[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

说明书

本发明公开了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，包括如下步骤：步骤一：对输入的信道矩阵做DFT变换；步骤二：构建DS‑NLCsiNet模型；步骤三：对模型进行训练，得到模型各层参数；步骤四：对模型的输出进行逆DFT变换。本发明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，从而能够高效提取远距离信道信息的关联性，同时以更少的参数提取更深层次的特征，大大提高了信道矩阵特征提取的效率。

技术领域

本发明涉及大规模MIMO系统技术领域，尤其涉及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。

背景技术

大规模MIMO(multiple-input multiple-output)系统已被公认为是5G无线系统的关键技术之一，该技术通过在基站端配置大量天线，在空间域形成多个独立信道，从而大大增加无线通信系统的吞吐量。然而，在频分复用(frequency division duplexity，FDD)MIMO系统中，信道不具有互易性，在用户端获得的下行CSI需要通过反馈链路发送给基站端，反馈完整的CSI将带来巨大的资源开销。此外，随着天线数量大大增加，传统的减小反馈方案如基于量化和码本的有限反馈算法会在一定程度上损失信道状态信息，且反馈开销呈线性增长，因而不适用于大规模MIMO系统的信道反馈。

随着5G技术的高速发展，未来的无线通信应用场景变得更加多样和复杂，对无线通信质量的要求提高。而无线通信智能化则是5G时代技术发展的一大趋势，基于深度学习的模型和算法可以促进无线网络分析和资源的有效管理，有利于应对移动应用通信量和计算量的爆炸式增长。部分深度学习网络技术已经应用于无线传输技术，为5G时代的到来铺平了道路。

现有技术中公开了一种基于深度学习的大规模MIMO信道状态信息反馈方法。该方法的过程为：在用户端，对MIMO信道状态信息在空频域的信道矩阵H^～做二维傅里叶变换，获得在角延迟域稀疏的信道矩阵H；构建包括编码器和译码器的模型，其中编码器属于用户端，将信道矩阵H编码为更低维度的码字，译码器属于基站端，从码字重建出原信道矩阵估计值H^；对模型进行训练，使得H^和H尽可能接近，获得模型参数；对模型输出的重建信道矩阵H^进行二位逆DFT变换，恢复得到原始空频域的信道矩阵H^～重建值；将训练好的模型用于信道信息的压缩和重建。

然而，传统的模型一般仅使用3x3或5x5大小的卷积核，特征提取仅局限于某一局部邻域，通过不断迭代来增大自己的感受野，但是这个迭代过程十分低效，对远程依赖提取效果较差，需要消耗巨大的计算资源，并且每一层的输出仅传入其后一层，所需参数较多，提取特征的效率较低。当层数很多时，会出现梯度弥散的情况，极大的降低了传输效率与精确度。

发明内容

本发明提出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，从而能够高效提取远距离信道信息的关联性，同时以更少的参数提取更深层次的特征，大大提高了信道矩阵特征提取的效率。

为实现本发明的目的，本发明提供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，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；