【技术实现步骤摘要】
本专利技术属于通信，特别是一种基于极化自注意力(polarized self-attenton，psa)的大规模多输入多输出(multiple-in multiple-out，mimo)通信系统信道状态信息反馈及重建方法。
技术介绍
1、大规模mimo因具备提升系统容量、频谱效率、用户体验速率、降低时延和用户间干扰、增强全维覆盖和节约能耗等诸多优点，被认为是5g最有潜力的核心技术之一。
2、然而，大规模mimo的发展和应用也面临着诸多问题，例如，大规模mimo的性能与发射机获得的信道状态信息(channel state information，csi)的质量息息相关。对于上行链路，只需要用户端发送训练导频，基站端(base station，bs)就可以很容易地通过导频信息来准确估计csi，而下行链路的csi获取很难实现，这也是在当前大规模mimo技术中需要解决的问题。在时分双工(time division duplexing，tdd)模式中，bs通过上行链路发送训练导频进行信道估计，获得上行链路的csi，再利用信道互易性就可以推断出下行链路的csi。而在频分双工(frequency division duplexing，fdd)模式中信道互易性很弱，这使得通过观察上行链路csi来推断下行链路的csi变得困难。在传统的mimo系统中，fdd系统的下行链路csi首先由用户端通过下行导频估计获取后反馈给bs，然后采用基于码本或者采用矢量量化的方法来减小反馈开销，但是这种方式在大规模mimo中是不可行的，因为bs处使用了大量
3、由于在实际信道物理传播环境中存在共享的局部散射，且大规模mimo系统的多天线阵列赋予信道一定的空间相关性，因此大规模mimo系统在用户信道矩阵中表现出联合稀疏性，这也启发了基于压缩感知(compressive sensing，cs)的csi反馈方案的提出。首先将csi矩阵表示为某个基下的稀疏矩阵，之后通过压缩采样得到更低维度的码字，再利用压缩感知的理论和相关优化算法，从该码字中重建出原csi矩阵。然而由于真实信道并非完美稀疏的，且基于cs的方法没有考虑到实际应用中信道时延差、信道估计误差、反馈链路误差以及提高重构精度带来的计算复杂度问题，导致该算法无法完整保留信道结构信息，信道重建性能不佳。
4、随着人工智能技术的快速发展，基于压缩感知理论的深度学习网络模型算法csinet被提出并用于信道状态信息反馈及重建。该模型算法属于一种自编码器网络，包含一对编码器和解码器网络。编码器网络在用户端对信道状态信息进行编码，解码器在接收端对反馈信息进行译码重建。通过实验验证该算法性能明显优于传统算法。然而，csinet网络对于压缩信息特征的提取能力相对较弱，接收端信道状态信息重建性能仍有较大的提升空间，且csinet在低压缩率条件下的重建性能相对较差，这在相干时间较长的大规模mimo系统下是不可取的。
技术实现思路
1、本专利技术的目的在于针对上述问题提出一种基于极化自注意力的大规模mimo信道反馈及重建方法，能够解决fdd系统中csi反馈重建性能较差的问题。
2、为实现上述目的，本专利技术采取的技术方案如下：
3、一种基于极化自注意力的大规模mimo信道反馈及重建方法，包括以下步骤：
4、步骤1，搭建深度神经网络模型psa-csinet；所述psa-csinet包括编码器和译码器；编码器中，信号矩阵h输入多尺度特征提取模块，经历三条并行的、卷积核大小分别为3×3、5×5、7×7的卷积路径，加和后输出，多尺度特征提取模块的输出经过张量重组转为一维向量，最后经过全连接层输出压缩码字s；译码器中，压缩码字s经全连接层恢复到压缩前的大小，之后经过两层psa-refinenet单元进行精细化的特征提取，最后经过一层卷积输出估计信道矩阵
5、步骤2，使用cost 2100模型在室内和室外条件下分别产生训练、验证和测试需要的样本数据集；
6、步骤3，使用训练集对psa-csinet进行训练，采用adam优化算法进行梯度优化，使得损失函数降低到最小，从而使和h尽可能接近；
7、步骤4，保存步骤3中训练好的模型参数，包括权重、偏置、步长和卷积核大小；
8、步骤5，加载保存的模型参数，在测试集上进行模型性能测试，将性能测试数据指标最好的psa-csinet用于信道状态信息反馈和重建；
9、步骤6，将psa-csinet的编码器部署在用户端，将psa-csinet的译码器部署在基站端；在用户端对mimo信道状态信息在空频域的信道矩阵做二维离散傅立叶变换，获得在角延迟域稀疏的信道矩阵h，将信道矩阵h输入编码器，经过压缩编码后经反馈链路传输到基站端，经过基站端译码器的译码得到原信道矩阵估计值
10、进一步地，步骤5中，用于模型性能测试的数据指标为归一化均方误差和余弦相似度。
11、进一步地，所述psa-refinenet单元由1个输入层、3个卷积层和1个psa模块组成；
12、psa模块包括通道注意力模块和空间注意力模块两个部分，分别按照通道和空间两个独立的维度依次提取注意力特征，然后将注意力特征乘到输入特征图中进行自适应特征细化；
13、通道注意力模块利用通道间的特征关系来生成通道注意力特征图，用于寻找网络需要关注的重点输入特征；
14、空间注意力模块通过特征空间的空间关系生成空间注意力特征图，用于寻找需要提取的重要信息特征所在的位置；
15、通道注意力模块和空间注意力模块采用并行排列的方式构成psa模块。
16、本专利技术相比
技术介绍
具有以下优点：
17、1、与传统基于压缩感知的算法相比，本专利技术基于psa-csinet神经网络的算法不依赖于信道的完美稀疏特性，在结构上使用编码器网络代替随机测量方法，用译码器网络代替传统的迭代式重建算法，信道状态信息反馈重建的性能和精度都有了大幅度的上升。
18、2、与当前的基于深度学习的算法相比，本专利技术基于psa-csinet神经网络算法由于引入了多尺度特征提取模块和psa模块，其特征提取能力更强，编译码过程中保留的关键信息更多，信息损失更小，性能有明显提升。
本文档来自技高网...【技术保护点】
1.一种基于极化自注意力的大规模MIMO信道反馈及重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于极化自注意力的大规模MIMO信道反馈及重建方法，其特征在于，步骤5中，用于模型性能测试的数据指标为归一化均方误差和余弦相似度。
3.根据权利要求1所述的一种基于极化自注意力的大规模MIMO信道反馈及重建方法，其特征在于，所述PSA-RefineNet单元由1个输入层、3个卷积层和1个PSA模块组成；
【技术特征摘要】
1.一种基于极化自注意力的大规模mimo信道反馈及重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于极化自注意力的大规模mimo信道反馈及重建方法，其特征在于，步骤5中，用于模型性能测试的数...
【专利技术属性】
技术研发人员：张涵，杨朔，李勇，刘丽哲，王斌，李行健，李红雨，王毳，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
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。