[发明专利]一种基于深度学习注意力机制的大规模MIMO信道状态信息压缩及重建方法

权利要求书

1.一种基于深度学习注意力机制的大规模MIMO信道状态信息压缩及重建方法，其特征在于，包括如下步骤：

步骤一：对输入的信道矩阵做DFT变换；

在用户端，对MIMO信道CSI在空频域的信道矩阵做DFT变换，得到在角延迟域稀疏的信道矩阵H；将复数矩阵的实部和虚部拆分为两个实数矩阵，作为模型的输入；

步骤二：构建DS-NLCsiNet模型；

DS-NLCsiNet模型包含编码器和译码器，其中编码器以信道矩阵H为输入，将其压缩编码为更低维度的码字s；译码器从码字s中复原出信道矩阵重建值

步骤三：对模型进行训练，得到模型各层参数；

A.使用Adam优化算法和端到端的学习方式，联合训练编码器和译码器的参数，使损失函数最小；

使用信道矩阵重建值与原始信道矩阵H的均方误差作为损失函数，损失函数表达式为：

其中，T为训练集样本数，||·||₂为欧几里得范数；

B.所述的模型参数主要包括全连接层的权重、偏置和卷积层的卷积核权重、偏置；

步骤四：对模型的输出进行逆DFT变换；

对通过DS-NLCsiNet得到的信道矩阵估计值进行逆DFT变换，获得原始信道矩阵重建值

在步骤二中：编码器位于用户端，包括一个卷积层、一个Non Local Block和一个全连接层，随机初始化各层参数。

编码器第一层为卷积层，使用两通道3×3大小的卷积核与输入进行卷积，通过零填充、激活函数LeakyReLU和BatchNormalization，得到两通道32×32大小的特征图；

编码器第二层为Non Local Block，其通用公式表示为：

其中，x是输入信号，i，j表示输出位置，f函数计算i和j的相似度，g函数计算featuremap在j位置的表示，C(x)表示响应因子，对结果进行标准化处理；

编码器第三层为Dense层，将第二层的输出重组为一个2048×1的向量，作为第三层的输入，该层含有M个神经元，激活函数为线性激活函数，Dense层将2048×1的向量压缩为M×1的码字s，作为编码器的输出，传入基站端的解码器，假设传输过程无损失。

2.根据权利要求1所述的一种基于深度学习注意力机制的大规模MIMO信道状态信息压缩及重建方法，其特征在于，

编码器第二层具体实施方法包括：

首先，使用两路两通道的1×1卷积核分别对输入的featuremap进行处理，并将两路卷积的输出进行点乘运算，即可得到上式中的f(x_i，x_j)；然后使用两通道的1×1卷积核对输入的featuremap进行处理，得到上式中的g(x_j)；再将得到f(x_i，x_j)和g(x_j)进行点乘运算，使用softmax激活函数；最后，将点乘的结果通过两通道的1×1卷积核，得到编码器第二层的输出。

3.根据权利要求1所述的一种基于深度学习注意力机制的大规模MIMO信道状态信息压缩及重建方法，其特征在于，

基站端收到码字s后，使用位于基站端的解码器解码，解码器包含一个全连接层，两个DS-RefineNet单元和一个卷积层，随机初始化各层参数，码字在经过解码器各层处理后，输出信道矩阵H的估计值

解码器Dense层以M×1码字s为输入，将其复原为2048×1的一维向量，激活函数为线性激活函数，经过Reshape层，还原为两通道32×32大小的特征图，再通过non-local block，得到初步还原的特征图；

解码器的第三、四层为两个DS-RefineNet单元；

解码器的最后一层为一个两通道3×3卷积核，激活函数为Sigmoid。

4.根据权利要求3所述的一种基于深度学习注意力机制的大规模MIMO信道状态信息压缩及重建方法，其特征在于，

解码器的第三、四层具体的实施方法，包括：

首先，将初步还原的特征图输入第一个DS-RefineNet，每个DS-RefineNet单元包含一个输入层和4个卷积层，前三个卷积层均使用3×3尺寸的卷积核，卷积核通道数分别为8、16、2，最后一个卷积层使用1×1尺寸的卷积核，对结果进行降维，每个卷积层都以输入与其之前所有卷积核的输出在channel维度上的拼接为其输入，其数学表达式为：

x_l＝H_l([x₀，x₁，...，x_l-1])

其中，x_l表示第l层的输出；

最后一层卷积核的输出即为DS-RefineNet单元的输出，除最后一层外其余各层均采用LeakyReLU激活函数并使用批归一化。