[发明专利]一种基于深度学习的多用户下行CSI反馈方法

说明书

本发明公开了一种基于深度学习的多用户下行CSI反馈方法，包括以下步骤；步骤1)：BS发送导频，UE进行信道估计得到下行CSI；步骤2)：UE对CSI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CSI进行联合CSI重构；步骤4)：利用重构CSI实施MRT预编码同时与所有UE通信。本发明能够在保证较低信道压缩率的基础上提升下行预编码性能。

技术领域

本发明涉及通信系统信道估计技术领域，特别涉及一种基于深度学习的多用户下行CSI反馈方法。

背景技术

信道估计是无线通信系统中重要的组成部分。移动设备(UE)在对下行信道做信道估计以后，需要将估计的信道状态信息(CSI)反馈给基站(BS)，以使得BS利用预编码技术提升下行传输性能。而在Massive MIMO系统下，天线数量增多导致信道矩阵的规模变得过大，极度增加了UE的反馈量，严重降低了通信系统的整体频谱效率。

针对上述问题，使用深度学习的方法对CSI进行压缩并在BS进行CSI的重构是一个很有效的解决方案。已有的基于深度学习进行CSI压缩与重建的方法都是专注于重构误差的降低，而忽视了CSI误差在下行预编码设计中的影响。因此在CSI重构网络中，融合进通信系统选定的预编码方案，以减少CSI压缩的信息损失对通信系统可靠性的损害为目标，对构造出能在保证较低信道压缩率的基础上提升通信性能的神经网络架构具有重要意义。

发明内容

为了克服上述现有技术的不足，本发明的目的在于提供一种基于深度学习的多用户下行CSI反馈方法，能够在保证较低信道压缩率的基础上提升下行预编码性能。

为了实现上述目的，本发明采用的技术方案是：

一种基于深度学习的多用户下行CSI反馈方法，包括以下步骤；

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

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CSI实施MRT预编码同时与所有UE通信。

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；为方便标记，以下只考虑一个子载波，但对于其他子载波可使用同样的方法压缩；

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，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是接收信号，n_k是接收端的零均值加性高斯白噪声，上式还可简写为矩阵运算的形式：

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。

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：