一种基于深度学习的信道信息压缩反馈重建方法
阅读说明:本技术 一种基于深度学习的信道信息压缩反馈重建方法 (Channel information compression feedback reconstruction method based on deep learning ) 是由 曾鸣 赵涵昱 费泽松 王文欣 于 2021-08-17 设计创作,主要内容包括:本发明公开了一种基于深度学习的信道信息压缩反馈重建方法,包括:对信道状态信息数据进行预处理;建立信道信息压缩反馈模型;通过反馈模型进行信道信息的压缩和解压;对反馈模型进行泛化训练;对压缩反馈重建进行评估;本发明的压缩反馈模型均易于实现,适用于不同场景不同配置的信道状态信息的压缩反馈,适应性强;通过对信道状态信息矩阵的预处理步骤,利用了信道矩阵在角度域内稀疏的特性,解决信道状态信息矩阵对于大规模MIMO系统来说过于庞大的问题;可以更好地提取更加精细的特征,适应实际任务中信道状态信息的稀疏性,提高模型的鲁棒性与应用广泛性;可以以较高的完整度保留信道完整信息,趋近于无损传输,大幅度提升信道信息反馈性能。(The invention discloses a channel information compression feedback reconstruction method based on deep learning, which comprises the following steps: preprocessing the channel state information data; establishing a channel information compression feedback model; compressing and decompressing channel information through a feedback model; carrying out generalization training on the feedback model; evaluating the compression feedback reconstruction; the compression feedback models are easy to realize, are suitable for compression feedback of channel state information configured in different scenes, and have strong adaptability; by the preprocessing step of the channel state information matrix, the problem that the channel state information matrix is too large for a large-scale MIMO system is solved by utilizing the characteristic that the channel matrix is sparse in an angle domain; finer characteristics can be better extracted, the sparsity of channel state information in actual tasks is adapted, and the robustness and the application universality of the model are improved; the method can reserve the complete information of the channel with higher integrity, approach lossless transmission and greatly improve the feedback performance of the channel information.)
技术领域
本发明涉及机器学习领域,尤其是一种基于深度学习的信道信息压缩反馈重建方法。
背景技术
对于现代的通信系统来说,物理层是保障现代通信服务的基础,而MIMO技术又是物理层基本的技术支撑;在通信过程中,如何准确及时地确定信道质量并且做出有效的反馈及利用是非常关键的问题。大规模多输入多输出技术是能够有效提高频谱效率和能量效率的一种技术,它可以将网络连接的容量提高数倍且无需占用更多的频谱。发射机以及接收机所配备的天线数量越多,其可能存在的信号路径就越多,通信过程中的数据速率和链路可靠性能也就更好。
但随着信道路径的增加,实时变化的信道状态信息数据也更加海量,导致反馈实时信道信息以便基站进行预编码遭遇重大挑战。我们知道,上行链路的信道状态信息可以通过信道估计来获得,但是下行链路信道状态信息则只能通过用户设备的反馈来获得,由于大规模多输入多输出系统的存在海量信道状态信息,信道状态信息矩阵变得非常庞大,使得反馈过程具有很大的挑战性,整个反馈过程产生的通信花销也变得不可接受。
早起提出的压缩感知技术利用MIMO特定域中的大量信道状态信息的稀疏性,有效地降低反馈开销,此压缩方法将压缩效率提升了很大的水平,然而,此算法需要通过迭代算法来实现,耗费大量的计算资源和时间资源,而且,基于压缩感知的方法将信道状态信息的稀疏性作为先验条件,忽略了实时环境特征,因此难以应用于实际问题中。
发明内容
本发明的发明目的在于:针对上述存在的问题,提供一种基于深度学习的信道信息压缩反馈重建方法;本发明解决了压缩反馈过程耗费大量的计算资源和时间资源的问题;解决了信息矩阵过于庞大的问题;解决了传输过程中信息损耗丢失的问题。
本发明采用的技术方案如下:
一种基于深度学习的信道信息压缩反馈重建方法,包括:对信道状态信息数据进行预处理;建立信道信息压缩反馈模型;通过反馈模型进行信道信息的压缩和解压;对反馈模型进行泛化训练;对压缩反馈重建进行评估。
进一步的,对数据进行预处理的方法为:对信道状态信息矩阵化;将矩阵化后的空间频域矩阵转化为角延迟域;对数据进行标准化处理。
进一步的,所述空间频域矩阵转化为角延迟域方法为:通过离散傅里叶变换将信道矩阵从空间频率转移到角度分布域,同时将角度时延域信道矩阵趋近于0的部分删除,得到新的稀疏矩阵:其中,其中Fc和Ft分别为对应维数的DFT矩阵。
进一步的,所述建立信道信息压缩反馈模型方法为:建立DB-CRBlock模块;以DB-CRBlock模块为基础,构造压缩编码模块和解压编码模块;再将两个模块在输出维度上进行拼接,建立模型,实现信道状态信息的压缩反馈解压过程。
进一步的,DB-CRBlock模块包括4条平行路径;路径1堆叠2个分别为1×9和9×1的卷积层,路径2经过1个3×3卷积层,路径3堆叠2个分别为1×5和5×1的卷积层,路径4经过1×1卷积核;所述路径1、2、3利用contact层进行特征连接,其输出与路径4通过add层进行特征融合,再通过一个附加的LeakyReLU层。
进一步的,所述压缩编码模块包括:80通道的3×3卷积层、两个80通道的DB-CRBlock模块、两个128通道的DB-CRBlock模块、一个128通道3×3卷积层和Flatten层。
进一步的,所述解压编码模块包括:平铺Reshape层、全连接层、重塑Reshape层、3×3卷积层、两个128通道的DB-CRBlock模块、两个80通道的DB-CRBlock模块和LeakyReLU层。
进一步的,对反馈模型进行泛化训练为基于梯度下降算法对训练集样本数据进行若干轮训练,利用适量验证集证明训练好的模型具有较好的泛化性,利用loss函数量化给定预测变量对预测数据与真实值之间的相似程度。
进一步的,对压缩反馈重建进行评估方法为:利用归一化均方误差函数,评估信道压缩重建质量,其函数定义为:
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明的压缩反馈模型均易于实现,适用于不同场景不同配置大规模MIMO信道状态信息的压缩反馈,对不同通信环境下信道状态信息处理的适应性强。
2、本发明通过对信道状态信息矩阵的预处理步骤,利用了信道矩阵在角度域内稀疏的特性,解决信道状态信息矩阵对于大规模MIMO系统来说过于庞大的问题。
3、本发明通过DB-CRBlock模块中多分辨率特征提取,更好地提取更加精细的特征,适应实际任务中信道状态信息的稀疏性,提高模型的鲁棒性与应用广泛性。
4、本发明通过压缩编码模块和解压编码模块实现信道状态信息的压缩反馈,使得UE侧获取的全信道信息以较低的通信开销反馈至网络侧,并且以较高的完整度保留信道完整信息,趋近于无损传输,大幅度提升信道信息反馈性能。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是信道信息压缩反馈重建方法流程图。
图2是DB-CRBlock模块结构图。
图3是压缩和解压过程示意图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
实施例1
一种基于深度学习的信道信息压缩反馈重建方法,包括:
S1:对信道状态信息数据进行预处理。
上述步骤中,对数据进行预处理的方法为:对信道状态信息矩阵化;将矩阵化后的空间频域矩阵转化为角延迟域;对数据进行标准化处理。
本实施例中,矩阵化方法为:由于数据来源于多小区的3000个随机撒点,认为有3000个时间序列,每个撒点取200个时间采样,每个采样维度为24×16×2。
将矩阵化后的空间频域矩阵转化为角延迟域方法为:利用信道矩阵在角度域内稀疏的特性,将信道矩阵进行角度域转换;具体的,设置信道矩阵为H,通过离散傅里叶变换将信道矩阵从空间频率转移到角度分布域;同时,将角度时延域信道矩阵趋近于0的部分删除,得到新的稀疏矩阵:
其中Fc和Ft分别为对应维数的DFT矩阵。
数据标准化使用全体样本数据计算每一个维度上数据的均值,然后在每一个维度上都减去该均值,最后在数据的每一维度上除以该维度上数据的标准差,使得每一个维度的特征都符合标准正态分布N(0,1),将各维度特征归一化到同一取值区间,提高训练效率与训练稳定性。
S2:建立信道信息压缩反馈模型。
上述步骤中,使用CNN对信号进行卷积运算以提取信道信息特征,使用多分辨率卷积核增加感受野,满足实际任务中特征颗粒度的变化,提取更为精细的相关性特征;并结合ResNET中残差学习网络的思想,设计基于DB-CRBlock的信道信息压缩反馈网络。
具体的,建立信道信息压缩反馈模型方法为:建立DB-CRBlock模块;以DB-CRBlock模块为基础,构造压缩编码模块和解压编码模块;再将两个模块在输出维度上进行拼接,实现信道状态信息的压缩反馈解压过程。
所述DB-CRBlock模块经过4条平行路径,路径1堆叠2个分别为1×9、9×1的卷积层(conv),路径2经过1个3×3卷积层,路径3堆叠2个分别为1×5、5×1的卷积层,通过不同分辨率的卷积核适应信道状态信息的稀疏性,路径4经过1×1卷积核作为身份认证路径,所述卷积层的激活函数均使用LeakyReLU,在激活前进行批量归一化(Batch-normalization);所述路径1、2、3利用contact层进行特征连接,其输出与路径4通过add层进行特征融合,再通过一个附加的LeakyReLU层,用以数值范围调整、提供非线性以及进一步的激活;将输出对应到设定的特征通道维度上,降低参数量,提取有效特征。
S3:通过反馈模型进行信道信息的压缩和解压。
上述步骤中,通过基于DB-CRBlock模块为基础构建的压缩编码模块和解压编码模块进行信息的压缩和解压。
所述压缩编码模块包括:80通道的3×3卷积层、两个80通道的DB-CRBlock模块、两个128通道的DB-CRBlock模块、一个128通道3×3卷积层和Flatten层;解压编码模块包括:平铺Reshape层、全连接层、重塑Reshape层、3×3卷积层、两个128通道的XX-CRBlock模块、两个80通道的DB-CRBlock模块和LeakyReLU层。
其压缩解压流程为:输入信号通过一个80通道3×3卷积层,堆叠两个80通道的DB-CRBlock,再堆叠两个128通道的DB-CRBlock,通过一个128通道3×3卷积层后利用Flatten层拉平为一维1536的张量,将多维输入一维化,设置量化比特数为3,压缩比特数为480,通过全连接层(Dense)产生为一维的输出,长度为480/3=160,激活函数为sigmoid函数,通过量化模块(Quantization)输出一维压缩比特流完成压缩;解压时,输入端首先经过反量化模块(Dequantization),再堆叠一个平铺Reshape层,一个全连接层(Dense),一个重塑Reshape层,再通过一个3×3卷积层,紧跟着堆叠两个128通道的DB-CRBlock,再堆叠两个80通道的DB-CRBlock,附加一个LeakyReLU层用以进一步激活,最后通过一个双通道3×3卷积层输出解压信道信息矩阵,激活函数使用sigmoid函数。
S4:对反馈模型进行泛化训练。
上述步骤中,对反馈模型进行泛化训练为基于梯度下降算法对训练集样本数据进行若干轮训练,利用适量验证集证明训练好的模型具有较好的泛化性,利用loss函数量化给定预测变量对预测数据与真实值之间的相似程度。
具体的,先设置训练参数,配置批大小为128,训练轮数设置为50轮,配置验证数据集占训练数据集的比例为0.08;再基于梯度下降算法对训练集样本数据进行50轮训练,利用适量验证集证明训练好的模型具有较好的泛化性,利用loss函数量化给定预测变量对预测数据与真实值之间的相似程度。
S5:对压缩反馈重建进行评估。
上述步骤中,利用归一化均方误差函数,评估信道压缩重建质量,并与其他常见神经网络进行效果对比。归一化均方误差函数定义为:
所述与其他常见神经网络进行效果对比具体通过表1所述进行对比。
表1信道压缩重建质量与其他常见神经网络效果对比表
本发明的压缩反馈模型均易于实现,适用于不同场景不同配置大规模MIMO信道状态信息的压缩反馈,对不同通信环境下信道状态信息处理的适应性强;通过对信道状态信息矩阵的预处理步骤,利用了信道矩阵在角度域内稀疏的特性,解决信道状态信息矩阵对于大规模MIMO系统来说过于庞大的问题;通过DB-CRBlock模块中多分辨率特征提取,更好地提取更加精细的特征,适应实际任务中信道状态信息的稀疏性,提高模型的鲁棒性与应用广泛性;通过压缩编码模块和解压编码模块实现信道状态信息的压缩反馈,使得UE侧获取的全信道信息以较低的通信开销反馈至网络侧,并且以较高的完整度保留信道完整信息,趋近于无损传输,大幅度提升信道信息反馈性能。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。