【技术实现步骤摘要】
本专利技术涉及通信，尤其是涉及一种基于自动编码器结构的csi反馈方法。
技术介绍
1、相较于传统mimo技术，大规模mimo技术拥有更多的天线数量和不同的天线排列方式，可以提高能量和频谱的利用率，同时向移动通信系统提供分集增益和空间复用增益，进而直接提高通信系统的信道容量。为了发挥其性能优势，基站需要通过下行信道的信道状态信息（channel state information, csi）进行计算来得到预编码矩阵，从而进行波束赋形。因此，基站获取准确及时的信道状态信息非常重要。
2、目前，大规模mimo系统主要有时分双工（tdd）和频分双工（fdd）两种工作模式。以tdd模式工作时，大规模mimo系统的上下行信道在同一频段内，所以上下行信道之间存在较强的互易性，这种互易性能够协助基站直接获取到下行信道的csi矩阵，从而使基站获得预编码所需要的参数。当大规模mimo系统工作于fdd模式时，上下行信道通过不同频段同时进行信息的收发，此时上下行信道之间的互易性十分微弱，以至于无法利用互易性从上行信道csi获取下行信道的csi。在这种情况下，需要移动终端利用下行导频进行信道估计，获得下行信道的csi矩阵，在相干时间内，再通过上行信道将获取到的下行信道csi反馈给基站，这个过程称为csi反馈。
3、由于下行信道的csi矩阵的大小与基站天线的数量有关，随着天线数量的增加，csi矩阵大小也会迅速增大。在大规模mimo系统中，为了发挥其自身的性能优势，通常需要在基站部署数十根甚至上百根天线，然而这种方式会导致下行信道的c
4、近年来，深度学习技术得到了广泛的关注和应用，国内外研究者也开始将深度学习技术引入到通信领域中。在csi反馈方向，如何利用深度学习技术对csi矩阵进行压缩和重建、减少csi反馈开销、提供一种高效的csi反馈方法是大规模mimo系统中的重要研究内容。
技术实现思路
1、本专利技术的目的是提出一种基于自动编码器结构的csi反馈方法，以自动编码器为框架训练csi矩阵的压缩（编码器）和重建（解码器）神经网络，优化和评估网络性能，实现对csi矩阵的特征提取、数据压缩和矩阵重建，从而发挥出大规模mimo的性能优势，提高通信系统的信道容量。
2、为实现上述目的，本专利技术采用了如下技术方案：
3、本专利技术提供了一种基于自动编码器结构的csi反馈方法，包括以下步骤：
4、s1、构建编码器的基本结构：利用卷积层进行特征提取，使用全连接层进行csi压缩，实现编码器基本结构；
5、s2、构建解码器的基本结构：利用全连接层进行特征扩维，重建csi矩阵，实现解码器基本结构；
6、s3、在编码器和解码器加入卷积块注意力模块：在编码器和解码器中加入包括通道注意力模块和空间注意力模块的卷积块注意力模块cbam，加权通道与空间上的重要性信息；
7、s4、在解码器加入dense block卷积层：引入dense block密集连接结构，构建dense block卷积层，通过denseblock卷积层之间的跳跃连接，加强特征传播，缓解梯度消失；
8、s5、联合训练编码器和解码器：
9、s51、设计训练方案，使用端到端的训练方式，将自动编码器结构中的编码器和解码器两个部分作为一个整体进行训练，采用自适应矩估计adam优化算法更新编码器和解码器中的所有参数，以最小化系统均方误差mse作为联合训练编码器和解码器的优化目标；
10、s52、设置训练参数，初始学习率设置为0.0005，batch size设置为200，共训练1000个epoch，学习率衰减采用余弦退火算法，最小学习率设置为0.000001，选取压缩率cr为1/4，1/16，1/32，1/64四类条件进行训练；
11、s6、基于自动编码器结构的csi反馈方法性能分析与验证。
12、优选的，步骤s1中，移动终端将空间频域上的原始csi矩阵进行截断，截断后的矩阵在csi反馈网络的编码器中进行特征提取和特征压缩；
13、特征提取：截断后的矩阵经过卷积核生成特征图；
14、特征压缩：将含有csi矩阵特征的特征图变形为向量，将向量输入到全连接层，输出压缩码字。
15、优选的，步骤s2中，将步骤s1中输出的压缩码字输入解码器的全连接层进行扩维，输出经过sigmoid激活函数，完成csi矩阵重建，再做2d-idft，得到空间频率域上的csi矩阵。
16、优选的，步骤s3中，在编码器和解码器中加入包括通道注意力模块和空间注意力模块的卷积块注意力模块cbam，加权通道与空间上的重要性信息。
17、通道注意力模块：在输入特征图的维度上，进行全局最大和平均池化，将结果送入共享参数的多层感知机中进行逐项求和，通过sigmoid激活函数得到取值在0~1之间的通道显着性信息后与输入特征图相乘，完成通道对输入特征图的加权；
18、空间注意力模块：在通道维度上，对通道注意力模块加权后的矩阵进行最大和平均池化，将输出结果在通道维度上进行拼接得到特征图，并将特征图经过卷积核进行特征提取，通过sigmoid激活函数输出并得到取值在0~1之间的显着性信息；
19、在编码器端，截断后的矩阵经过卷积核生成特征图后，输入卷积块注意力模块cbam进行通道和空间注意力加权，并在卷积块注意力模块cbam处引入残差连接，将加权后的特征图，经卷积核再次生成特征图；在解码器端，经过全连接层扩维的csi矩阵，输入至卷积块注意力模块cbam进行通道和空间注意力加权，生成特征增强的csi矩阵。
20、优选的，步骤s4中，在解码器卷积块注意力模块cbam输出端构建dense block卷积层，dense block卷积层内部各层之间跳跃连接，具体跳跃连接方式为：拼接dense block卷积层中当前层之前所有层的输出特征图，保留所有特征图的原始状态作为当前卷积层的输入，且dense block卷积层中各层均与sigmoid激活函数连接。
21、优选的，步骤s51中，采用均方误差mse作为联合训练编码器和解码器的损失函数，公式为：
22、；
23、其中，n为训练集中样本的总个数，和分别为编码器和解码器的参数，为原始csi矩阵经过编码器压缩和解码器重建的输出csi矩阵，为训练集中的第i个原始csi矩阵，表示l2范数；
24、网络的优化目标的表示为：
25、；
26、 h表示csi矩阵训练集的全部元素，在编码器和解码器的联合训练过程中，adam优化算法通过误差反向传播，计算梯度，使整个自动编本文档来自技高网...
【技术保护点】
1.一种基于自动编码器结构的CSI反馈方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于自动编码器结构的CSI反馈方法，其特征在于：步骤S1中，移动终端将空间频域上的原始CSI矩阵进行截断，截断后的矩阵在CSI反馈网络的编码器中进行特征提取和特征压缩；
3.根据权利要求2所述的一种基于自动编码器结构的CSI反馈方法，其特征在于：步骤S2中，将步骤S1中输出的压缩码字输入解码器的全连接层进行扩维，输出经过sigmoid激活函数，完成CSI矩阵重建，再做2D-IDFT，得到空间频率域上的CSI矩阵。
4.根据权利要求3所述的一种基于自动编码器结构的CSI反馈方法，其特征在于：步骤S3中，在编码器和解码器中加入包括通道注意力模块和空间注意力模块的卷积块注意力模块CBAM，加权通道与空间上的重要性信息；
5.根据权利要求4所述的一种基于自动编码器结构的CSI反馈方法，其特征在于：步骤S4中，在解码器卷积块注意力模块CBAM输出端构建Dense Block卷积层，Dense Block卷积层内部各层之间跳跃连接，具体跳跃连接方
6.根据权利要求5所述的一种基于自动编码器结构的CSI反馈方法，其特征在于：步骤S51中，采用均方误差MSE作为联合训练编码器和解码器的损失函数，公式为：
7.根据权利要求6所述的一种基于自动编码器结构的CSI反馈方法，其特征在于：步骤S52中，整个自动编码器神经网络的参数按照默认初始化的方式进行设置，通过调整压缩字码的长度来调整CSI反馈开销和压缩率的大小。
8.根据权利要求7所述的一种基于自动编码器结构的CSI反馈方法，其特征在于：步骤S6中，通过归一化均方误差NMSE对压缩重建后的CSI矩阵与原始CSI矩阵之间的差异进行量化，再从归一化均方误差和余弦相似度两个方面进行对比。
...【技术特征摘要】
1.一种基于自动编码器结构的csi反馈方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于自动编码器结构的csi反馈方法，其特征在于：步骤s1中，移动终端将空间频域上的原始csi矩阵进行截断，截断后的矩阵在csi反馈网络的编码器中进行特征提取和特征压缩；
3.根据权利要求2所述的一种基于自动编码器结构的csi反馈方法，其特征在于：步骤s2中，将步骤s1中输出的压缩码字输入解码器的全连接层进行扩维，输出经过sigmoid激活函数，完成csi矩阵重建，再做2d-idft，得到空间频率域上的csi矩阵。
4.根据权利要求3所述的一种基于自动编码器结构的csi反馈方法，其特征在于：步骤s3中，在编码器和解码器中加入包括通道注意力模块和空间注意力模块的卷积块注意力模块cbam，加权通道与空间上的重要性信息；
5.根据权利要求4所述的一种基于自动编码器结构的csi反馈方法，其特征在于：步骤s4中，在解码器卷积块注意力模块cbam输出端构建d...
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。