一种大规模mimo多用户系统的信道反馈方法
阅读说明：本技术 一种大规模mimo多用户系统的信道反馈方法 (Channel feedback method of large-scale MIMO multi-user system ) 是由 何学诚 李从改 刘锋 徐艳丽 于 2021-07-22 设计创作，主要内容包括：本发明公开了一种大规模MIMO多用户系统的信道反馈方法,包括：用户使用导频信息进行信道估计,获取下行链路的CSI信息；通过MU-CsiNet模型对CSI信息进行数据压缩,获得压缩数据S-(u)；将压缩数据S-(u)进行编码、调制后进行传输,基站通过信号检测技术将不同用户的上传数据逐一分解,获取用户发射的原始信息；基站侧对每个用户上传的数据进行解压缩后,获得数据下行链路CSI信息；基站利用实时获取的下行链路的CSI信息进行天线选择和预编码操作,基站将待传输的数据发送给接收端,接收端对接收到的数据信道估计后重复上述的过程。应用本发明实施例,有效的改进了系统性能,提高模型的精度。(The invention discloses a channel feedback method of a large-scale MIMO multi-user system, which comprises the following steps: a user uses the pilot frequency information to carry out channel estimation and acquires CSI information of a downlink; performing data compression on CSI information through an MU-CsiNet model to obtain compressed data S u (ii) a Will compress the data S u Coding and modulating the data and then transmitting the data, and decomposing uploaded data of different users one by a base station through a signal detection technology to obtain original information transmitted by the users; decompressing the data uploaded by each user by the base station side to obtain CSI information of a data downlink; the base station utilizes the CSI information of the downlink acquired in real time to carry out antenna selection and precoding operation, and the base station sends the data to be transmittedAnd for the receiving end, the receiving end repeats the process after estimating the received data channel. By applying the embodiment of the invention, the system performance is effectively improved, and the model precision is improved.)
技术领域
本发明涉及无线通信技术领域，尤其涉及一种大规模MIMO多用户系统的信道反馈方法。
背景技术
近些年来，随着5G移动通信技术的快速发展，作为关键技术之一的大规模MIMO受到了学界和工业界的高度关注。大规模MIMO技术不仅能够提供高数据速率而不增加额外带宽，并且它可以大幅度地提高系统的吞吐量而不会损耗更多的发送功率。其最显著的一个特点就是具有极高的频谱利用效率，这是由于该系统利用了现有的频谱资源和接收端和发送端的多天线所提供的空间自由度，达到可靠性与有效性的增益最大化，以提升传输速率并改善通信质量。但是，在大规模MIMO系统为多个用户提供服务的同时，发射端需要获取下行链路的CSI信息来进行预编码、天线选择等信道自适应传输优化。在TDD传输模式下，基站仅需要利用上下行信道的互易性进行信道估计获取CSI信息。在FDD传输模式下，由于上下行链路不具有信道互异性，基站需要依赖频繁的信道反馈来获取下行CSI信息，这使得系统增加了上行传输的开销。但是，FDD具有强抗干扰性，高频谱效率、低延迟等特点，使其在蜂窝网络中使用的更为广泛。而传统的压缩算法并不能很好的解决FDD系统中数据开销的问题，因此需要使用新颖的解决办法。
目前已经有很多学者提出了各种解决大规模MIMO的方法，例如使用深度学习方法的，使用压缩感知方法的，使用分组反馈的。但是这些方法都存在着一些不足的地方：
大多数模型仅考虑模型的性能指标，而忽略了模型在实际环境中的应用情况。虽然这些指标很具有代表性，但是缺乏实际场景的验证，过高的拟合程度可能会导致模型泛化能力的降低。
大多数模型大都仅仅考虑单用户场景，没有考虑多用户场景下产生的复杂问题。忽略了多用户场景下用户CSI信息之间的差异对模型的影响，忽略了在多用户场景下，上行链路信号检测方式对模型的影响，忽略了下行链路的预编码、天线选择算法与压缩模型的适配性。
随着反馈链路信噪比降低，模型的精度会受到很大的影响，并且随着用户数量的增多，模型的精度逐渐下降。该问题主要由于信号检测的误差所造成的，以OSIC检测为例，它是通过逐个估计出用户数据。随着用户整体的噪声变大，前一个用户的估计误差会进行传播，对后续用户均产生不同程度的影响，从而造成整体性能的下降。因此，本发明针对此问题进行了联合优化，以提高模型的精度。
发明内容
本发明的目的在于提供一种大规模MIMO多用户系统的信道反馈方法，旨在克服现有之不足，本发明有效的改进了系统性能，提高了模型的精度。
为了实现上述目的，本发明提供一种大规模MIMO多用户系统的信道反馈方法，假设该系统有K个独立用户且每个用户均配备单根天线，而发射端配Nt根天线，并使用OFDM技术且子载波数为包括：
用户u使用导频信息进行信道估计，获取下行链路的CSI信息
用户u通过MU-CsiNet模型对CSI信息进行数据压缩，获得压缩数据Su，其中，
fIDFT{·}表示2D-IDFT操作，fen{·，θ1}表示MU-CsiNet的压缩操作,θ1表示压缩模块的参数；
用户u将压缩数据Su进行编码、调制后进行传输，传输公式为：
其中，表示用户侧上行链路的传输过程，表示基站获取到的数据；
基站通过信号检测技术将不同用户的上传数据逐一分解，获取用户发射的原始信息，具体表达为：
其中，表示基站侧上行链路的检测过程，并且使用表示用户信息集合，即
基站侧对每个用户上传的数据进行解压缩后，获得下行链路CSI信息，具体公式为：
其中，fde{·，θ2}表示MU-CsiNet的解压操作，θ2表示解压模块的参数，fDFT{·}表示2D-DFT操作，为所有用户的CSI信息的集合，即
基站利用实时获取的下行链路的CSI信息进行天线选择和预编码操作；
基站将待传输的数据X发送给接收端，具体表达为：
其中，fdown{·}表示下行链路操作，表示用户侧接收到的信息，接收端对接收到的数据信道估计后重复上述过程。
一种实现方式中，所述方法还包括步骤：
第一步，通过在无噪声的理想环境，训练出编码模块参数和解码模块参数表达式如下
其中，fen{·，θ1}表示MU-CsiNet的压缩操作,θ1表示压缩模块的参数，fde{·，θ2}表示MU-CsiNet的解压操作，θ2表示解压模块的参数，表示第u个用户的CSI信息，和分别表示训练后得到的编码模块参数与解码模块参数；
第二步，系统固定编码模块参数预测得到压缩数据S，通过传输模块得到如下列公式所示：
其中，表示用户上行链路的传输过程，其中信噪比为m，噪声为zm，而表示基站上行链路的检测过程，其中用户数为K,系统利用对解码模块的参数进行进一步训练，得到
应用本发明实施提供的一种大规模MIMO多用户系统的信道反馈方法，具备的有益效果如下：
(1)大多数模型仅考虑模型的性能指标，而忽略了模型在实际环境中的应用情况。虽然这些指标很具有代表性，但是缺乏实际场景的验证，过高的拟合程度可能会导致模型泛化能力的降低。本发明适配了实际的仿真场景，通过上下行仿真系统对模型性能进行了验证。
(2)大多数模型大都仅仅考虑单用户场景，没有考虑多用户场景下产生的复杂问题。忽略了多用户场景下用户CSI信息之间的差异对模型的影响，忽略了在多用户场景下，上行链路信号检测方式对模型的影响，忽略了下行链路的预编码、天线选择算法与压缩模型的适配性。本发明针对不同速度、位置的用户进行了适配，并考虑了预编码、天线选择方法的适配性。
(3)随着理想环境下反馈精度的不断提高，更应该关注在复杂场景下的压缩算法性能的表现。本发明针对低信噪比下模型表现欠佳的情况进行了联合优化，有效的改进了系统性能，并通过仿真进行了验证。
附图说明
图1是多用户大规模MIMO系统的仿真模型的结构示意图。
图2是的MU-CsiNet压缩与解压过程的方法流程图。
图3是低信噪比场景下模型联合优化的过程。
图4为MU-CsiNet模型结合仿真系统的实验结果，该实验采用了线性迫零编码并且发射端使用64根天线。
图5为MU-CsiNet模型结合仿真系统的实验结果，该实验采用了线性迫零编码并且发射端使用20根天线。
图6为优化后的MU-CsiNet模型结合仿真系统的实验结果，该实验采用了线性迫零编码并且发射端使用64根天线，且用户数为20。
图7为优化后的MU-CsiNet模型结合仿真系统的实验结果，该实验采用了线性迫零编码并且发射端使用64根天线，且用户数为30。
图8为优化后的MU-CsiNet模型结合仿真系统的实验结果，该实验采用了线性迫零编码并且发射端使用64根天线，且用户数为40
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
本发明提供了一种大规模MIMO多用户系统的信道反馈方法，首先，构建多用户上下行链路的仿真系统，其次，收集多用户信道仿真数据，进行MU-CsiNet的模型训练，再次，封装MU-CsiNet模型，并将其整合进仿真系统中。
结合附图1-3介绍整体仿真的流程以及MU-CsiNet的应用过程，假设该系统有K个独立用户并且每个用户均配备单根天线，而发射端配配Nt根天线，并使用OFDM技术且子载波数为下面将以用户u为例，介绍仿真过程，该过程主要分为七步。
第一步，用户u利用导频信息进行信道估计，获取下行链路的CSI信息假设系统获取到完美的估计信息，即
第二步，用户u使用MU-CsiNet模型对CSI信息进行数据压缩，得到压缩数据su，如下列公式所示：
其中，fIDFT{·}表示2D-IDFT操作，fen{·，θ1}表示MU-CsiNet的压缩操作,θ1表示压缩模块的参数。
具体的压缩过程为：首先，使用2D-IDFT进行原始数据进行压缩，然后使用深度学习的压缩模块进行压缩，其中压缩编码模块主要由一个归一化操作、一个卷积层、一个残差网络、一个全连接层和若干激活函数组成。
第三步，用户u将su进行编码、调制等操作后进行传输，如下列公式所示：
其中，表示用户侧上行链路的传输过程，表示基站获取的真实数据。
第四步，由于上行链路的资源受限，基站接收到的数据大都是多个用户交织的，因此基站需使用信号检测技术将不同用户的上传数据逐一分解。并且利用解码解调等逆过程，获取用户发射的原始信息，如下列公式所示：
其中，表示基站侧上行链路的检测过程，并且使用表示用户信息集合，即
第五步，基站侧对每个用户上传的数据进行解压缩后，获得数据下行链路CSI信息。该过程为压缩的逆过程，如下列公式所示：
其中，fde{·，θ2}表示MU-CsiNet的解压操作，θ2表示解压模块的参数，fDFT{·}表示2D-DFT操作，为所有用户的CSI信息的集合，即
解压过程主要可以描述为：先使用解压模块进行解压，然后使用2D-DFT进行数据还原。解码模块主要包括一个全连接层、两个残差网络、一个卷积层和一个逆归一化操作。
第六步，基站利用实时获取的下行链路的CSI信息进行天线选择和预编码操作，以提高传输的信道容量并消除不同用户之间的干扰。
第七步，基站将待传输的数据X通过一系列操作发送给接收端，可以使用公式表示，其中fdown{·}表示下行链路操作，表示用户侧接收到的信息。接收端对接收到的数据信道估计后重复上述过程。
其次，针对低信噪比场景的优化过程分为两步：先是对整体模型进行优化，再对特定数据进行优化。
第一步，通过在无噪声的理想环境，训练出参数和表达式如下
其中，fen{·，θ1}表示MU-CsiNet的压缩操作,θ1表示压缩模块的参数，fde{·，θ2}表示MU-CsiNet的解压操作，θ2表示解压模块的参数，表示第u个用户的CSI信息，和分别表示训练后得到的编码模块参数与解码模块参数。
第二步，系统固定编码模块参数预测得到压缩数据S，将其通过传输模块得到如下列公式所示：
其中，表示用户上行链路的传输过程，其中信噪比为m，噪声为zm，而表示基站上行链路的检测过程，其中用户数为K。系统利用对解码模块的参数进行进一步训练，得到
为了更好的验证MU-CsiNet模型的性能，本发明将CSI应用于下行链路进行模型性能验证。本发明分别采用了两种不同的方案对模型性能进行了验证。第一种，基站不进行天线选择使用64根天线与20个用户进行通信，预编码采用线性迫零的方式；第二种，基站进行天线选择选出20根天线与20个用户进行通信，预编码采用线性迫零的方式。
第一种方案的结果如图4所示，可以发现当上行链路的信噪比SNRup≥4时，CSI的恢复程度已经对下行链路几乎没有影响，但是与理想环境下有着不小的差距。
第二种方案的结果如图5所示，可以发现该中方案的性能远差于第一种方案，但是由于第一种方案使用更多的天线会消耗更多的射频资源，因此可以根据不同的业务场景进行选择不同的方案。
在基于多用户的大规模MIMO系统中，随着理想环境下反馈精度的不断提高，更应该关注在复杂场景下的压缩算法性能的表现。根据图4、图5的实验结果，可以观察到压缩模型MU-CsiNet在理想场景下可以有着很好的效果，但同时发现该模型在低信噪比表现欠佳，并且随着用户数量的增多，模型的精度逐渐下降。因此，本发明针对这此类问题制定了相应的优化方法，针对不同用户数不同信噪比提出了联合优化的方案。
如图6所示，针对用户数为20的场景，本发明选择优化后提升比较明显的SNRup为0和2的场景进行仿真。通过结果可以看出优化后的模型均有一定程度的提升。
如图7所示，针对用户数为30的场景，本发明选择了SNRup为2和4的场景进行仿真。通过结果可以看出优化后的模型在SNRup＝4时提升较为明显，而SNRup＝2时效果欠佳。
如图8所示，针对用户数为40的场景，本发明选择了SNRup为4和6的场景进行仿真。通过结果可以看出优化后的模型在SNRup＝6时提升较为明显，而SNRup＝4时效果欠佳。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。