[发明专利]一种深度学习1-bit压缩叠加信道状态信息反馈方法

说明书

本发明公开了一种深度学习1‑bit压缩叠加信道状态信息反馈方法，包括以下步骤：a1)基站端接收到用户端采用的1‑bit压缩叠加信道状态信息(CSI,Channel State Information)反馈方案的反馈信号，得到接收序列；a2)基站通过接收序列进行迫零(ZF,Zero‑Forcing)预均衡处理，得到均衡序列；a3)根据均衡序列，利用基于深度学习方法训练得到的检测网络恢复出调制向量和上行用户数据序列(UL‑US,uplink user data sequence)；a4)根据恢复出的调制向量，利用基于深度学习方法训练得到的CSI重构网络恢复出下行CSI。本发明与非叠加编码CSI反馈相比，避免上行带宽资源占用；与传统叠加CSI反馈相比，在降低系统复杂度和硬件成本的情况下，有效降低上行用户数据序列的检测误码率并提高了CSI的重构精度。

技术领域

本发明涉及频分双工(FDD,frequency division duplex)制式下的大规模MIMO(multiple input multiple output)系统的叠加信道状态信息(CSI，Channel StateInformation)反馈技术领域，特别涉及一种深度学习1-bit压缩叠加信道状态信息反馈方法。

背景技术

作为满足未来5G(the fifth generation wireless communication)网络高效频谱效率和能量效率的关键技术，FDD大规模MIMO系统通过基站端部署的上百根天线，能在不增加发射功率和系统带宽的情况下为更多用户提供无线数据服务。同时，FDD大规模MIMO系统中诸多带来性能提升的处理(如多用户调度、速率分配、发射端预编码等)依赖于准确的下行CSI的获取。在FDD大规模MIMO系统中信道间的互惠性使用受限，下行CSI大多需由用户端估计并反馈回基站。

传统基于码书的CSI反馈方案因天线数众多，造成码本维度巨大，从而难以适用；利用信号稀疏性的压缩感知(CS,compressed sensing)反馈技术在一定程度降低系统反馈开销，但压缩造成的信息损失影响下行CSI在基站端的重构精度。

近年来，涌现出系列基于深度学习(DL,Deep Learning)的CSI反馈技术。相对于基于CS 的CSI反馈技术，基于DL的CSI反馈技术改善了下行CSI在基站端的恢复精度。尽管如此，基于DL的CSI反馈技术仍不可避免且较为严重地占用着上行带宽资源。

叠加CSI反馈可彻底避免上行带宽资源占用，但叠加造成叠加干扰影响上行用户数据序列(UL-US,uplink user data sequence)在基站端的检测性能。为减小叠加干扰，用户端可采用单比特CS技术将下行CSI进行压缩处理后再叠加到上行用户数据上，通过将叠加干扰移除的估计问题转化为比特检测问题来减小叠加干扰。本发明结合单比特CS、叠加CSI反馈和DL 技术的优点，将经过单比特CS处理的下行CSI扩频叠加到上行用户序列上反馈回基站，在基站端利用DL技术恢复下行CSI和上行用户序列，继而在避免上行带宽资源占用的情况下完成CSI反馈。相对于现有叠加CSI反馈方法，本发明方法在彻底避免上行带宽资源占用的同时，可进一步降低叠加干扰，改善基站处下行CSI和上行用户数据的恢复精度。

发明内容

本发明的目的在于提供一种深度学习1-bit压缩叠加CSI反馈方法，与非叠加编码CSI 反馈相比，本发明完全避免上行带宽资源占用；与传统叠加CSI反馈相比，本发明在降低系统复杂度和硬件成本的情况下，有效降低上行用户数据序列的检测误码率并提高了下行CSI 在基站处的重构精度。

本发明的目的是通过以下技术方案来实现的：一种深度学习1-bit压缩叠加CSI反馈方法，包括以下步骤：

a1)基站端接收到用户端采用的1-bit压缩叠加CSI反馈方案的反馈信号X，得到接收序列r

a2)基站通过接收序列r进行迫零(ZF,Zero-Forcing)预均衡处理，得到均衡序列