一种基于神经网络的大规模MIMO的CSI压缩与反馈方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116015371A(43)申请公布日2023.04.25(21)申请号202211686798.0H04B7/06(2006.01)(22)申请日2022.12.26H04L1/06(2006.01)H04L25/02(2006.01)(71)申请人浙江大学地址310058浙江省杭州市西湖区余杭塘路866号(72)发明人黄崇文单文才杨照辉张朝阳钟财军(74)专利代理机构杭州求是专利事务所有限公司33200专利代理师邱启旺(51)Int.Cl.H04B7/0413(2017.01)G06N3/045(2023.01)G06N3/0464(2023.01)G06N3/08(2023.01)权利要求书2页说明书7页附图7页(54)发明名称一种基于神经网络的大规模MIMO的CSI压缩与反馈方法及系统(57)摘要本发明公开了一种基于神经网络的大规模MIMO的CSI压缩与反馈方法及系统，本发明采用一种新的深度神经网络结构来完成CSI的反馈，该网络称为DilatedAttentionInceptionNet(DAINet)。将待反馈压缩的CSI数据经过2DDFT变换后依次输入至训练好的DAINet的预去噪模块、编码器中，压缩输出一维码字后进行反馈，再在反馈接收端由训练好的译码器接收并译码得到角度延迟域内的CSI矩阵，最后通过2DIDFT变换得到空间频率域的CSI矩阵恢复值；在理想信道估计和非理想信道估计情况下，综合考虑准确率、训练代价，所提出的DAINet优于现有的方法。具体而言，在理想信道估计情况下，DAINet的NMSE(标准均方差)约为AnciNet的1/2，CsiNet的1/12；在非理想情况下，DAINet的NMSE约为AnciNet的9/10，CsiNet的1/2。DAINet的网络参CN116015371A数数量约为AnciNet的80％，CsiNet的130％。CN116015371A权利要求书1/2页1.一种考虑非理想信道估计的基于神经网络的CSI压缩与反馈方法，其特征在于，具体为：将待反馈压缩的CSI数据经过2DDFT变换后依次输入至训练好的预去噪模块、编码器中，压缩输出一维码字后进行反馈，再在反馈接收端由训练好的译码器接收并译码得到角度延迟域内的CSI矩阵，最后通过2DIDFT变换得到空间频率域的CSI矩阵恢复值；其中，预去噪模块由依次连接的多个空洞卷积组、标准卷积组、多个DAIBlock、激活函数层、卷积层、合并拼接第一个DAIBlock的输入与卷积层输出的网络拼接层、激活函数Tanh、注意力块和重建块负责对信道估计得到的CSI矩阵进行预去噪处理从而得到去噪后的CSI矩阵其中所述DAIBlock是由空洞卷积组、多个标准卷积组、网络拼接层及卷积层以先并行后拼接的方式构成，空洞卷积组用于抓取更多DAIBlock的输入数据的特征细节；不同卷积核大小的标准卷积组从不同层面对空洞卷积组抓取的特征细节抽取信息，然后在输出通道维拼接合并，再使用卷积层调整输出大小，最后与DAIBlock的输入数据融合作为DAIBlock的输出；重建块用于依据注意力块输出的噪声信息重建预去噪后的信道状态信息编码器，用于实现特定压缩率的压缩，将去噪后的CSI矩阵压缩量化为码字s；译码器，用于选择相应倍率进行解压缩，将码字s恢复转换成角度延迟域内的CSI矩阵。所述预去噪模块、编码器、译码器按顺序连接组成DAINet后基于训练数据集进行训练获得。2.根据权利要求1所述的方法，其特征在于，所述编码器由一个或多个的空洞卷积组、标准卷积组、DAIBlock、数据重组层，全连接层和量化层组成。3.根据权利要求1所述的方法，其特征在于，所述译码器由反量化层，全连接层，数据重组层，标准卷积组，多个DAIBlock，卷积层和激活函数组成。4.根据权利要求1所述的方法，其特征在于，所述训练数据集的每一训练样本由非理想信道估计下的CSI矩阵组成；将每一训练样本对的非理想信道估计下的CSI矩阵作为DAINet的输入，以最小化DAINet的输出与真值的代价函数为目标进行训练获得训练好的DAINet。5.根据权利要求4所述的方法，其特征在于，所述代价函数为：其中的T代表训练样本个数；Hd[i]表示第i个样本的角度延迟域CSI矩阵真值，||*||2是L2范数，表示第i个样本的译码器的输出。6.一种考虑非理想信道估计的基于神经网络的CSI压缩与反馈系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1‑5任一项所述的考虑非理想信道估计的基于神经网络的CSI压缩与反馈方法。7.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理