[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

说明书

本发明公开了一种基于深度循环神经网络的信道信息压缩反馈方法，首先通过离散傅里叶变换将信道矩阵转化到角度‑时延域，然后保留信道矩阵中包含非零元素的列，并将这些列组成的复数矩阵拆分成双通道实数矩阵，用户侧首先利用卷积网络来抽取信道的频域特征，接着通过全连接神经网络和长短时间记忆网络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，基站利用全连接神经网络和长短时间记忆网络对信号进行解压缩，并使用多层卷积神经网络对信道矩阵进行恢复重建。本发明通过引入循环神经网络，有效压缩了信道的时间冗余度，在保证较高性能的前提下提高了信道信息的压缩率。

技术领域

本发明属于压缩感知、信道信息恢复技术领域，涉及信道信息压缩反馈方法，具体涉及一种基于深度循环神经网络的信道信息压缩反馈方法。

背景技术

毫米波多输入多输出(MIMO)是第五代移动通信的关键技术之一，该技术能够保证通信系统具备超高的系统容量，能量效率以及抗干扰能力。

在毫米波MIMO中，基站侧的天线数量通常十分庞大，这就导致了下行链路的导频信息和上行链路的反馈的信道状态信息(CSI)会占据大量的资源。压缩感知技术基于信道稀疏性的假设，能够较大程度地压缩信道信息并且能够较好地恢复出原有的信道信息。在较高的压缩率下，传统的基于压缩感知的信道压缩恢复方法已经不再适用，基于深度神经网络的端到端学习方法可以在特定信道条件下，在较高的压缩比下仍然能够保证良好的性能。但基于卷积神经网络的信道压缩恢复方法仅仅挖掘了信道的频域和空间域的冗余，而在毫米波通信中，信道状态通常都是缓慢时变的，这就使得信道在时序上仍然存在大量冗余。

发明内容

为解决现有方法在信道压缩反馈问题上未考虑时间冗余，反馈精度较低的问题，本发明提出了一种基于深度循环神经网络的信道信息压缩反馈方法，引入循环神经网络，利用循环神经网络的记忆特性更好地压缩时序上的冗余度。

为了达到上述目的，本发明提供如下技术方案：

一种基于深度循环神经网络的信道信息压缩反馈方法，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；

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。

进一步的，压缩反馈方法具体包括如下步骤：

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；