[发明专利]一种基于深度学习与熵编码的信道状态信息反馈方法

权利要求书

1.一种基于深度学习与熵编码的大规模MIMO信道状态信息反馈方法，其特征在于，该方法包括以下步骤：

步骤1，在用户端，对MIMO信道状态信息的信道矩阵进行预处理，选择关键矩阵元素以减少计算量，获得实际用于反馈的信道矩阵H；

步骤2，在用户端，构建包括深度学习特征编码器与熵编码器结合的模型，将信道矩阵H编码为二进制比特流；

步骤3，在基站端，构建包括深度学习特征译码器与熵解码器结合的模型，从步骤2得到的二进制比特流重建出原信道矩阵估计值

步骤4，对步骤2与步骤3组合得到的组合模型进行训练，在训练过程中，同时最优化熵编码器输出的熵和重建的均方误差MSE,在编码的压缩率和复原精确度之间得到平衡，获得该组合模型的参数，以及输出的重建的原信道矩阵估计值

步骤5，将步骤4中训练好的基于深度学习特征编码器与熵编码组合模型用于信道信息的压缩感知和重建；

所述步骤2中深度学习特征编码器与熵编码结合的模型的用户端部分由特征编码器、均匀单位标量量化器以及熵编码器组成；

所述特征编码器、均匀单位标量量化器以及熵编码器具体为：

3.1.特征编码器：随机初始化各层参数，将信道矩阵H作为特征编码器的输入，得到的特征编码器输出为M＝f_f-en(H，Θ_en)，其中特征编码器参数Θ_en通过训练获得，H为信道矩阵，f_f-en代表特征编码器；

3.2.均匀单位标量量化器：在量化阶段，均匀单位标量量化器将M中的每个元素调整为离该元素最近的整数，然而由于量化不是可微函数，因此无法在以梯度为基础的网络结构中使用，因此，在训练中，采用独立同分布的噪声矩阵代替量化过程；将量化的特征矩阵写为：其中ΔM为-0.5到0.5中均匀分布随机矩阵；

3.3.通过熵编码，基于输入概率模型，将量化后的值转化为二进制比特流，该步骤表示为其中s为输出的二进制比特流，P为概率密度函数，该概率密度函数表示为概率密度函数的参数Θ_p通过训练获得的，为量化的特征矩阵，f_e-en代表熵编码器。

2.根据权利要求1所述的基于深度学习与熵编码的大规模MIMO信道状态信息反馈方法，其特征在于，所述步骤3深度学习特征译码器与熵解码结合的模型的基站端部分由熵解码器以及特征译码器组成。

3.根据权利要求2所述的基于深度学习与熵编码的大规模MIMO信道状态信息反馈方法，其特征在于，所述熵解码器以及特征译码器具体为：

5.1.将二进制比特流s反馈至基站端，通过熵解码器，二进制比特流s为输入，输出其中P为概率密度函数，f_e-de代表熵解码器，据此，将二进制比特流解码为特征矩阵；

5.2.通过基站端设计的译码器译码，随机初始化各层参数，译码器以特征矩阵为输入，输出与信道矩阵H同维度的重建原信道矩阵估计值其中f_f-de代表特征解码器，为熵解码器输出，特征解码器参数Θ_de通过训练获得，据此，特征解码器将特征矩阵解码为信道矩阵。

4.根据权利要求1所述的基于深度学习与熵编码的大规模MIMO信道状态信息反馈方法，其特征在于，步骤4所述的组合模型的参数主要包括卷积层的卷积核、偏置，熵编码相关参数。

5.根据权利要求1所述的基于深度学习与熵编码的大规模MIMO信道状态信息反馈方法，其特征在于，所述步骤4对组合模型进行训练，采用端到端的训练方式，联合训练编码器和译码器的参数，使代价函数最小，代价函数同时最优化熵编码器输出的熵和重建的MSE，在编码的压缩率和复原精确度之前得到平衡。