3、保留H
′
的前n
t
行得到维度为n
t
×
N
r
的截断矩阵H，n
t
为H
′
中非零值的行数；
[0012]S4、利用构建的反馈模型CQ
‑
CsiNet中位于用户设备端的编码器对截断矩阵H进行特征提取和压缩后再输入量化模块，量化模块再通过量化和反量化操作压缩得到反馈CSI；部署在基站端的反馈模型CQ
‑
CsiNet的译码器对反馈CSI进行解压缩和恢复得到重建信道矩阵
[0013]S5、采用端到端的训练方式，以缩小原始信道矩阵和重建信道矩阵之间的误差为目标对反馈模型CQ
‑
CsiNet进行训练；
[0014]S6、反馈模型CQ
‑
CsiNet训练完成后，将原始CSI矩阵H作为反馈模型CQ
‑
CsiNet的编码器输入，反馈模型CQ
‑
CsiNet的译码器输出重建信道矩阵后，再对重建信道矩阵做二维的逆离散傅里叶变换，得到在空间
‑
频率域上信道矩阵的重建值作为基站端得到的CSI反馈结果。
[0015]本专利技术与现有技术相比，具有以下有益效果：
[0016](1)本专利技术针对在大规模MIMO系统中CSI反馈开销高的问题，利用了深度学习可以端到端优化的特性，基于自动编码器网络结构，提出了包含维度压缩和码字量化的CSI反馈网络模型CQ
‑
CsiNet，使用深度学习可以提取复杂信道特征的巨大潜力，对信道环境进行建模，实现了低开销高精度的CSI反馈。
[0017](2)本专利技术通过量化模块对CSI的压缩向量进行量化以进一步压缩CSI，同时使用了量化误差恢复模块来减小量化误差带来的影响。从增强CSI反馈中对量化性能的角度出发，使得CQ
‑
CsiNet反馈方案更加符合实际系统存储传输要求，且应对量化误差的鲁棒性更好。
附图说明
[0018]图1为本专利技术方法所应用的大规模MIMO无线通信场景示意图；
[0019]图2为信道数据处理流程示意图；
[0020]图3用于CSI反馈的自动编码器网络结构示意图；
[0021]图4用于CSI反馈的CQ
‑
CsiNet反馈网络结构示意图；
[0022]图5用于CSI维度压缩的编码器网络结构示意图；
[0023]图6用于量化CSI压缩矢量的量化模块网络结构示意图；
[0024]图7为解码器网络中引入注意力机制的残差单元网络结构示意图；
[0025]图8传统方法、CsiNet与本方案在室内和室外环境中不同压缩率下的仿真结果对比示意图；
[0026]图9本方案在室内室外两种场景中不同量化比特设置下的仿真结果对比示意图。
具体实施方式
[0027]为了详细地说明本专利技术，下面将结合本专利技术实施例中的附图，对本专利技术的技术方案进行进一步的描述。
[0028]如图1所示，本专利技术考虑了在频分双工模式下一个简单的单一蜂窝下行链路的大规模MIMO无线通信系统模型，基站处配置N
t
＞＞1根发射天线，用户处配置N
r
≥1根接收天线，系统中有N
c
＞＞1个正交子载波，其中用户在第n个接收天线第i个子载波上的接收信号可表示为：
[0029]y
n,i
＝h
n,iH
v
i
x
i
+z
n,i
[0030]其中，和分别表示为复信道向量、复预编码向量、下行传输的复本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于大规模MIMO系统的信道状态信息反馈方法，其特征在于，包括以下步骤：S1、在用户设备端得到下行链路信道状态信息CSI在空间
‑
频率域上维度为N
t
×
N
r
的信道矩阵N
t
为基站端配置的发射天线和接收天线的数量，N
r
为用户端配置的发射天线和接收天线的数量；S2、对信道矩阵做二维的离散傅里叶变换，得到在角度时延域近似稀疏的CSI矩阵H
′
；S3、保留H
′
的前n
t
行得到维度为n
t
×
N
r
的截断矩阵H，n
t
为H
′
中非零值的行数；S4、利用构建的反馈模型CQ
‑
CsiNet中位于用户设备端的编码器对截断矩阵H进行特征提取和压缩后再输入量化模块，量化模块再通过量化和反量化操作压缩得到反馈CSI；部署在基站端的反馈模型CQ
‑
CsiNet的译码器对反馈CSI进行解压缩和恢复得到重建信道矩阵S5、采用端到端的训练方式，以缩小原始信道矩阵和重建信道矩阵之间的误差为目标对反馈模型CQ
‑
CsiNet进行训练；S6、反馈模型CQ
‑
CsiNet训练完成后，将原始CSI矩阵H作为反馈模型CQ
‑
CsiNet的编码器输入，反馈模型CQ
‑
CsiNet的译码器输出重建信道矩阵后，再对重建信道矩阵做二维的逆离散傅里叶变换，得到在空间
‑
频率域上信道矩阵的重建值作为基站端得到的CSI反馈结果。2.如权利要求1所述方法，其特征在于，步骤S1中，信道矩阵为所有子载波上信号矢量的堆叠。3.如权利要求1所述方法，其特征在于，步骤S2中，对CSI矩阵的每个列向量进行离散傅里叶变换，得到时延域稀疏的信道矩阵，对CSI矩阵的每个行向量进行离散傅里叶变换得到角度域稀疏的信道矩阵，在角度时延域近似稀疏的CSI矩阵H
′
表示为：其中，和分别表示两种不同的离散傅里叶变换矩阵。4.如权利要求1所述方法，其特征在于，步骤S4中，反馈模型CQ
‑
CsiNet包括用于对CSI进行特征提取和压缩的编码器、量化模块和用于解压缩和信道恢复的解码器；编码器利用信道矩阵的稀疏特性将输入的N维CSI矩阵H压缩成浮点型的M维向量，然后通过量化器对该向量进行离散化，从而得到反馈CSI的码字s：其中，ε(
·
)表示基于神经网络的编码器表示的非线性压缩函...

【专利技术属性】
技术研发人员：岳丙蕾，张引，彭丽梅，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：