[发明专利]一种基于深度学习与熵编码的信道状态信息反馈方法

说明书

本发明公开了一种基于深度学习与熵编码的信道状态信息反馈方法，首先，在用户端，对MIMO信道状态信息的信道矩阵进行预处理，选择关键矩阵元素以减少计算量，获得实际用于反馈的信道矩阵H；其次，在用户端构建包括深度学习特征编码器与熵编码结合的模型，将信道矩阵H编码为二进制比特流；在基站端，构建包括深度学习特征译码器与熵解码结合的模型，从二进制比特流重建出原信道矩阵估计值；并对模型进行训练，获得模型参数及输出的重建信道矩阵的重建值最后，将训练好的基于深度学习与熵编码的模型用于信道信息的压缩感知和重建。本发明可以减小大规模MIMO信道状态信息反馈开销。

技术领域

本发明涉及一种基于深度学习和熵编码的大规模MIMO信道状态信息反馈方法。

背景技术

大规模MIMO(massive multiple-input multiple-output)技术被认为是5G和后6G通信系统的关键技术。通过使用多个发射和多个接收天线，MIMO系统能够在不扩展额外带宽的情况下显著增加容量。基于上述大规模MIMO系统的潜在优势，建立在基站端可以精确获知信道状态信息的基础上，并以此通过预编码来消除多用户间的干扰，然而，对于FDD(frequency division duplexity)的MIMO系统，上行链路和下行链路工作在不同频点上，因此下行信道状态信息是由用户端获得，并通过反馈链路传送回基站端。考虑到基站端使用大量天线，反馈完整的信道状态信息将导致巨大的资源开销，在实际中是不可取的。因而在实际中通常采用量化或基于码本的方法来减小开销，这种方法一定程度损失了信道状态信息，且仍会随着天线数量的增加而线性增加，因此在大规模MIMO系统中还是不可取。

关于大规模MIMO系统信道状态信息反馈的研究，主要集中于借助信道状态信息的空间和时间相关性来减小反馈开销。特别地，相关信道状态信息可以在一些基中转换成不相关的稀疏向量；因此，可以使用压缩感知从欠定线性系统获得稀疏向量的足够精确的估计。具体来说，可将信道状态信息变换至某个基下的稀疏矩阵，利用压缩感知的方法对其进行随机压缩采样以获得低维度测量值；该测量值在占用少量资源开销的情况下通过反馈链路传递至基站端，基站端借助压缩感知的理论，从该测量值中重建出原稀疏信道矩阵。上述基于压缩感知的方法为目前较为先进的信道反馈方法，但仍然存在以下问题：压缩感知算法普遍依赖于，信道在某些基础上稀疏的假设。而实际中信道不在任何变换基完全稀疏，且具有更复杂的结构，甚至可能没有可解释的结构；压缩感知使用随机投影的方法来获得低维度的压缩信号，因而没有充分利用信道结构；目前存在的压缩感知算法多为迭代算法，重建速度慢，需要巨大的计算开销，且对系统的实时性提出巨大挑战。

为解决上述问题，目前，基于深度学习的信道状态信息的传感和恢复网络CsiNet已被提出。然后实际通信中，为进一步提高信道信息恢复的准确率，并降低反馈开销，需要考虑发射与接收端的编解码过程，而目前极少有文献涉及到此方面的内容。

发明内容

技术问题：本发明提出一种基于深度学习和熵编码的大规模MIMO信道状态信息反馈方法，将深度学习特征编解码与熵编解码结合的模型，可以从较低比特率的反馈信息快速且准确地重建出信道状态信息的大规模MIMO信道状态信息反馈方法，解决大规模MIMO系统中信道状态信息反馈开销大的问题，实现比特率与信道信息反馈准确率的更优平衡。

技术方案：本发明的一种基于深度学习与熵编码的信道状态信息反馈方法包括以下步骤：

步骤1，在用户端，对MIMO信道状态信息的信道矩阵进行预处理，选择关键矩阵元素以减少计算量，获得实际用于反馈的信道矩阵H；

步骤2，在用户端，构建包括深度学习特征编码器与熵编码结合的模型，将信道矩阵H编码为二进制比特流；

步骤3，在基站端，构建包括深度学习特征译码器与熵解码结合的模型，从步骤2得到的二进制比特流重建出原信道矩阵估计值