一种环境知识库辅助的无线信道获取方法

摘要

本发明公开了一种环境知识库辅助的无线信道获取方法。包括：从大量数据、专家知识、环境信息等要素中萃取知识，构建相应的环境知识库；通过人工智能等算法设计通信中的导频信号/信道反馈机制；信道估计/重建模块联合利用导频信号/反馈数据流以及环境知识库信息，输出高精度的无线信道。本发明充分利用数据、环境信息、专家知识等要素中含有的知识，通过构建环境知识库，来辅助无线信道的获取，从而降低信道获取的开销，提高信道获取的精度。

说明书

技术领域

本发明涉及一种环境知识库辅助的无线信道获取方法，属于通信技术领域。

背景技术

大规模多输入多输出(Massive Multiple-Input Multiple-Output，MassiveMIMO)因具备提升系统容量、频谱效率、用户体验速率、增强全维覆盖和节约能耗等诸多优点，是5G核心技术之一，同时也将在6G中起到至关重要的作用。然而，大规模MIMO的发展和应用也面临诸多问题，其增益依赖于发射机获得的信道状态信息(Channel StateInformation，CSI)的质量。为了获取精确的CSI，信道估计是不可或缺的，其占用了大量的训练开销。同时，对于不具有上下行互易性的频分双工(Frequency-Division Duplexing,FDD)系统，下行CSI需要通过上行链路进行反馈，占用了大量的上行资源，如何高效地反馈以使得基站(Base Station，BS)侧获取到准确的CSI成为一个关键问题。

现行的通信系统中，信道信息的获取都通过传统算法实现，例如压缩感知、矢量量化等。此类算法通过较严格的数学证明，确保了普适场景下性能的下界，在1G-5G时代较好地满足了无线通信系统的需求。但此类方法忽略了环境知识，无法满足下一代通信需要。基实际系统中，站一旦部署以后，其位置相对固定，在较长的一段时间内都将会保持不变。那么，其周边的环境也将相对固定，保持有一定的规律。可以预见，通过建立环境知识库，将其引入到CSI的获取中，势必可以提高信道的获取精度，降低获取的开销。

发明内容

技术问题：本发明提出一种环境知识库辅助的无线信道获取方法，通过从大量数据、环境信息、专家知识等要素中萃取知识，构建多模态的环境知识库，从而来辅助信道状态信息的获取，解决信道获取开销大质量低的难题。

技术方案：本发明的一种环境知识库辅助的无线信道获取方法包括以下步骤：

步骤1.从大量数据、专家知识、环境信息要素中，通过各种手段萃取到环境知识，从而构建一个环境知识库；

步骤2.利用卷积神经网络、全连接网络和图神经网络等人工智能算法设计信道估计所需的导频信号/信道反馈的压缩反馈机制；

步骤3.设计与步骤2相对应的信道估计/重建模块；

步骤4.将接收到的导频信号/反馈数据流同环境知识库一起，输入到步骤3中设计的信道估计/重建模块，输出所需的高精度信道矩阵。

其中，

步骤1所述的环境知识库含有多模态的环境知识，不局限于人为设计的特征知识，包含通过人工智能算法学习到的抽象的高层次环境知识。

步骤2中的信道估计所需的导频信号/信道反馈的压缩反馈机制，可由人工智能算法设计得到，其包括神经网络架构的搭建、神经网络的训练和部署步骤。

步骤3所述的信道估计/重建模块，包含码本、人工智能的算法，其中基于码本的方法包括了显式和隐式的反馈，即反馈全信道信息和只反馈PMI\RI\CQI等信道相关信息，基于人工智能算法的信道估计/重建算法，包含神经网络的搭建、训练和部署等步骤。

所述的无线信道获取方法，基于人工智能的算法采用端到端的学习方式，联合训练信道估计、信道反馈等模块的神经网络参数，使代价函数最小，代价函数描述如下：

其中，M为训练集的所有样本数，||·||

有益效果：与现有技术相比，本发明的有益效果：将环境知识库引入到信道获取中，增加了额外的信息来源，从而可以极大地改善信道获取质量，且可以进一步降低信道获取的训练和反馈开销。

附图说明

图1为本发明的具体实施例的仿真场景示意图；

图2为本发明的环境知识库辅助反馈的CoCsiNet整体架构图；

图3为本发明的CoCsiNet中的编码器和译码器的NN架构图；

图4是本发明环境知识库辅助的无线信道获取方法示意图。

具体实施方式

本发明所述的一种环境知识库辅助的无线信道获取方法，包括以下步骤：

(1)从大量数据、专家知识、环境信息等要素中，通过各种手段萃取到环境知识，从而构建一个环境知识库；

(2)利用人工智能等算法设计出信道估计所需的导频信号/信道反馈的压缩反馈机制；

(3)设计与(2)相对应的信道估计/重建算法；

(4)将接收到的导频信号/反馈数据流同环境知识库一起，输入到(3)中设计的信道估计/重建模块，输出所需的高精度信道矩阵。

所述步骤(1)所述的知识库含有多模态的环境知识，不局限于人为设计的特征。所述步骤(2)所述的人工智能等算法主要包括神经网络架构和参数。

所述步骤(3)所述的信道估计/重建模块，包含码本、人工智能等算法。

所述基于人工智能的算法采用端到端的学习方式，联合训练各部分的参数,使代价函数最小，代价函数描述如下：

其中，M为训练集的所有样本数，||·||

在CSI反馈的研究中发现，由于共享的局部散射簇，邻近用户的CSI具有确定性的多径分量和相似的稀疏性结构。在未来，随着设备密度的增加，上述观测会越来越普遍。因而，可以将该专家知识和物理环境特性构建一个环境知识库，为信道获取中的反馈模块提供额外的增益。具体来说，利用大量相邻用户的信道数据，通过神经网络端到端训练的方式，来萃取相邻用户之间信道相关性的环境知识库，即可利用相邻用户的信道信息来辅助某一用户进行信道反馈与恢复，从而基站可以更加准确地还原出信道状态信息，供其进行预编码等处理，以获得最优的通信性能。

以下将结合附图和3GPP_38.901_UMi_NLOS信道，对本发明做进一步详细说明。

本发明的一种环境知识库辅助的无线信道获取方法，通过数据驱动的编码器、独立译码器和共享译码器的协作，在各用户端用编码器将信道状态信息压缩编码为低维度码字，经反馈链路传送至基站端，独立译码器和共享译码器协作重建出信道状态信息，减少反馈开销的同时提高信道重建质量和速度。通过神经网络端到端训练，萃取用户相关性知识，建立该场景下的环境知识库，辅助完成高精度低开销的信道反馈。具体包括如下步骤：

(1)一种MIMO系统的下行链路中，基站端使用N

(2)如图3的NN架构中编码器部分所示设计图2中用户端(用户1和用户2)的编码器，将复数域信道向量h的实部和虚部拆分为两个均为256×1大小的实数向量，拼接成一个512×1的向量输入编码器。编码器由三层全连接层构成，各层均使用了批归一化，前两层采用LeakyReLU激活函数，第三层采用Tanh激活函数，将输出值范围限制在[-1,1]区间，输出M×1的向量s，即为用户端要传送给基站端的压缩编码后的码字，再进行量化，生成传输比特流。

(3)如图3的NN架构中译码器部分所示设计图2中基站端的独立译码器和共享译码器，译码器由三层全连接层构成，各层均使用了批归一化，前两层采用LeakyReLU激活函数，第三层采用Sigmoid激活函数，将输出值范围限制在[0,1]区间。在基站端，先逆量化恢复码字。独立译码器的输入是各用户分别所对应的码字，该译码器的输出是各用户所对应的信道中的具有随机性的部分，共享译码器的输入是用户1和用户2的码字的集合，该该译码器的输出是用户间所对应的的信道中的具有确定性的部分，将独立译码器和共享译码器的输出进行合并，最终输出为一个512×1大小的实数向量，拆分成两个256×1的实数向量，分别作为最终重建的信道

(4)设计整个CoCsiNet架构的代价函数为用户1和用户2最终输出的信道向量

(5)训练好的CoCsiNet模型即可用于环境知识库辅助的无线信道反馈。根据(1)所述将相邻用户们的信道状态信息转为变换域稀疏的形式，输入CoCsiNet架构，即可输出重建后的信道，再转到原始域，即可恢复出原信道状态信息。

实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。