本發(fā)明屬于通信，涉及無線通信系統(tǒng)的信道狀態(tài)信息反饋方法，具體來說是一種大規(guī)模mimo非稀疏信道狀態(tài)信息反饋及重建方法。

背景技術(shù)：

1、隨著無線通信技術(shù)的飛速發(fā)展，人們對(duì)數(shù)據(jù)傳輸速率、系統(tǒng)容量以及通信質(zhì)量的需求日益增加。在這一背景下，大規(guī)模多輸入多輸出(multiple-in?multiple-out，mimo)技術(shù)因其顯著的性能提升而備受關(guān)注。大規(guī)模mimo技術(shù)通過在發(fā)送端和接收端配備大量天線(通?？蛇_(dá)數(shù)十甚至數(shù)百根)，顯著提高了數(shù)據(jù)傳輸速率和頻譜效率，成為下一代無線通信技術(shù)的核心潛在使能技術(shù)之一。

2、然而，隨著天線數(shù)量的增加，大規(guī)模mimo通信系統(tǒng)也面臨著諸多挑戰(zhàn)。其中，信道狀態(tài)信息(channel?state?information，csi)的獲取和反饋是尤為關(guān)鍵的一環(huán)。csi描述了信號(hào)在傳輸過程中的衰減、相位偏移等特性，是基站進(jìn)行信號(hào)預(yù)處理、實(shí)現(xiàn)高效傳輸?shù)幕A(chǔ)。然而，在大規(guī)模mimo系統(tǒng)中，由于天線數(shù)目龐大，需要估計(jì)和反饋的信道參數(shù)數(shù)量急劇增加，傳統(tǒng)基于碼本、矢量量化和壓縮感知的csi反饋算法面臨著計(jì)算復(fù)雜度過高、系統(tǒng)反饋開銷巨大和對(duì)信道稀疏性要求嚴(yán)格的問題，難以滿足大規(guī)模mimo系統(tǒng)的需求。

3、針對(duì)大規(guī)模mimo通信系統(tǒng)csi反饋方法的研究具備重要的科學(xué)研究和工程現(xiàn)實(shí)意義，具體表現(xiàn)在：

4、1.提升通信系統(tǒng)性能：準(zhǔn)確的csi反饋對(duì)于大規(guī)模mimo通信系統(tǒng)的性能至關(guān)重要。通過精確的csi信息，發(fā)送端可以實(shí)施更為精準(zhǔn)的波束賦形、功率分配等信號(hào)預(yù)處理措施，從而提升數(shù)據(jù)傳輸速率、降低干擾、增強(qiáng)系統(tǒng)容量。因此，研究高效的csi反饋技術(shù)對(duì)于提升大規(guī)模mimo系統(tǒng)的整體性能具有重要意義。

5、2.降低反饋開銷：在大規(guī)模mimo系統(tǒng)中，由于天線數(shù)量眾多，直接反饋完整的csi信息將產(chǎn)生巨大的開銷。這不僅增加了系統(tǒng)的復(fù)雜度，還可能影響數(shù)據(jù)傳輸?shù)膶?shí)時(shí)性。因此，研究如何在保證csi信息準(zhǔn)確性的前提下降低反饋開銷，成為一個(gè)急需解決的問題。

6、3.推動(dòng)技術(shù)創(chuàng)新：大規(guī)模mimo技術(shù)的發(fā)展離不開對(duì)csi反饋技術(shù)的持續(xù)研究和創(chuàng)新，隨著無線通信技術(shù)的不斷進(jìn)步，新的應(yīng)用場(chǎng)景和通信需求不斷涌現(xiàn)，為了應(yīng)對(duì)這些挑戰(zhàn)，需要不斷探索新的csi反饋技術(shù)和方法。

7、4.促進(jìn)產(chǎn)業(yè)升級(jí)：作為下一代無線通信系統(tǒng)的關(guān)鍵技術(shù)之一，大規(guī)模mimo技術(shù)的發(fā)展將帶動(dòng)整個(gè)通信產(chǎn)業(yè)鏈的升級(jí)和轉(zhuǎn)型。通過深入研究csi反饋技術(shù)，可以推動(dòng)相關(guān)硬件設(shè)備的研發(fā)、軟件算法的優(yōu)化以及網(wǎng)絡(luò)架構(gòu)的變革，從而加速通信產(chǎn)業(yè)的創(chuàng)新發(fā)展。

8、近年來，計(jì)算機(jī)算力和硬件設(shè)備的突破使得人工智能技術(shù)，尤其是深度學(xué)習(xí)技術(shù)得到了飛躍式的發(fā)展，已成功賦能多個(gè)科研領(lǐng)域?qū)崿F(xiàn)技術(shù)突破。因此，有學(xué)者逐步嘗試將深度學(xué)習(xí)技術(shù)引入到大規(guī)模mimo通信系統(tǒng)csi返回技術(shù)領(lǐng)域，通過先壓縮反饋、再解壓縮重建的方式實(shí)現(xiàn)大規(guī)模mimo通信系統(tǒng)智能csi反饋及重建，并在此基礎(chǔ)上不斷深入探索，衍生出了諸多大規(guī)模mimo通信系統(tǒng)智能csi反饋及重建方法。

9、申請(qǐng)?zhí)枮閏n110350958a的中國專利公開了一種基于神經(jīng)網(wǎng)絡(luò)的大規(guī)模mimo的csi多倍率壓縮反饋方法，包括：提出了csi反饋的兩個(gè)網(wǎng)絡(luò)設(shè)計(jì)原則，并根據(jù)這些原則引入了一個(gè)新的網(wǎng)絡(luò)架構(gòu)csinet+；引入了兩種不同的可變倍率壓縮框架，即串聯(lián)多倍率壓縮框架sm-csinet+和并聯(lián)多倍率壓縮框架pm-csinet+。這種方法要求大規(guī)模mimo信道必須具備嚴(yán)格稀疏性，這在實(shí)際工程中幾乎是不可能實(shí)現(xiàn)的，且該方法的csi反饋精準(zhǔn)度相對(duì)較低。

10、申請(qǐng)?zhí)枮閏n108847876a的中國專利公開了一種大規(guī)模mimo時(shí)變信道狀態(tài)信息壓縮反饋及重建方法，包括獲取信道矩陣序列，對(duì)t個(gè)信道矩陣分別做dft變換，獲得在角延遲域稀疏的信道矩陣序列；構(gòu)建信道反饋及重建模型csinet-lstm，將信道矩陣序列輸入編碼器，輸出碼字；及將碼字依次輸入譯碼器中，輸出重建信道矩陣序列；對(duì)信道反饋及重建模型進(jìn)行訓(xùn)練，使得重建信道矩陣序列逐漸接近信道矩陣序列，以獲得模型參數(shù)；對(duì)輸出的重建信道矩陣序列中的每個(gè)信道矩陣進(jìn)行二維逆dft變換，恢復(fù)得到原始空頻域矩陣序列的重建值；將待反饋和重建的信道狀態(tài)信息輸入模型，輸出重建值。該方法同樣要求信道必須具備稀疏性，且模型計(jì)算復(fù)雜度極高。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述問題，本發(fā)明提出一種大規(guī)模mimo非稀疏信道狀態(tài)信息反饋及重建方法，該方法基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，能夠解決大規(guī)模mimo通信系統(tǒng)中csi反饋及重建精確度低、對(duì)信道稀疏性要求嚴(yán)格的問題，提升大規(guī)模mimo通信系統(tǒng)中csi反饋及重建性能。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種大規(guī)模mimo非稀疏信道狀態(tài)信息反饋及重建方法，包括以下步驟：

4、步驟s1：仿真構(gòu)建大規(guī)模mimo非稀疏通信系統(tǒng)，獲取信道狀態(tài)信息矩陣h，對(duì)信道狀態(tài)信息矩陣h進(jìn)行預(yù)處理，并按照比例劃分形成訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；

5、步驟s2：構(gòu)建用于實(shí)現(xiàn)非稀疏信道狀態(tài)信息反饋及重建的深度神經(jīng)網(wǎng)絡(luò)模型scf-net；

6、步驟s3：將步驟s2構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)模型scf-net在步驟s1構(gòu)建的訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集上進(jìn)行訓(xùn)練，以使模型輸出的信道狀態(tài)信息矩陣趨近于實(shí)際信道狀態(tài)信息矩陣h，保存訓(xùn)練過程中每一代生成的模型權(quán)重參數(shù)文件，觀測(cè)訓(xùn)練數(shù)據(jù)損失函數(shù)和驗(yàn)證數(shù)據(jù)損失函數(shù)下降情況，直至損失函數(shù)完全收斂，模型訓(xùn)練完成；

7、步驟s4：分別加載步驟s3中保存的每一代的模型權(quán)重參數(shù)文件，在測(cè)試數(shù)據(jù)集上測(cè)試模型性能；

8、步驟s5：選擇測(cè)試性能最好的深度神經(jīng)網(wǎng)絡(luò)模型用于信道狀態(tài)信息反饋和重建，將深度神經(jīng)網(wǎng)絡(luò)模型部署在發(fā)送端，接收端按照壓縮率γ對(duì)原始信道狀態(tài)信息矩陣h進(jìn)行壓縮，并將壓縮后的信道狀態(tài)信息矩陣通過反饋鏈路送到發(fā)送端，發(fā)送端將反饋數(shù)據(jù)輸入深度神經(jīng)網(wǎng)絡(luò)模型，重建出壓縮前的原始信道狀態(tài)信息。

9、進(jìn)一步地，步驟s1中，仿真構(gòu)建大規(guī)模mimo非稀疏通信系統(tǒng)，具體方式為：

10、步驟s111：使用matlab仿真軟件進(jìn)行系統(tǒng)建模，大規(guī)模mimo非稀疏通信系統(tǒng)采用收發(fā)端對(duì)稱結(jié)構(gòu)，在仿真軟件中設(shè)置收發(fā)端天線數(shù)均為16，按照4×4的結(jié)構(gòu)排布，天線間隔設(shè)置為1米；

11、步驟s112：發(fā)送端發(fā)送不隨時(shí)隙變化的正交導(dǎo)頻序列其中，i為時(shí)隙；

12、步驟s113：采用kronecker信道模型對(duì)信道進(jìn)行建模，信道多徑數(shù)量設(shè)置為7，信道表示為

13、

14、其中，hw為信道系數(shù)相互獨(dú)立的瑞利信道，通過正弦波疊加法產(chǎn)生；

15、對(duì)于天線間的相關(guān)性矩陣rrx和rtx的建模，采用經(jīng)典的指數(shù)相關(guān)模型，即將rrx和rtx的第i行第j列的項(xiàng)建模為：

16、

17、其中，di,j?30表示第i根天線到第j根天線的距離，d0>0表示相鄰天線之間的間距，ci,j＝di,j/d0是一個(gè)常數(shù)，和a∈[0,1]均為參數(shù)；

18、步驟s114：步驟s112產(chǎn)生的發(fā)送信號(hào)經(jīng)過步驟s113構(gòu)建的信道后，被接收端接收，接收端根據(jù)接收到的信號(hào)通過信道估計(jì)獲取信道狀態(tài)信息即為信道狀態(tài)信息反饋與重建當(dāng)中所需要的信道狀態(tài)信息，或者，在仿真過程中直接保存理想完美信道狀態(tài)信息用于實(shí)現(xiàn)信道狀態(tài)信息反饋與重建。

19、進(jìn)一步地，步驟s1中，信道狀態(tài)信息矩陣h為仿真構(gòu)建的大規(guī)模mimo非稀疏通信系統(tǒng)的接收端通過信道估計(jì)得出，或者為仿真過程中直接獲取的理想已知信道狀態(tài)信息矩陣。

20、進(jìn)一步地，步驟s1中，對(duì)信道狀態(tài)信息矩陣h進(jìn)行預(yù)處理，并按照比例劃分形成訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，具體方式為：

21、步驟s121：將仿真構(gòu)建的大規(guī)模mimo非稀疏通信系統(tǒng)的接收端通過信道估計(jì)得到的一維信道狀態(tài)信息或直接獲取的理想已知信道狀態(tài)信息轉(zhuǎn)換成n×n尺寸的信道狀態(tài)信息矩陣h，n為收發(fā)端配備的天線數(shù)目，信道狀態(tài)信息矩陣h中每個(gè)矩陣元素均為復(fù)數(shù)數(shù)據(jù)；

22、步驟s122：通過對(duì)稱映射的方法將信道狀態(tài)信息矩陣h轉(zhuǎn)換為形式，即，將尺寸為n×n的復(fù)數(shù)矩陣轉(zhuǎn)換為尺寸為2n×2n的實(shí)數(shù)矩陣，待從深度神經(jīng)網(wǎng)絡(luò)模型輸出后再通過逆變換恢復(fù)出尺寸為n×n的矩陣；

23、步驟s123：將步驟s122處理得到的實(shí)數(shù)信道狀態(tài)信息矩陣h′按照壓縮率γ進(jìn)行壓縮，產(chǎn)生尺寸為2n×2n×γ的低維信道狀態(tài)信息矩陣h″，γ<1；

24、步驟s124：重復(fù)步驟s121至步驟s123，在仿真條件下產(chǎn)生多組數(shù)據(jù)，每組數(shù)據(jù)由一個(gè)h和一個(gè)h″組成，其中，h″為待深度神經(jīng)網(wǎng)絡(luò)模型重建的數(shù)據(jù)，h為原始標(biāo)簽數(shù)據(jù)，也是深度神經(jīng)網(wǎng)絡(luò)模型的理想目標(biāo)輸出；

25、步驟s125：將步驟s124產(chǎn)生的數(shù)據(jù)按照7:1:2的比例劃分為訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。

26、進(jìn)一步地，所述深度神經(jīng)網(wǎng)絡(luò)模型scf-net包括輸入層、中間層和輸出層：

27、輸入層為一個(gè)卷積層，采用64個(gè)3*3尺寸大小的卷積核，用于提取信道狀態(tài)信息矩陣中包含的重要特征，卷積層后添加一個(gè)非線性激活函數(shù)，非線性激活函數(shù)選用leakyrelu激活函數(shù)；

28、中間層包含前后串聯(lián)的兩個(gè)結(jié)構(gòu)相同的注意力輔助的特征提取子網(wǎng)絡(luò)，注意力輔助的特征提取子網(wǎng)絡(luò)包含兩個(gè)卷積層，兩個(gè)卷積層均采用64個(gè)3*3尺寸大小的卷積核進(jìn)行特征提取，第一個(gè)卷積層后添加一個(gè)leakyrelu激活函數(shù)和隨機(jī)丟棄操作，第二個(gè)卷積層后添加一個(gè)leakyrelu激活函數(shù)，然后與注意力機(jī)制模塊相連接，進(jìn)行特征細(xì)化，注意力機(jī)制模塊后添加一個(gè)隨機(jī)丟棄操作，注意力輔助的特征提取子網(wǎng)絡(luò)的輸入與注意力機(jī)制模塊的輸出通過殘差跳躍連接結(jié)構(gòu)相加，作為注意力輔助的特征提取子網(wǎng)絡(luò)的輸出；第二個(gè)注意力輔助的特征提取子網(wǎng)絡(luò)的輸出再經(jīng)過一個(gè)3*3的卷積層、leakyrelu激活函數(shù)和隨機(jī)丟棄操作，再以殘差跳躍連接結(jié)構(gòu)的形式與輸入層的輸出值相加，作為中間層的輸出；

29、輸出層為一個(gè)3*3的卷積層。

30、進(jìn)一步地，所述注意力機(jī)制模塊為cbam注意力模塊，包含通道注意力模塊和空間注意力模塊兩個(gè)部分，給定一個(gè)中間特征圖，cbam注意力模塊按照通道和空間兩個(gè)獨(dú)立的維度依次推斷注意力圖譜，然后將注意力圖譜乘到輸入特征圖中進(jìn)行自適應(yīng)特征細(xì)化；其中，通道注意力模塊利用通道間的特征關(guān)系來生成通道注意力特征圖，用于尋找網(wǎng)絡(luò)需要關(guān)注的重點(diǎn)輸入特征；空間注意力模塊通過特征空間的空間關(guān)系生成空間注意力特征圖，用于尋找需要提取的重要信息特征所在的位置，通道注意力模塊和空間注意力模塊采用串行排列的方式構(gòu)成cbam注意力模塊。

31、進(jìn)一步地，步驟s3中，對(duì)深度神經(jīng)網(wǎng)絡(luò)模型scf-net進(jìn)行訓(xùn)練時(shí)，采用adam梯度優(yōu)化算法和端到端的學(xué)習(xí)方式，聯(lián)合訓(xùn)練神經(jīng)網(wǎng)絡(luò)參數(shù)，使得損失函數(shù)最??；

32、所述損失函數(shù)為均方誤差損失，具體為深度神經(jīng)網(wǎng)絡(luò)模型重建出的原始信道矩陣估計(jì)值與真實(shí)標(biāo)簽之間h的均方誤差，損失函數(shù)表達(dá)式為：

33、

34、其中，t為訓(xùn)練集的所有樣本數(shù)，||·||2為歐幾里得范數(shù)，下標(biāo)i表示重建信道矩陣與原始信道矩陣的編號(hào)。

35、進(jìn)一步地，步驟s4中，測(cè)試模型性能采用歸一化均方誤差作為衡量指標(biāo)，計(jì)算公式為：

36、

37、其中，e表示數(shù)學(xué)期望，和h分別表示神經(jīng)網(wǎng)絡(luò)恢復(fù)出的信道矩陣和真實(shí)信道矩陣。

38、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：

39、(1)本發(fā)明將信道狀態(tài)信息反饋與重建問題轉(zhuǎn)換為有損圖像恢復(fù)任務(wù)，借助神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)信道狀態(tài)信息反饋與重建，不依賴信道稀疏性，能夠解決非稀疏信道下信道狀態(tài)信息反饋問題。

40、(2)本發(fā)明中用于實(shí)現(xiàn)大規(guī)模mimo非稀疏信道狀態(tài)信息反饋的深度神經(jīng)網(wǎng)絡(luò)模型scf-net，通過引入leakyrelu非線性激活函數(shù)、注意力機(jī)制模塊，提升了神經(jīng)網(wǎng)絡(luò)性能，通過設(shè)計(jì)殘差跳躍連接結(jié)構(gòu)和隨機(jī)丟棄操作，避免了模型出現(xiàn)過擬合和淺層特征丟失現(xiàn)象。

41、(3)本發(fā)明通過信道狀態(tài)信息預(yù)處理方法將復(fù)數(shù)信道矩陣拆分成實(shí)數(shù)信道矩陣，有效解決了神經(jīng)網(wǎng)絡(luò)不擅長(zhǎng)處理復(fù)數(shù)數(shù)據(jù)的問題，提升算法效果。