[发明专利]一种基于深度学习的多用户下行CSI反馈方法

权利要求书

1.一种基于深度学习的多用户下行CSI反馈方法，其特征在于，包括以下步骤；

步骤1)：基站(BS)发送导频，移动设备(UE)进行信道估计得到下行估计的信道状态信息(CSI)；

步骤2)：UE对估计的CSI利用压缩网络进行压缩与量化，并反馈给BS；

步骤3)：BS收到所有UE反馈的下行估计的CSI后，利用重构网络进行联合估计的CSI重构；

步骤4)：利用重构估计的CSI实施MRT预编码同时与所有UE通信；

所述步骤2)利用压缩网络(encoder)将上述CSI矩阵压缩并反馈给BS，具体如下：

当UE k得到了CSI，先把CSI向量h_k压缩成一个M维的特征向量，其中M远小于CSI向量的维度，特征向量的每一维的值都在0～1之间，这个向量被N比特的均匀量化器量化，随后这个CSI矩阵被转换为一个N_bit长的比特级向量，N_bit＝M×N，这个过程可以被表示为：

其中f_en(·)是编码器函数，Θ_en是可训练的网络参数，表示量化操作，比特向量被每个UE分别通过各自的上行反馈信道发送给BS，压缩率定义为：

其中，N_r＝1是接收天线的个数，ξ＝32是一个浮点数的比特数；

所述步骤3)利用重构网络(decoder)对CSI进行重构，具体如下：

当BS接收到UE的反馈以后，首先将所有UE的特征向量拼接成一个向量s，然后将反馈的比特向量解量化，并使用一个解码器将下行CSI矩阵重构出来，这一过程可表示为：

其中s＝(Concat(s₁,s₂,...,s_K))，concat(·)表示对向量进行拼接，是重构的CSI矩阵，f_de(·)是解码器函数，Θ_de是解码器的可学习参数，表示解量化操作；

所述步骤4)得到重构CSI矩阵以后，被BS用来设计下行的MRT预编码，具体来说：

对于一个重构的CSI矩阵，其对应的MRT预编码矩阵可表示为：

其中是功率归一化因子，预编码器的性能评价指标为信干噪比(SINR)，令高斯噪声的方差为σ²，UE k的SINRγ_k可表示为：

所述步骤2)和步骤3)中的压缩与重构网络具体为：

将整个网络分为压缩部分encoder和重构部分decoder，每一个UE都配置有一个encoder网络，网络结构包括两层全连接神经网络，激活函数分别为LeakyReLu和Sigmoid，其输出经过N_bit量化操作得到比特流并反馈给BS端，BS将所有的反馈比特流拼接在一起之后经过解量化操作，其输出特征向量s被送入decoder网络，Decoder网络首先包含一个全连接网络得到维度为K×N_t×2的特征张量，将其视为长度为K的序列分别送入两个自注意力网络，特征张量转置后将其视为长度为N_t的序列送入两个自注意力网络，将四个自注意力网络的输出拼接在一起经过两层全连接网络得到初步的重构CSI；

通过使用重构CSI设计预编码来进行下行传输的过程，具体如下：

mse仍作为使用梯度下降方法训练网络的损失函数：

将MRT预编码性能考虑进网络参数调节，使用接收信号能量的mse对网络参数进行微调：

其中是重构CSI向量对应的预编码向量，让两个损失函数同时参与网络参数调节，引入辅助网络生成权衡系数，最终网络的损失函数是：

辅助网络的输入是decoder接收到的特征向量，输出是权衡系数：

β₁,β₂＝NN_fully(Concat(s₁,s₂,...,s_K)) (12)

其中concat(·)表示对向量进行拼接，NN_fully(·)表示一个多层全连接神经网络。

2.根据权利要求1所述的一种基于深度学习的多用户下行CSI反馈方法，其特征在于，所述步骤1)中BS有Nt根传输天线，Nt1，使用有Nc个子载波的OFDM调制方式，在相同的时频资源下同时与K个配置单天线的UE通信；

所述步骤1)完成信道估计以后，令BS与第k(k＝1,2,…,K)个UE之间的信道向量为令是BS同时传输给K个UE的符号向量，其中符号向量第k个元素b_k是BS发送给第k个UE的随机符号，则在基站的Nt个天线端口实际发送的信号向量可表示为：

其中，是第k个UE的预编码向量，x_i表示第i(i＝1,2,…,Nt)个天线端口的实际发送信号，然后，接收信号可以表示为：

其中y_k是第k个UE的接收天线的接收信号，n_k是接收端的零均值加性高斯白噪声：

y＝HWb+n (3)

其中是接收信号向量，是由w_k(k＝1,2,…,K)拼接在一起的预编码矩阵，是由h_k(k＝1,2,…,K)拼接在一起的信道矩阵，也即CSI矩阵,n是高斯白噪声向量。