一种面向车联网的大规模mimo智能csi反馈方法
阅读说明：本技术 一种面向车联网的大规模mimo智能csi反馈方法 (Internet of vehicles-oriented large-scale MIMO intelligent CSI feedback method ) 是由 陈成瑞 李玉杰 程港 廖勇 于 2021-07-21 设计创作，主要内容包括：本发明提出了一种面向车联网的大规模MIMO智能CSI反馈方法。针对车联网信道状态信息(CSI)反馈方法复杂度高、反馈精度低和反馈开销大的问题,本发明通过端到端的方式构建了一种从用户端(UE)的编码器到基站端(BS)的解码器相结合的网络结构。在UE端采用连续的平均池化层、普通卷积层(CNN)和深度可分离卷积层(DSCNN)所构成的块来逐步缩小原始的CSI矩阵得到压缩后的码字矩阵。在BS端则是首先采用连续的上采样层、CNN和DSCNN所构成的块来逐步扩大压缩的码字矩阵,得到初始CSI重构。接着,利用残差学习网络(ResNet)可以逐步微调的功能构建了残差卷积块将初始重构的CSI逐步逼近原始的CSI以达到更好的重建效果。(The invention provides a large-scale MIMO intelligent CSI feedback method for the Internet of vehicles. Aiming at the problems of high complexity, low feedback precision and high feedback overhead of a vehicle networking Channel State Information (CSI) feedback method, the invention constructs a network structure combining an encoder of a User End (UE) and a decoder of a base station end (BS) in an end-to-end mode. And adopting a block consisting of a continuous average pooling layer, a common convolutional layer (CNN) and a depth separable convolutional layer (DSCNN) to gradually reduce the original CSI matrix at the UE end to obtain a compressed code matrix. At the BS end, the compressed codeword matrix is gradually expanded by using the blocks formed by the consecutive upsampling layers, CNNs, and DSCNNs to obtain the initial CSI reconstruction. Then, a residual rolling block is constructed by utilizing the function that a residual learning network (ResNet) can be finely adjusted step by step, so that the initially reconstructed CSI gradually approaches the original CSI to achieve a better reconstruction effect.)
技术领域
：本发明涉及一种面向车联网的大规模MIMO智能CSI(Channel StateInformation)反馈方法，尤其涉及一种基于轻量化低复杂度的CSI反馈方法。
背景技术
：在车联网环境下，由于车辆的高速移动，使得无线传播信道的变化错综复杂。研究高速无线信道特征是研究高速环境通信技术的基础，无线信道的特征一般主要包括时频域信道响应和时频域信道相关系数。一方面，高速移动环境下，由于受到多径和多普勒的影响，此时的无线信道将同时呈现时域和频域选择性衰落特性。另一方面，由于车辆的在高速移动时，传播的无线信道具有快速衰落、较为严重的多普勒效应、较高的数据传输速率以及复杂的通信环境等特点，这将导致此时的信道不在是一个广义平稳的随机过程，即高速移动环境下的无线信道为一个典型非平稳信道。由于高速移动环境下无线信道的这些特点，也为想要获得可靠、稳定、快速的移动通信带来了更多挑战。
为了提高系统性能，我们需要在发送端准确获取下行CSI，若反馈全部的 CSI，将会对反馈链路造成严重的负担。因此，为了减少过多的反馈开销，接收端只需要反馈部分CSI给发送端。近年来，深度学习方法逐渐在CSI反馈中应用，已有许多研究学者提出了一些基于深度学习的CSI反馈框架。基于深度学习的实时信道恢复方案在训练和预测中利用了深度神经网络来减少反馈开销。现有方案比如基于深度学习的信道恢复框架CsiNet，在用户端处使用编码器将信道矩阵转换为码字，在基站端处使用解码器从码字中重构CSI。由于码字较小无法标识信道矩阵的信息，因此过拟合现象严重，恢复效果一般。还有一种改进的网络架构CsiNetPlus，该网络结构采用更大的卷积核，更多的RefineNet块来提高网络对CSI的重建效果。这些CSI反馈框架虽然较之基于压缩感知和码本的方法能够得到更好的重建效果，但是其在用户端复杂的部署以及对设备算力的高要求等却依然是个亟待解决的问题。
发明内容
：针对高复杂度反馈开销的问题，本发明提供了一种面向车联网的大规模 MIMO智能CSI反馈方法，其特征在于，包括：
S1，构建面向车联网的基于大规模MIMO的通信系统模型，得到批量CSI 截断矩阵数据；
S2，设计轻量化CSI反馈框架中编码器的结构；
S3，设计轻量化CSI反馈框架中解码器的结构；
S4，设计合理的训练方案讲S2和S3所提的编码器和解码器作为同一种端到端网络进行训练得到网络模型。
所述的面向车联网的基于大规模MIMO系统的智能CSI反馈方法，其特征在于，所述S1包括：
在一个面向车联网的基于大规模MIMO的系统中，考虑一个基站端有 Nt(Nt＞＞1)根发射天线，用户端有单根接收天线。该系统采用正交频分复用 (Orthogonal FrequencyDivisionMultiplexing，OFDM)，并有Ns个子载波。由此得到其接收端信号y可以被描述为：
其中，表示为Ns维接收向量，表示为Ns维发射向量，表示为Ns×Nt维度的信道矩阵，其中的表示为第i个子载波上的信道向量，其中ui表示第i个子载波的预编码向量，表示为Ns维的加性高斯白噪声。
为了更好地设计预编码向量ui，在CSI反馈过程中，就需要在基站端得到一个足够精确的即通过更低的反馈量获得更高的重建效果。而CSI矩阵在角度域是稀疏的，所以该虚拟角度域矩阵可通过两个离散傅里叶变换(Discrete Fourier Transform，DFT)矩阵求得：
其中，Ds是一个Ns×Ns的DFT矩阵，Dt是一个Nt×Nt的DFT矩阵。将原始的Ns×Nt矩阵截断为N′s×Nt(N′s＜Ns)的截断矩阵，即CSI截断矩阵
所述的面向车联网的基于大规模MIMO系统的智能CSI反馈方法，其特征在于，所述S2包括：
对于CSI截断矩阵该矩阵属于复数矩阵，其中包含实部和虚部的数据，为了方便数据的处理和训练，将其转化为N′s×Nt×2。转化后的矩阵作为编码器的输入，首先经过一个ConvBN块(由一个3×3卷积核的二维普通卷积层Conv2D、批量归一化层(BatchNormalization，BN)和激活函数(LeakyReLU) 输出特征图)。接着，通过连续的四个SACN块，得到经过压缩后的码字矩阵Sen。每个SACN块都由一个池化窗口大小为2×2的平均池化层(AveragePooling2D) 和一个SEConvBN块组成。而每个SEConvBN块都由一个深度可分离卷积 (SeparableConv2D)、BN和LeakyReLU构成。
所述的面向车联网的基于大规模MIMO系统的智能CSI反馈方法，其特征在于，所述S3包括：
在编码器输出得到的码字矩阵Sen后将其输入解码器，首先是经过连续的4 个USCN块，每个USCN块由一个数据插值窗口大小为2×2的二维上采样层 (UpSampling 2D)和一个ConvBN块构成。上采样层可以使得输入的数据维度提升，其原理是通过对数据的行和列进行重复的插值过程完成升维。接着，通过一个ConvBN层得到N′s×Nt×2的输出后输入到连续的两个ConvBlock块，每个 ConvBlock块都是根据残差网络的形式所构建的一种残差卷积块，有三个 ConvBN块所构成。将通过一个ConvBN层后的输出与整个ConvBlock块的输入的和作为ConvBlock块的最后输出。最后将N′s×Nt×2的输出通过一个3×3卷积核的普通卷积层Conv2D(激活函数Sigmoid，可以将数据调整到[0,1])得到最终的重建结果
综上所述，本发明的有益效果是：
本发明提出的一种面向车联网的基于大规模MIMO系统的智能CSI反馈方法，其信道矩阵的重建质量良好，并且在降低网络复杂度的同时也获得了不错的性能表现。针对现阶段用户端低算力、低存储的设备而言，本发明所提的CSI 反馈方法有着更优秀的可部署性以及性能。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明总体流程图；
图2是用户端编码结构设计图；
图3是基站端解码器结构设计图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明提出了一种面向车联网的大规模MIMO智能CSI反馈方法，在复杂度、重构质量以及运行时间均有更好的性能表现。
结合附图1对本发明进行详细说明，主要包括以下步骤：
步骤1：开始。
步骤2：构建面向车联网的基于大规模MIMO的通信系统模型，建立CSI 截断矩阵。
在一个面向车联网的基于大规模MIMO的系统中，考虑一个基站端有 Nt(Nt＞＞1)根发射天线，用户端有单根接收天线。该系统采用正交频分复用(Orthogonal FrequencyDivision Multiplexing，OFDM)，并有Ns个子载波。由此得到其接收端信号y可以被描述为：
其中，表示为Ns维接收向量，表示为Ns维发射向量，表示为Ns×Nt维度的信道矩阵，其中的表示为第i个子载波上的信道向量，其中ui表示第i个子载波的预编码向量，表示为Ns维的加性高斯白噪声。
为了更好地设计预编码向量ui，在CSI反馈过程中，就需要在基站端得到一个足够精确的即通过更低的反馈量获得更高的重建效果。而CSI矩阵在角度域是稀疏的，所以该虚拟角度域矩阵可通过两个离散傅里叶变换(Discrete Fourier Transform，DFT)矩阵求得：
其中，Ds是一个Ns×Ns的DFT矩阵，Dt是一个Nt×Nt的DFT矩阵。将原始的 Ns×Nt矩阵截断为N′s×Nt(N′s＜Ns)的截断矩阵，即CSI截断矩阵对于CSI截断矩阵该矩阵属于复数矩阵，其中包含实部和虚部的数据，为了方便数据的处理和训练，将其转化为N′s×Nt×2。转化后的矩阵作为编码器的输入。
步骤3：设计CSI截断矩阵编码器，并将CSI截断矩阵输入，具体实施过程如下：
首先经过一个ConvBN层(由一个3×3卷积核的二维普通卷积层Conv2D、批量归一化层(Batch Normalization)和激活函数(LeakyReLU)输出特征图数目为64)。接着，通过连续的四个SACN块，得到经过压缩后的码字矩阵Sen，特征图数目的变换为每个SACN块都由一个池化窗口大小为2×2的平均池化层(AveragePooling2D)和一个SEConvBN块(与ConvBN 块不同的是，其中的普通二维卷积层(Conv2D)被更换为3×3卷积核的深度可分离卷积层(SeparableConv2D)。其中SeparableConv2D与普通卷积层相比，网络参数量大大减少。假设输入两个卷积层的矩阵规格为(w,l,c)，卷积核心大小 (k,k)并且不计算偏置项，最后的输出通道数为m。对于普通卷积块来说，有多少个输入通道，就有多少个卷积核，普通卷积块的参数量为：param＝m×k×k×c。而深度可分离卷积块则是首先进行通道卷积(即可以得到与输入通道数相等的特征图数目)接着，在对每个输出特征图进行1×1的逐点卷积，参数量计算得到 param＝k×k×c+1×1×c×m＝(k×k+m)×c。
步骤4：设计码字矩阵解码器，并将码字矩阵输入，具体实施过程如下：
将编码器输出得到码字矩阵Sen输入解码器，首先是连续的4个USCN，每个USCN块由一个数据插值窗口大小为2×2的二维上采样层(Up Sampling 2D) 和一个ConvBN块构成，每个USCN块则由一个UpSampling2D层与一个 SEConvBN块构成。上采样层可以使得输入的数据维度提升，通过对数据的行和列进行重复的插值过程完成升维。其特征图数目变换过程为：接着，通过一个ConvBN层得到N′s×Nt×2的输出后输入到连续的两个ConvBlock块，每个ConvBlock块都是根据残差网络的形式所构建的一种残差卷积块。每个ConvBlock块包含三个ConvBN层，它们的特征图数目分别为8，16，2。最后将N′s×Nt×2的输出通过一个3×3卷积核的普通卷积层Conv2D(激活函数Sigmoid，可以将数据调整到[0,1])得到最终的重构结果
步骤5：设计训练方案，通过大量数据训练网络模型，具体实施过程如下：
面向车联网的基于大规模MIMO的通信系统参数和网络的训练配置为：基站天线采用均匀线性阵列天线排列方式(Uniform Linear Array，ULA)，天线间距为半个波长。基站端天线数量为Nt＝32，OFDM系统子载波数为Ns＝1024。考虑大规模MIMO的稀疏特性我们只取前N′s＝32行。即H是一个32×32的复数矩阵。训练、验证和测试数据集大小分别为：100000、30000和20000。训练批次数据大小(batch size)为100，训练轮次(epochs)为1500轮，网络学习率(leaning rate)为0.001。
步骤6：结束。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种大规模MIMO多用户系统的信道反馈方法