基于特征抽取与互异性融合的1bit压缩叠加CSI反馈方法
阅读说明：本技术 基于特征抽取与互异性融合的1bit压缩叠加CSI反馈方法 (1bit compression superposition CSI feedback method based on feature extraction and mutual-difference fusion ) 是由 卿朝进 叶青 刘文慧 黄小莉 曹太强 黄永茂 于 2021-08-31 设计创作，主要内容包括：本发明公开了基于特征抽取与互异性融合的1bit压缩叠加CSI反馈方法,包括：根据上行CSI估计矢量的幅度,通过第一神经网络获得对应的下行CSI的学习幅度；根据基站得到的恢复反馈向量,利用专家知识进行CSI特征提取,恢复出下行CSI的特征幅度与特征角度；根据对所述下行CSI的特征幅度与下行CSI的学习幅度拼接得到的下行CSI拼接幅度,通过第二神经网络获得下行CSI的融合幅度；根据所述下行CSI的融合幅度与所述特征角度,恢复得到下行CSI重构矢量。与单比特CS叠加CSI反馈相比,本发明可根据上下行信道双向互异性恢复出单比特CS丢失的下行CSI幅度,极大的提高了CSI的重构精度,同时显著提高了CSI的重构效率。(The invention discloses a 1bit compression superposition CSI feedback method based on feature extraction and mutual-difference fusion, which comprises the following steps: obtaining the learning amplitude of the corresponding downlink CSI through a first neural network according to the amplitude of the uplink CSI estimation vector; according to the recovery feedback vector obtained by the base station, CSI (channel state information) feature extraction is carried out by using expert knowledge, and the feature amplitude and the feature angle of downlink CSI are recovered; obtaining a fusion amplitude of the downlink CSI through a second neural network according to a downlink CSI splicing amplitude obtained by splicing the characteristic amplitude of the downlink CSI and the learning amplitude of the downlink CSI; and recovering to obtain a downlink CSI reconstruction vector according to the fusion amplitude of the downlink CSI and the characteristic angle. Compared with the single-bit CS superposition CSI feedback, the method can recover the amplitude of the downlink CSI lost by the single-bit CS according to the bidirectional reciprocity of the uplink and downlink channels, greatly improve the reconstruction precision of the CSI, and obviously improve the reconstruction efficiency of the CSI at the same time.)
技术领域
本发明涉及FDD(frequency division duplex)大规模MIMO(multiple inputmultiple output)系统的叠加反馈技术领域，特别涉及基于特征抽取与互异性融合的1bit压缩叠加信道状态信息(CSI，Channel State Information)反馈方法。
背景技术
作为满足未来5G(the fifth generation wireless communication)网络高效频谱效率和能量效率的关键技术，FDD大规模MIMO系统通过基站端部署的上百根天线，能在不增加发射功率和系统带宽的情况下为更多用户提供无线数据服务。同时，FDD大规模MIMO系统中诸多带来性能提升的操作(如多用户调度、速率分配、发射端预编码等)依赖于准确的下行信道状态信息(CSI,channel state information)的获取。在频分双工(FDD，frequency division duplex)大规模MIMO系统中信道间的存在微弱的互惠性，CSI只能由用户端反馈回基站。
传统利用信号稀疏性的压缩感知(CS,compressed sensing)反馈技术虽能在一定程度降低系统反馈开销，但在其重构过程中有大量的计算开销；基于深度学习(DL,DeepLearning)的反馈技术因其结构简单，训练速度快等优点，引起广泛关注，但在其反馈过程中仍占用一定的频谱资源。
近年来，叠加编码(SC,superimposed coding)技术以其能够高效利用频谱资源的特性，被广泛应用于无线通信各领域，但叠加编码会造成相互干扰，单比特CS可以通过丢弃CSI的幅度信息减少这种相互干扰。CSI幅度信息的丢失造成CSI重构精度不高。
发明内容
本发明的目的在于提供基于特征抽取与互异性融合的1bit压缩叠加CSI反馈方法，与单比特CS叠加CSI反馈相比，本发明根据上下行信道双向互异性恢复出单比特CS丢失的下行CSI幅度，极大的提高了CSI的重构精度，并且利用浅层神经网络与简化版本的CSI重构方法进行CSI重构，提高了CSI的重构效率。
本发明的技术方案如下：
基于特征抽取与互异性融合的1bit压缩叠加CSI反馈方法，包括：
根据上行CSI估计矢量的幅度通过第一神经网络获得对应的下行CSI的学习幅度
根据恢复反馈向量利用专家知识进行CSI特征提取，恢复出下行CSI的特征幅度与特征角度其中，所述恢复反馈向量是指基站接收端根据发射端发出的反馈向量w进行恢复后得到的对应反馈向量；
根据对所述下行CSI的特征幅度与下行CSI的学习幅度拼接得到的下行CSI拼接幅度通过第二神经网络获得下行CSI的融合幅度
根据所述下行CSI的融合幅度与所述特征角度恢复得到下行CSI重构矢量
在一些
具体实施方式
中，所述上行CSI估计矢量幅度通过以下模型获得：
其中，表示所述上行CSI的估计矢量的第N个元素，|·|表示复数的取模操作，上标T表示转置运算；
在一些具体实施方式中，所述上行CSI估计矢量通过对用于进行信道估计的基站端接收序列进行上行CSI估计得到，估计方法选自LS估计、MMSE估计、ML估计、MAP估计、导频辅助估计中的一种或多种。
优选的，所述估计方法选自LS估计法，且所述上行CSI的估计矢量满足：
其中，s表示用户端发送的基站已知信号序列，表示取Moore-Penrose伪逆操作，表示用于进行信道估计的基站端接收序列，且满足：
其中，N表示信道噪声，g表示实际的上行CSI矢量，即上行CSI的估计矢量是矢量g的估计值。
在一些优选实施方式中，所述第一神经网络包括：
一个含有线性激活函数的输入层、一个含有LeakyReLU激活函数的隐藏层和一个含有线性激活函数的输出层；其中，输入层、隐藏层和输出层节点数分别为N、mN和N，m表示根据工程预设确定的隐藏层节点系数。
在具体应用中，该第一神经网络的输入为所述上行CSI估计矢量幅度输出为长度为N的所述下行CSI的学习幅度
更优选的，该第一神经网络的训练损失函数采用均方误差损失函数。
在具体应用中，所述专家知识为现有的基于压缩感知的重构方法。
在一些具体的实施方式中，所述的现有的基于压缩感知的重构方法包括如基于L1范数最小化、基追踪算法、匹配追踪算法、正交匹配追踪算法、BIHT算法、SCA-BIHT算法等。
在一些具体实施方式中，所述恢复反馈向量为在基站重新恢复的1bit压缩叠加矢量x中的反馈向量，且：
所述的1-bit压缩叠加矢量在发射端通过以下模型获得：
其中，d表示长度为P的上行用户数据序列，E表示用户发送功率，ρ∈[0,1]表示叠加因子，可根据工程经验设定，Q表示P×L维的为扩频矩阵，满足QTQ＝P·IL，其中上标“T”表示转置运算，L表示调制信号长度，IL表示L维单位矩阵，r表示长度为L的调制信号序列，且：
r＝fmode(w)；
其中，w表示长度为K的发射端的反馈向量，所述恢复反馈向量为反馈向量w在基站的估计值，K＝2L，且：
w＝[preal,pimag,z]；
其中，z∈{0,1}1×N表示下行CSI矢量h的长度为N的支撑集向量，preal与pimag分别表示下行CSI矢量长度为M的采用1-bit压缩感知技术压缩量化后的实部与虚部。
优选的，preal与pimag满足：
其中，h表示下行CSI矢量，所述下行CSI重构矢量表示在基站重构得到的下行CSI，Φ表示采用1-bit压缩感知技术的压缩矩阵，sign(·)、Re(·)和Im(·)分别表示取符号操作、取实部操作和取虚部操作。
在一些优选实施方式中，基于上述应用中，所述恢复反馈向量的获得进一步包括：对接收序列Y进行解扩处理，再通过MMSE检测以及干扰消除得到所述恢复反馈向量
如，其包括：
通过以下过信道模型获得所述接收序列
Y＝gx+N；
其中，Y表示基站端的接收序列，x表示用户端发送的1-bit压缩叠加矢量，N表示信道噪声，g表示上行信道矢量。
通过以下解扩处理模型获得解扩信号
通过以下MMSE检测模型获得检测信号
其中，dec(·)表示硬判决操作，(·)-1表示取矩阵的逆操作，(·)H表示矩阵的共轭转置操作，表示上行信道的方差；
通过以下干扰消除模型获得去干扰数据序列
通过以下反馈向量恢复模型，获得恢复反馈向量
其中，fdemo(·)表示解调处理，则可得到恢复反馈向量为：
其中，表示恢复出的下行CSI矢量h的长度为N的支撑集，与分别表示恢复出的采用1-bit压缩感知技术压缩量化的下行CSI矢量h的长度均为M的实部与虚部。
在一些优选实施方式中，根据所得基站端恢复反馈向量进行下行CSI的特征幅度与特征角度的恢复的过程包括：
将所得参数作为SCA-BIHT算法的输入，其中，SCA-BIHT算法即为专家知识；
通过SCA-BIHT算法循环n次后输出下行CSI的特征值其中，n可根据工程经验预先设定；
根据下行CSI的特征值通过下式获得下行CSI特征幅度与特征角度
其中，famp(·)表示对复数进行取幅度操作，fang(·)表示对复数进行取角度操作。
在一些优选实施方式中，所述第二神经网络包括：
一个含有线性激活函数的输入层、一个含有LeakyReLU激活函数的隐藏层和一个含有线性激活函数的输出层；其中，输入层、隐藏层和输出层节点数分别为2N、kN和N，k表示根据工程预设确定的隐藏层节点系数。
在具体应用中，该第二神经网络的输入为所述下行CSI拼接幅度输出为长度为N的所述下行CSI的融合幅度
其中，所述下行CSI拼接幅度通过以下模型获得：
其中，[·]表示矢量的拼接操作。
更优选的，该第二神经网络的训练损失函数采用均方误差损失函数。
在一些优选实施方式中，所述下行CSI重构矢量的恢复通过以下模型获得：
其中，⊙表示Hadamard乘积，e表示自然指数，j表示虚数单位。
本发明利用上下行信道的双向互异性，通过浅层幅度学习网络恢复下行CSI的幅度，并结合单比特CS、SC和DL技术优点，将经过单比特CS处理的下行CSI扩频叠加到上行用户序列上反馈回基站，在基站端利用传统UL-US检测与简化版本的传统下行CSI重构方法恢复下行CSI，进而再通过浅层幅度融合网络对传统方法与幅度学习网络得到的下行CSI的幅度进行融合，提高了下行CSI的幅度的精度，在不增加频谱开销的情况下，可有效降低叠加编码造成的相互干扰以保证CSI的重构精度。
与单比特CS叠加CSI反馈相比，本发明根据上下行信道双向互异性恢复出单比特CS丢失的下行CSI幅度，极大的提高了CSI的重构精度，并且利用浅层神经网络与简化版本的传统下行CSI重构方法，提高了CSI的重构效率。
附图说明
图1为本发明的总体流程示意图；
图2为本发明的第一神经网络结构示意图；
图3为本发明的第二神经网络结构示意图。
具体实施方式
以下结合实施例和附图对本发明进行详细描述，但需要理解的是，所述实施例和附图仅用于对本发明进行示例性的描述，而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。
参照图1，一种具体的基于特征抽取与互异性融合的1bit压缩叠加CSI反馈方法包括：
a1)根据上行CSI估计矢量的幅度通过第一神经网络获得对应的下行CSI的学习幅度
其中，更具体的一些实施方式如：
所述上行CSI估计矢量通过对用于进行信道估计的基站端接收序列进行上行CSI估计得到。
该上行CSI的估计可进一步通过现有技术中的上行CSI估计方法如LS估计、MMSE估计、ML估计、MAP估计、导频辅助估计等实现，如在一种具体实施例中，以LS估计进行上行CSI估计如下：
其中，表示基站端的接收估计序列，s表示用户端发送的基站已知信号，表示取Moore-Penrose伪逆操作。
参照图2，所述第一神经网络包括以下的神经网络结构：
一个输入层、一个隐藏层和一个输出层，其中输入层采用线性激活函数，隐藏层采用激活函数LeakyReLU，输出层采用线性激活函数。
该第一神经网络的输入层、隐藏层和输出层节点数分别为N、mN和N，m表示隐藏层节点系数，可根据工程预设得到。
通过该第一神经网络获得下行CSI的学习幅度的过程包括：
根据所述上行CSI估计矢量通过下式获得上行CSI幅度
其中，表示矢量的第N个元素，|·|表示复数的取模操作；
将所得上行CSI估计矢量幅度自输入层输入该第一神经网络，输出即为长度为N的下行CSI的学习幅度
所述第一神经网络的训练损失函数采用均方误差损失函数。
a2)根据基站得到的恢复反馈向量利用专家知识进行CSI特征提取，恢复出下行CSI的特征幅度与特征角度
a3)根据对所述下行CSI的特征幅度与下行CSI的学习幅度拼接得到的下行CSI拼接幅度通过第二神经网络获得下行CSI的融合幅度
其中，更具体的一些实施方式如：
参照图3，所述第二神经网络为包括以下的神经网络结构：
一个输入层、一个隐藏层和一个输出层，其中，输入层采用线性激活函数，隐藏层采用LeakyReLU激活函数，输出层采用线性激活函数。
该第二神经网络的输入层、隐藏层和输出层节点数分别为2N、kN和N，k表示隐藏层节点系数，可根据工程预设得到。
通过该第二神经网络获得下行CSI的融合幅度的过程包括：
通过所述下行CSI的特征幅度与所述下行CSI的学习幅度获得下行CSI拼接幅度
其中，[·]表示矢量的拼接操作，表示维度为1×2N的实数集；
将所得下行CSI拼接幅度自输入层输入该第二神经网络，输出即为长度为N的下行CSI的融合幅度
所述幅度融合网络的训练损失函数采用均方误差损失函数。
a4)根据所述下行CSI的融合幅度与所述特征角度恢复得到下行CSI重构矢量
其中，更具体的一些实施方式如：
所述恢复得到下行CSI重构矢量的方式如下：
其中，⊙表示Hadamard乘积，e表示自然指数，j表示虚数单位。
实施例1
步骤a1)中，通过LS估计得到上行CSI估计矢量的一个具体实施例如下：
假设：N＝2，P＝4，用于进行信道估计的基站端接收序列为：
用户端发送的基站已知信号s为：
s＝[0.7528-0.6083i -0.1666-0.1308i 0.9869+0.4514i 0.4556+0.2695i]；
用户端发送的基站已知信号s的伪逆矩阵为：
按照LS估计处理公式可计算出上行CSI估计矢量为：
实施例2
步骤a2)中，通过恢复出的采用1-bit压缩感知技术压缩量化的下行CSI矢量h的长度均为M的实部与虚部和恢复反馈向量获得恢复出的下行CSI矢量h的长度为N的支撑集的一个具体实施例如下：
假设：N＝2，M＝3，恢复反馈向量为：
根据公式可得到恢复出的采用1-bit压缩感知技术压缩量化的下行CSI矢量h的长度均为M的实部为：
恢复出的采用1-bit压缩感知技术压缩量化的下行CSI矢量h的长度均为M的虚部为：
恢复出的下行CSI矢量h的长度为N的支撑集为：
实施例3
步骤a1)中，通过上行CSI估计矢量获得上行CSI估计矢量幅度的一个具体实施例如下：
将实施例1所得CSI估计矢量按照公式计算出幅度学习网络中的输入为：
实施例4
步骤a3)中，获得下行CSI拼接幅度的一个具体实施例如下：
假设：N＝2，下行CSI的特征幅度下行CSI的学习幅度
根据模型可得到幅度融合网络中的输入即下行CSI拼接幅度为：
实施例5
步骤a4)中，恢复得到下行CSI重构矢量的一个具体实施例如下：
假设：N＝2，下行CSI的融合幅度下行CSI的特征角度
根据模型可以计算出恢复得到的下行CSI重构矢量为：
以上实施例仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例。凡属于本发明思路下的技术方案均属于本发明的保护范围。应该指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下的改进和润饰，这些改进和润饰也应视为本发明的保护范围。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种相位补偿、校准方法及AP