[发明专利]一种基于深度循环神经网络的信道信息压缩反馈方法

权利要求书

1.一种基于深度循环神经网络的信道信息压缩反馈方法，其特征在于，包括如下步骤：

预处理步骤：

用户将正交频分复用(OFDM)系统中每个子载波上的信道响应向量堆叠成完整的信道响应矩阵，记为H；

对H进行二维离散傅里叶变换，将其转换到角度-时延域，然后将得到的角度-时延域的信道矩阵裁剪，只保留含有非零元素的列；

将裁剪后得到的信道矩阵按实部和虚部进行拆分，并将拆分得到的矩阵元素进行归一化操作；

编码压缩步骤：

利用卷积网络抽取信道的频域特征，并将卷积层输出的信息转化成一维张量；接着通过全连接神经网络和长短时间记忆网络各自输出后在末端相加，对抽取的频域特征进行压缩；压缩信号通过系统反馈链路传输给基站；

全连接神经网络的计算公式为：

其中x、y、W和b分别为全连接网络的输入张量、输出张量、加权参数以及偏置参数，x_j、y_i、W_i,j和b_i分别代表x、y、W和b中索引为j、i、(i,j)和i的元素的值，长短时间记忆网络的计算公式为：

其中x_t和y_t分别为t时刻长段时间记忆网络的输入张量和输出张量，W、U和b为长短时间记忆网络中的训练参数，f_t、i_t、o_t、C_t和c_t为t时刻长段时间记忆网络中间变量f、i、o、C和c的值，σ为典型的逻辑斯谛函数，tanh为双曲正切函数，⊙为哈达马乘积；

解码恢复步骤：

基站通过全连接神经网络和长短时间记忆网络各自输出后在末端相加对信号进行解压缩；将解压缩后的信号转化成三维张量；使用多层卷积神经网络对信道矩阵进行恢复重建。

2.根据权利要求1所述的基于深度循环神经网络的信道信息压缩反馈方法，其特征在于，具体包括如下步骤：

1)对于一个具有N_c个子载波的OFDM系统，设基站端配置N_t根天线，用户端配置单根天线，令第n个子载波上接收到的信道响应为h_n，将N_c个子载波上的信道响应进行堆叠，得到完整的信道响应矩阵其中上标T表示矩阵的转置；

2)依据对H进行二维离散傅里叶变换，将其转换到角度-时延域，其中F_a和F_b分别为大小为N_t×N_t和N_c×N_c的傅里叶矩阵,其中上标H表示矩阵的共轭转置；

3)对角度-时延域的信道矩阵进行裁剪，仅保留中含有非零元素的那些列，将裁剪后的信道矩阵按照实部和虚部数值进行拆分，则得到两个大小为的实数矩阵；将这两个实数矩阵堆叠得到一个大小的三维张量，对该张量进行归一化操作，得到预处理后的信道矩阵为一个小于N_c的常数；

4)通过矩阵维度重构操作将预处理后的信号矩阵转化成大小的一维张量；

5)采用一个包含3×3×2×2卷积核的卷积层抽取信道的频域特征，卷积操作计算公式为：

其中x、y、W和b分别代表卷积层的输入张量、输出张量、卷积核加权参数以及卷积核偏置参数，其维度大小分别为3×3×2×2和2，x_i+a,j+b,c代表张量x中位置为(i+a,j+b,c)的元素，y_i,j,d代表张量y中位置为(i,j,d)的元素，W_a,b,c,d代表张量W中位置为(a,b,c,d)的元素，b_d代表参数b中位置为d的元素，将卷积层的输出张量y通过一个激活函数，该激活函数定义为：

6)本步骤输入和输出均为一维张量，其大小分别为N和M，N＜M，将全连接神经网络的输出和长短时间记忆网络的输出在末端相加，对抽取的频域特征进行压缩；

7)将全连接神经网络的输出和长短时间记忆网络的输出在末端相加，对信号进行解压缩；

8)通过矩阵维度重构操作将解压缩后的信号转化成大小的三维张量；

9)通过两次三层卷积操作对信道信息进行恢复，每次卷积操作采用三个卷积层，每个卷积层卷积核的大小分别为3×3×2×8、3×3×8×16和3×3×16×2，且每个卷积层采用LeakyRELU()激活函数，每次三层卷积操作的最终输出由其输入和第三个卷积层的输出相加得到，网络最后使用一个3×3×2×2大小的卷积操作并使用逻辑斯谛函数将输出幅度限制在(0，1)之间。