一种基于深度学习的编码器解码器解耦CSI反馈方法

技术领域

本发明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。

背景技术

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 stateinformation，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。

1.大规模MIMO技术

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技术具有如下的优点：(1)提升频谱效率和空间分辨率，极高的空间自由度可以满足多个用户在同一时频资源上同时通信；(2)提升能量效率，大规模天线阵列的使用提高了阵列增益，能够使用较小的发射功率达到较好的通信质量，使得系统能量效率提升几个数量级；(3)降低系统复杂度；(4)降低系统部署成本，MIMO极高的空间自由度可以降低发射信号的峰均比，从而能够在射频前端采用低线性复杂度、低成本、低功耗的设备，大幅降低部署成本。

2.CSI反馈技术

在MIMO无线通信系统中，通过对多根发送天线进行预编码或者波束赋形，能够达到提升传输效率和可靠性的目的。为了能够实现高性能的预编码或者波束赋形，预编码矩阵或波束成矢量需要比较好的匹配信道，这就需要发送端能够较好的获得信道状态信息。因此，CSI反馈是在MIMO系统中实现高性能预编码或波束成型的关键技术。与此同时，进行CSI反馈时，对信道矩阵的量化反馈会带来比较大的反馈开销，特别是支持大带宽的CSI反馈时，因此，反馈开销是限制性能提升的重要问题。而基本的CSI反馈流程由基站端发送导频到终端，终端根据导频进行信道估计得到CSI数据，终端对CSI数据进行压缩和量化，并通过反馈链路传回到基站端。基站端接收到压缩量化的比特流数据后，进行解量化和重构，得到恢复的CSI数据从而进行后续波束赋形等操作。

3.深度学习自编码器

深度学习属于机器学习的一部分，与机器学习不同的是深度学习在进行数据特征提取时不需要人工，而是依赖搭建的神经网络自动学习和提取数据特征。其中，自编码器是深度学习中经典的模型结构。自编码器属于无监督学习，包括编码器与解码器两部分，是使得输入数据与输出数据尽可能相同的神经网络。其中，编码器用于对输入数据进行压缩，达到对数据进行降维的效果。解码器对压缩的数据进行重构，使得恢复数据尽可能与原始输入数据相同。从自编码器功能来看，与CSI反馈流程大体相同，均是先对数据进行压缩降维，再传输到另一端对数据进行重构恢复。因此，目前将深度学习与CSI反馈技术相结合也成为了无线通信中的研究热点，通过深度学习来提高MIMO系统中CSI反馈的恢复精度，并同时减小反馈开销。

4.目前系统不足与缺点

对于频分复用(Frequency division duplexity,FDD)下的大规模MIMO系统，上行链路和下行链路工作在不同频率上，因此下行CSI由用户端获得，并通过反馈链路传送回基站。而传统的CSI反馈方法无论是基于码本实现的，还是基于压缩感知实现的，都会随着系统中天线数的增加，进而增加计算复杂度，影响实际通信系统的实时性。因此传统的CSI反馈方案无法很好的应用于大规模MIMO系统中。

因此考虑将深度学习与CSI反馈相结合，在提高CSI反馈恢复精度的同时能够有效降低反馈带来的开销。目前，基于深度学习的CSI反馈主要应用自编码器结构，将编码器配置在终端，对数据进行压缩；而解码器配置在基站端，接收终端发送的压缩数据并进行重构。然而，实际中可能遇到终端与基站厂家不同的问题，出于对技术的保护，可能厂家所设计的基于深度学习的模型并不公开，从而使得其他厂家的终端无法及时配置相应的编码器。

发明内容

针对现有技术存在的缺陷或，本发明提出一种基于深度学习的编码器解码器解耦CSI反馈方法，

所述CSI反馈方法，包括以下步骤：

步骤1.基于特征向量的CSI数据集生成：

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

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

R＝[R

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

上式(3)中：λ

步骤2.在基站端训练编码器解码器：

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

上式(5)中：编码器与解码器的参数集θ

上式(6)中：L(·,·)为参数集θ

步骤2.2.训练完成后，将基于特征向量的CSI数据w通过模型的编码器得到压缩待量化的数据x，将w和x一同传入到终端进行下一步训练，同时，将训练好的解码器f

步骤3.基站终端训练编码器：

步骤3.1基站终端根据接收到的基于特征向量的CSI数据w和压缩待量化的数据x来设计编码器h

步骤3.2编码器h

上式(8)中：编码器的参数集θ

上式(9)中：L′(·)为参数集θ

上式(10)中：N为数据样本个数，x

本发明所述CSI反馈方法具有以下优越技术效果：

1.本发明所述CSI反馈方法使用基于深度学习的方法，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。

2.本发明所述CSI反馈方法所提出的编码器解码器解耦的CSI反馈方法，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。

3.本发明所述CSI反馈方法与先前的基于深度学习的CSI反馈模型相比，终端和基站端只能配固定的模型编码器与解码器，而本发明所述CSI反馈方法提出的编码器解码器解耦的CSI反馈方法，使得两端配置模型更加灵活，同时兼顾了厂家对自己模型算法的保护，且终端与基站端所传输的仅是数据，而非模型，也减小了传输带来的开销。

附图说明

图1是本发明所述CSI反馈方法流程示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明所述CSI反馈方法的具体实施例作进一步的详细描述。

如图1所示，所述CSI反馈方法，将终端训练好的编码器及基站端训练好的解码器分别配置在两侧，即可实现编码器与解码器解耦的CSI反馈方法。实际通信过程中，基站端发送导频到终端，终端通过理想信道估计得到全信道信息数据H，再生成对应的基于特征向量的CSI数据w，将其作为终端编码器h

本发明并不限于上述实施方式，在不背离本发明实质内容的情况下，本领域技术人员可以想到的任何变形、改进、替换均落入本发明的保护范围。