基于伪复值输入的大规模MIMO信道状态信息反馈方法

基于伪复值输入的大规模mimo信道状态信息反馈方法
技术领域
1.本发明涉及通信技术技术领域，特别涉及一种大规模mimo信道状态信息反馈方法。


背景技术：

2.大规模多输入多输出(mimo)技术被广泛认为是下一代通信系统的核心技术之一。在基站端配置大量天线后，基站可以利用分集接收和复用技术极大地提升信道容量。获得大规模mimo的潜在增益的前提是基站端必须接收到了精确的下行信道状态信息。在大多数蜂窝系统工作的频分双工(fdd)模式下，信道之间不存在互易性。因此，设备端(ue)必须精确地把下行信道状态信息(csi)反馈给基站(bs)。然而，在利用导频训练下行链路进行信道估计时，其开销会随着天线数量的增加呈指数性增长，这是fdd大规模mimo系统实际部署的主要障碍。因此需要在反馈前行csi压缩来减少开销。
3.目前关于大规模mimo系统信道状态信息反馈的研究中，大部分算法的主要思想是利用大规模mimo系统的空时相关性来减少反馈开销。具体来讲，可将信道矩阵利用设计的正交基转换成可以稀疏表示的矢量。然后在用户端对稀疏矢量进行随机压缩采用以获得低维测量值，并通过反馈链路传递到基站端，基站借助压缩感知理论重建原稀疏矢量。但在实际情况中，利用正交基很难让矩阵达到一个绝对稀疏的效果。因此，压缩感知的前提是假设具有稀疏性的，并没有太多实际的应用。并且传统压缩感知理论还有迭代慢、效率低、没有充分利用信道结构这些致命的缺点。
4.针对这些问题，专利申请号为201810090648.0的一种基于深度学习的大规模mimo信道状态信息反馈方法被提出。该方法将纯数字组成信道矩阵看作一张图像，但没有考虑到信号作为为复数的物理特性，大多数的处理方法是把复数图像虚实分开，其复数的相位特性就无法被表达，从而丢失了原始的物理信息。因此在大多数的情况下，恢复精度不足，尤其在低压缩比情况，表现过差。而专利号201810833351.9的一种大规模mimo时变信道状态信息压缩反馈及重建方法中，尽管部署在基站端，但其复杂度过高，且其性能并未有过多的提高。


技术实现要素：

5.针对现有技术中存在的不足，本发明提供了一种基于伪复值输入的大规模mimo信道状态信息反馈方法，在低压缩比的情况下，能够快速准确地提高恢复精度，减少反馈开销。
6.本发明的目的是这样实现的：一种基于伪复值输入的大规模mimo信道状态信息反馈方法，包括如下操作步骤：
7.(1)在移动用户端获得空频域信道状态信息并进行预处理以获得在角延迟域的信道矩阵ha；
8.(2)搭建包括编码器与解码器的反馈模型clpnet；其中编码器部署在用户端，译码
器部署在基站；用户端将信道矩阵ha输入编码器来获得更低维的码字c并反馈给基站；基站获得的码字c输入到解码器以获得重构的信道矩阵
9.(3)对反馈模型clpnet进行训练，使信道矩阵与信道矩阵ha最小化，并获得模型参数；
10.(4)对反馈模型clpnet输出的矩阵进行补零和二维逆变换操作恢复得到原始空频域的信道矩阵完成反馈。
11.作为本发明的进一步限定，所述步骤(2)包括以下步骤：
12.(21)将角延迟域的信道矩阵ha作为编码器的输入，输出为压缩后的码字c，编码器依次包含第一卷积层、一个空间注意力块、第二卷积层以及一个全连接层；
13.(22)码字c反馈到基站端，通过设计的译码器译码，译码器以码字c为输入，通过卷积核的补零操作，输出与信道矩阵ha同维度的信道矩阵所述译码器包括一个全连接层，两个卷积层和一个mlp块。
14.作为本发明的进一步限定，编码器输入为两层32
×
32大小的实数矩阵，两层为复数矩阵h的实部和虚部拆分，编码器的第一层为输出为16通道的卷积层，卷积核大小为1
×
1，其功能为让两层虚实分开的矩阵结合为一张特征图，如此完成实虚融合，保留了一定的物理信息；编码器的第二层为一个空间注意力模块，模块内部的操作为在输入f的通道c上采用平均池化和最大池化操作，生成两个2d特征映射；随后拼接两个特征映射以生成一个压缩的空间特性描述符，接着将其与标准层卷积操作，卷积核大小为3，输出为1通道，生成2d空间注意力掩码，利用sigmoid激活掩码，最后与原特征图fi相乘得到具有空间注意力的fo：fo＝fi(σ(fc(f
avg
；f
max
)))；空间注意力块的输出后连接一个3
×
3的卷积核，使通道恢复成两通道；将这两个矩阵降成一维矩阵，矩阵大小为2048
×
1的特征图，输入到一个含有m个神经元的全连接层，采用线性激活函数，输出大小为m
×
1的向量，即用户要传给基站压缩后的码字c；可以通过改变输出层的维度m从而改变压缩比cr，cr＝m/n，n为输入层的神经元个数。
15.作为本发明的进一步限定，译码器的第一层为输出包含2048个神经元的全连接层，以接受的码字c为输入，大小m
×
1的矩阵，采用线性激活函数，输出为2048
×
1的向量；通过整形reshape操作，让向量重组为两层32
×
32大小的矩阵，输入到第二层的卷积层，此卷积属于头部卷积操作，卷积核大小为5
×
5，输出大小为32通道；第三层为clpblock单元，该单元分为主线和子线，主线由三条不同卷积核大小的卷积层并行组成，卷积核大小分布为3*3、5*5、7*7，卷积层中使用批归一化和带有泄露的线性修正单元laekyrelu，通过拼接后通过1
×
1的卷积核把96通道降到32通道；最后根据残差思想，从上一卷积层引出一条子线和1
×
1卷积层输出相加并采用leakyrelu函数激活；第二个卷积层的输入为mlpblock输出为两层32
×
32的矩阵并经过hardsigmoid函数激活，激活函数的输出作为最终重建的的实部和虚部。
16.作为本发明的进一步限定，所述步骤(3)中模型参数包括全连接层的权重、偏置和卷积层的卷积核、偏置。
17.作为本发明的进一步限定，所述步骤(3)采用adam优化方式以及端到端学习方式，
学习率采用动态学习率即余弦退火算法，联合训练编码器和译码器使代价函数最小，设计整个clpnet架构的代价函数为译码器输出的信道矩阵和真实信道矩阵ha的均方误差，代价函数描述如下：
[0018][0019]
其中，c为在训练集的所有样本数，||
·
||2为欧几里得范数；fe，fd，θe和θd分别代表的是编码器，解码器，编码器参数和解码器参数。
[0020]
与现有技术相比，本发明的有益效果在于：
[0021]
本发明搭建的信道状态信息模型，在编码器端设计了伪复值输入层并加入了空间注意力机制模块，相比将信道矩阵作为图像进行虚实分开处理的csinet，clpnet不仅保留了相位特性，还利用空间注意力机制特性对不同的簇分配了不同的权重，对那些具有特定延迟和到达角的可分辨路径给予了更多的关注；解码器端设计了并行的大卷积通道和多卷积核，使接收到的图像不仅有更多的特征，而且这些特征有不同的感受野；在相同的压缩比情况下。clpnet能够获得更小的重构误差，从而提高了重构的矩阵质量。
附图说明
[0022]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0023]
图1为本发明工作流程图。
[0024]
图2为本发明中clpnet整体架构图。
[0025]
图3为本发明空间注意力单元图。
[0026]
图4为本发明clpblock单元图。
具体实施方式
[0027]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0028]
实施例
[0029]
如图1所示的一种基于伪复值输入的大规模mimo信道状态信息反馈方法，包括如下操作步骤：
[0030]
(1)在移动用户端获得空频域信道状态信息并进行预处理以获得在角延迟域的信道矩阵ha；本实施例中在大规模mimo通信系统使用频分双工模式fdd，基站端配备n
t
根发射天线，移动用户端配备单天线，该系统使用正交频分复用的载波调制方式，子载波数量为
用cost 2100信道模型通过matlab仿真软件在5.3ghz的室内环境下生产150000个空频域的信道矩阵样本，并按照一定比例把样本按顺序分为训练集(100000)、验证集(30000)和测试集(20000)；生产的矩阵直接作为模型的输入，用户端根据基站发送的训练序列或导频序列，对大规模mimo系统的下行信道状态信息进行估计，得到空频域信道矩阵矩阵大小为对空频域信道矩阵做二维离散傅里叶变换，得到角延迟域的信道稀疏矩阵h，其变换通过两个dft矩阵完成的，系数矩阵的表达式为其中和因为多径时延是有限的，所以在角延迟域中，信道矩阵可取前行，得到矩阵ha，这样也不会造成太多的信息损失；本实施例中取32行，即na＝32，子载波取1024；因此根据发射天线数量和保留的行数，最终修正过后的矩阵ha大小为32
×
32；
[0031]
(2)搭建如图2所示的包括编码器与解码器的反馈模型clpnet；
[0032]
编码器部署在用户端，包括两个卷积层、一个空间注意力块和一个全连接层，其输入为两层32
×
32大小的实数矩阵，两层为复数矩阵h的实部和虚部拆分，第一层为输出为16通道的卷积层，卷积核大小为1
×
1，其功能为让两层虚实分开的矩阵结合为一张特征图，如此完成实虚融合，保留了一定的物理信息；第二层为如图3所示的一个空间注意力模块，模块内部的操作为在输入f的通道c上采用平均池化和最大池化操作，生成两个2d特征映射，有随后拼接两个特征映射以生成一个压缩的空间特性描述符接着将其与标准层卷积操作(卷积核大小为3)，输出为1通道，生成2d空间注意力掩码利用sigmoid激活掩码，最后与原特征图fi相乘得到具有空间注意力的fo：fo＝fi(σ(fc(f
avg
；f
max
)))；空间注意力块的输出后连接一个3
×
3的卷积核，使通道恢复成两通道；将这两个矩阵降成一维矩阵，矩阵大小为2048
×
1的特征图，输入到一个含有m个神经元的全连接层，采用线性激活函数，输出大小为m
×
1的向量，即用户要传给基站压缩后的码字c；可以通过改变输出层的维度m从而改变压缩比cr，cr＝m/n，n为输入层的神经元个数；
[0033]
译码器部署在基站端；包含一个全连接层，一个clpblock块和两个卷积层，第一层输出包含2048个神经元的全连接层，以接受的码字c为输入，大小m
×
1的矩阵，采用线性激活函数，输出为2048
×
1的向量；通过整形reshape操作，让向量重组为两层32
×
32大小的矩阵，输入到第二层的卷积层，此卷积属于头部卷积操作，经过消融验证得知卷积核大小为5
×
5时性能最高，输出大小为32通道，更多的卷积通道可以得到更多的特征图；第三层为如图4所示的clpblock单元，该单元分为主线和子线，主线由三条不同卷积核大小的卷积层并行组成，卷积核大小分布为3*3、5*5、7*7，通过卷积分解让大卷积核分解为多个3*3的形式，则5*5可以用两个3*3代替，7*7用三个3*3卷积核代替，这样可以有效地减少参数；卷积层中使用了批归一化和带有泄露的线性修正单元laekyrelu，通过拼接后通过1
×
1的卷积核把96通道降到32通道；最后根据残差思想，从上一卷积层引出一条子线和1
×
1卷积层输出相加并采用leakyrelu函数激活；第二个卷积层的输入为mlpblock输出为两层32
×
32的矩阵并经过hardsigmoid函数激活，激活函数的输出作为最终重建的的实部和虚部。
[0034]
(3)对反馈模型clpnet进行训练，使信道矩阵与信道矩阵ha最小化，并获得模型参数；设计整个clpnet架构的代价函数为译码器输出的信道矩阵和真实信道矩阵ha的均方误差，即代价函数其中，c为在训练集的所有样本数，||
·
||2为欧几里得范数；其中fe，fd，θe和θd分别代表的是编码器，解码器，编码器参数和解码器参数；
[0035]
根据cost2100产生的信道矩阵，采用端到端的学习方式进行训练，训练过程中的优化器选择adam优化，每批次200个样本，学习率采用了余弦退火算法，学习率从最初的0.002到最终的0.00005，以此方式遍历整个训练集1000次；训练过程中每10次遍历可用验证集选择性能最好的模型，并用测试集进行测试
[0036]
(4)训练好的clpnet模型最终部署在用户端和基站用于大规模mimo的信道状态信息反馈，通过对重构矩阵进行补零操作，并进行二维离散傅里叶变换，便获得了原始空频域的信道矩阵
[0037]
以下通过实验，来对本发明的技术效果进行说明：
[0038]
本验证例是一种基于伪复值输入的大规模mimo信道状态信息反馈方法，通过数据驱动设计的编码器和译码器架构；本发明与现有技术的仿真采用cost2100mimo信道在5.3ghz室内场景产生的样本，基站端发射天线为32，用户端单天线，该系统使用正交频分复用的载波调制方式，子载波数量1024，参数设置均是发明默认参数选择。
[0039]
仿真内容：在不同压缩比情况下，应用本发明clpnet和现有技术csinet和csinet-lstm对重构的信道矩阵和原始信道矩阵ha直接的归一化均方误差进行仿真对比；如表一，归一化均方误差的公式描述如下：单位db。
[0040]
表一
[0041][0042]
从表一可以看出，三种仿真方法中clpnet在多个压缩比下的误差性能均有了较大幅度的提升。得益于编码器端注意力机制在可分辨路径上的权重分配更大，以及译码器端大卷积通道产生的更多的特征图，也证明了注意力机制在通信方向运用的可行性。因此，在fdd大规模mimo的信道状态信息反馈的工作中clpnet有着潜在的应用价值
[0043]
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

技术特征：
1.一种基于伪复值输入的大规模mimo信道状态信息反馈方法，其特征在于，包括如下操作步骤：(1)在移动用户端获得空频域信道状态信息并进行预处理以获得在角延迟域的信道矩阵h
a
；(2)搭建包括编码器与解码器的反馈模型clpnet；其中编码器部署在用户端，译码器部署在基站；用户端将信道矩阵h
a
输入编码器来获得更低维的码字c并反馈给基站；基站获得的码字c输入到解码器以获得重构的信道矩阵(3)对反馈模型clpnet进行训练，使信道矩阵与信道矩阵h
a
最小化，并获得模型参数；(4)对反馈模型clpnet输出的矩阵进行补零和二维逆变换操作恢复得到原始空频域的信道矩阵完成反馈。2.根据权利要求1所述的基于伪复值输入的大规模mimo信道状态信息反馈方法，其特征在于，所述步骤(2)包括以下步骤：(21)将角延迟域的信道矩阵h
a
作为编码器的输入，输出为压缩后的码字c，编码器依次包含第一卷积层、一个空间注意力块、第二卷积层以及一个全连接层；(22)码字c反馈到基站端，通过设计的译码器译码，译码器以码字c为输入，通过卷积核的补零操作，输出与信道矩阵h
a
同维度的信道矩阵所述译码器包括一个全连接层，两个卷积层和一个mlp块。3.根据权利要求2所述的基于伪复值输入的大规模mimo信道状态信息反馈方法，其特征在于，编码器输入为两层32
×
32大小的实数矩阵，两层为复数矩阵h的实部和虚部拆分，编码器的第一层为输出为16通道的卷积层，卷积核大小为1
×
1，其功能为让两层虚实分开的矩阵结合为一张特征图，如此完成实虚融合，保留了一定的物理信息；编码器的第二层为一个空间注意力模块，模块内部的操作为在输入f的通道c上采用平均池化和最大池化操作，生成两个2d特征映射；随后拼接两个特征映射以生成一个压缩的空间特性描述符，接着将其与标准层卷积操作，卷积核大小为3，输出为1通道，生成2d空间注意力掩码，利用sigmoid激活掩码，最后与原特征图f
i
相乘得到具有空间注意力的f
o
：f
o
＝f
i
(σ(f
c
(f
avg
；f
max
)))；空间注意力块的输出后连接一个3
×
3的卷积核，使通道恢复成两通道；将这两个矩阵降成一维矩阵，矩阵大小为2048
×
1的特征图，输入到一个含有m个神经元的全连接层，采用线性激活函数，输出大小为m
×
1的向量，即用户要传给基站压缩后的码字c；可以通过改变输出层的维度m从而改变压缩比cr，cr＝m/n，n为输入层的神经元个数。4.根据权利要求3所述的基于伪复值输入的大规模mimo信道状态信息反馈方法，其特征在于，译码器的第一层为输出包含2048个神经元的全连接层，以接受的码字c为输入，大小m
×
1的矩阵，采用线性激活函数，输出为2048
×
1的向量；通过整形reshape操作，让向量重组为两层32
×
32大小的矩阵，输入到第二层的卷积层，此卷积属于头部卷积操作，卷积核大小为5
×
5，输出大小为32通道；第三层为clpblock单元，该单元分为主线和子线，主线由三条不同卷积核大小的卷积层并行组成，卷积核大小分布为3*3、5*5、7*7，卷积层中使用批归一化和带有泄露的线性修正单元laekyrelu，通过拼接后通过1
×
1的卷积核把96通道降
到32通道；最后根据残差思想，从上一卷积层引出一条子线和1
×
1卷积层输出相加并采用leakyrelu函数激活；第二个卷积层的输入为mlpblock输出为两层32
×
32的矩阵并经过hardsigmoid函数激活，激活函数的输出作为最终重建的的实部和虚部。5.根据权利要求4所述的基于伪复值输入的大规模mimo信道状态信息反馈方法，其特征在于，所述步骤(3)中模型参数包括全连接层的权重、偏置和卷积层的卷积核、偏置。6.根据权利要求5所述的基于伪复值输入的大规模mimo信道状态信息反馈方法，其特征在于，所述步骤(3)采用adam优化方式以及端到端学习方式，学习率采用动态学习率即余弦退火算法，联合训练编码器和译码器使代价函数最小，设计整个clpnet架构的代价函数为译码器输出的信道矩阵和真实信道矩阵h
a
的均方误差，代价函数描述如下：其中，c为在训练集的所有样本数，||
·
||2为欧几里得范数；f
e
，f
d
，θ
e
和θ
d
分别代表的是编码器，解码器，编码器参数和解码器参数。

技术总结
本发明公开了一种基于伪复值输入的大规模MIMO信道状态信息反馈方法，包括如下操作步骤：（1）在移动用户端获得空频域信道状态信息并进行预处理以获得在角延迟域的信道矩阵；（2）搭建包括编码器与解码器的反馈模型CLPNet；其中编码器部署在用户端，译码器部署在基站；用户端将信道矩阵输入编码器并反馈给基站；基站根据输入到解码器以获得重构的信道矩阵；（3）对反馈模型CLPNet进行训练，使信道矩阵与信道矩阵最小化，并获得模型参数；（4）对反馈模型CLPNet输出的矩阵进行补零和二维逆变换操作恢复得到原始空频域的信道矩阵，完成反馈，本发明在低压缩比的情况下，能够快速准确地提高恢复精度，减少反馈开销。减少反馈开销。减少反馈开销。


技术研发人员：刘为波 颜彪 沈麟
受保护的技术使用者：扬州大学
技术研发日：2021.12.20
技术公布日：2022/3/8