一种基于3D MIMO时变系统的CSI反馈方法

摘要

本发明公开了一种基于3D MIMO时变系统的CSI反馈方法，包括基于时变环境构建包含有空间、频率和时间三个维度的大规模3D MIMO信道模型，基于3D MIMO信道模型估算下行链路CSI，建立编码器网络，对下行链路CSI进行压缩获得低维矢量，并通过上行链路通信向基站反馈，建立解码器网络，对基站接收的低维矢量进行下行链路CSI矩阵重建，完成预编码，本发明通过3D CNN和BiLSTM的结合，可将下行链路CSI压缩成一个低维矢量，其能够在较长的时间序列中提取到更多的特征并压缩，在能够保证其通信性能的同时，还可在解码过程中，更好的对下行链路CSI进行恢复。

说明书

技术领域

本发明涉及一种基于3D MIMO时变系统的CSI反馈方法，属于通信技术领域。

背景技术

年来，Massive MIMO由于在无线通信业务中提供高数据速率而不增加额外带宽的能力而受到极大的关注，成为5G移动通信系统的发展趋势之一。该技术通过以集中式或分布式的方式为基站配备数百个甚至数千个天线，可以同时服务于同一频谱和时间的数百或数十个用户。3D MIMO技术在空间上引入垂直维度，与大规模MIMO的有机结合可以更精确地匹配无线信号在真实三维空间中的传播特性，从而开发多天线的潜力，进一步减少用户终端之间的信号干扰，建立更加可靠的链路，进而提高系统的吞吐量。

在FDD通信模式下，时变CSI的反馈是一个重要的问题，随着天线数的增加，需要的反馈链路数越来越多，反馈信息量也将急剧增加，反馈的准确度也难以保持。如何利用信道的空时频相关性，对CSI进行压缩，从而减少反馈量并在反馈接受端准确的恢复是研究的一个难点。

随着深度学习技术的迅速发展，深度学习算法在无线通信领域得到了成功的应用。其中，卷积神经网络(Convolutional Neural Network，CNN)在计算机视觉中体现出优越性，已被成功地应用于图像的压缩和恢复。CSI矩阵在数学上表示为一个多维矩阵，和图像的表示具有相似性，因此可利用深度学习算法来构建CSI的压缩和恢复框架。

有学者基于大规模MIMO系统模型提出了一种基于深度学习的信道反馈的框架，称为CsiNet。该CSI反馈网络的结构类似于自编码器的结构，由编码器和解码器组成。编码器模块主要负责将CSI矩阵进行压缩，从而降低反馈矢量的维度，减少反馈开销，而解码器模块则用于恢复CSI矩阵。此外，有研究在此基础上考虑了时间相关性，引入了长短期记忆(Long Short-Term Memory, LSTM)网络，从而有效提高了恢复精度。还有的研究为了更充分地恢复CSI 矩阵，又引入了注意力机制。然而，在大规模3D MIMO中，特别是基于时变的场景中，利用深度学习工具解决CSI反馈问题的相关研究还未见报道。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于3D MIMO时变系统的CSI反馈方法，以解决现有技术中大规模3D MIMO时变系统下行CSI在天线规模较大时反馈信息量较大和时变环境对系统反馈准确度的影响的问题。

为解决上述技术问题，本发明是采用下述技术方案实现的：

一种基于3D MIMO时变系统的CSI反馈方法，包括：

基于时变环境构建包含有空间、频率和时间三个维度的大规模3D MIMO信道模型；

基于3D MIMO信道模型估算下行链路CSI；

建立编码器网络，对下行链路CSI进行压缩获得低维矢量，并通过上行链路通信向基站反馈；

建立解码器网络，对基站接收的低维矢量进行下行链路CSI矩阵重建，完成预编码。

作为本发明的一种优选技术方案，估算下行链路CSI的计算公式为：

其中，α

作为本发明的一种优选技术方案，所述发送天线阵列响应和接收天线响应阵列的计算公式分别为：

其中，a(u

作为本发明的一种优选技术方案，所述编码器网络包括3D CNN、BiLSTM 和Attention层。

作为本发明的一种优选技术方案，通过编码器网络对所述下行链路CSI的压缩包括：

将下行链路CSI分离为实部和虚部；

通过3D CNN分别对实部和虚部进行处理，分别获取关于实部和虚部的特征映射，并进一步将实部和虚部的特征映射分别重塑为与之相应的特征图；

通过BiLSTM分别对实部和虚部的特征图进行处理，并通过Attention层分别对实部的特征图和虚部的特征图进行提取特征；

将实部和虚部的特征提取结果进行叠加，完成对下行链路CSI的压缩。

作为本发明的一种优选技术方案，通过Attention层提取特征的公式为：

其中，Q＝K＝V；d

作为本发明的一种优选技术方案，所述解码器网络包括顺次相连接的FC网络、3DCNN和残差网络。

作为本发明的一种优选技术方案，通过解码器网络对下行链路CSI重建具体包括：

通过FC网络对下行链路CSI压缩数据进行初步处理，获取两个解压特征图；

将两个解压特征图重塑为三维矩阵，并通过3D CNN获取三维矩阵的两个解压特征映射；

将获取的两个解压特征映射组作为下行链路CSI的实部和虚部的初始估计，并将其输入至由残差块构成的残差网络中进行持续的特征重建；

通过3D CNN对经过残差网络重建的特征进行处理，完成下行链路CSI重建。

作为本发明的一种优选技术方案，还包括通过对下行链路CSI编码和解码对编码器网络和解码器网络进行训练，所述编码器网络和解码器网络通过训练后的网络损失函数进行迭代，所述网络损失函数公式为：

其中：TI为每一次迭代的样本，

其中，Θ＝{Θ

作为本发明的一种优选技术方案，所述编码器网络和解码器网络进行训练的训练成果通过归一化均方误差和余弦相似性进行判断；

所述归一化均方误差的计算公式为：

其中，

所述余弦相似性计算公式为：

其中，

与现有技术相比，本发明所达到的有益效果：

本发明通过3D CNN和BiLSTM的结合，可将下行链路CSI压缩成一个低维矢量，其能够在较长的时间序列中提取到更多的特征并压缩，在能够保证其通信性能的同时，还可在解码过程中，更好的对下行链路CSI进行恢复。

附图说明

图1是本发明中3D MIMO信道反馈框图；

图2是本发明中下行链路CSI的反馈流程图；

图3是本发明中编码器网络对下行链路CSI压缩的流程图；

图4是本发明中解码器网络对下行链路CSI恢复的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。

本发明针对的是大规模3D MIMO时变系统下行CSI在天线规模较大时反馈信息量较大和时变环境对系统反馈准确度的影响的问题，提供了一种基于深度学习的系统反馈框架，即BLA-CsiNet网络来降低CSI反馈开销并且提升反馈准确度。

在本发明中，由于时变环境的存在，给CSI拓展了时间域上的维度，主要体现在多普勒延迟和路径增益中，信道拓展成为为空间、频率、时间的三维矩阵，这使得接收端接收到的CSI难以准确地反馈。

如图1至图4所示，一种基于3D MIMO时变系统的CSI反馈方法，基于时变环境构建包含有空间、频率和时间三个维度的大规模3D MIMO信道模型；

基于3D MIMO信道模型估算下行链路CSI；

建立编码器网络，对下行链路CSI进行压缩获得低维矢量，并通过上行链路通信向基站反馈；

建立解码器网络，对基站接收的低维矢量进行下行链路CSI矩阵重建，完成预编码。

本发明考虑一个简单的FDD模式下的大规模3D MIMO单小区下行链路系统，采用正交频分复用的调制方式，其中包含Nf个子载波，N个用户在小区内均匀分布，基站位于小区中心，采用Nt根发射天线，同时服务于N个单天线(Nr ＝1)用户。

此外，在时变环境中，基站于当前时刻接收到的反馈信息和先前的信道信息是有相关性的，因此基站可以结合反馈和之前时刻的反馈来重建信道。设定反馈时间间隔为δt，并将T个相邻的瞬时空间频率域信道矩阵放入一个信道组，即

y

其中，x

估算下行链路CSI的计算公式为：

其中，α

发送天线阵列响应和接收天线响应阵列的计算公式分别为：

其中，a(u

其中，两个方向的扰动变量为相互独立。

基站端对数据流进行预编码，并通过无线信道传输信号。当用户设备(UserEquipment，UE)端接收到信号后，首先通过信道估计算法估计出下行链路CSI，然后对此CSI进行处理后，再通过上行链路信道反馈给基站端，基站端恢复下行链路CSI后，再进行预编码。

记信道组H

分别把编码器网络和解码器网络应用在CSI矩阵的压缩和恢复上。记重建后的下行链路CSI矩阵为

s＝f

其中，编码器网络可以通过3D CNN和BiLSTM的结合把CSI矩阵转换为一个低维矢量，将压缩后的低维矢量直接反馈给基站端，基站端所使用的解码器网络是含有残差网络的卷积网络，将压缩后的低维矢量恢复成下行链路CSI 矩阵，即基站端对下行链路CSI矩阵的估计。

综上，CSI反馈的方式如图3所示：首先，将UE端获得的完美下行链路 CSI矩阵通过结合3D CNN和BiLSTM来进行压缩；然后将压缩后的低维矢量反馈给基站后，解码器通过使用残差网络得到恢复后的CSI矩阵

如图1和图3所示，编码器网络包括3D CNN、BiLSTM和Attention层，通过编码器网络对下行链路CSI的压缩包括：

将下行链路CSI分离为实部和虚部；

通过3D CNN分别对实部和虚部进行处理，分别获取关于实部和虚部的特征映射，并进一步将实部和虚部的特征映射分别重塑为与之相应的特征图；

通过BiLSTM分别对实部和虚部的特征图进行处理，并通过Attention层分别对实部的特征图和虚部的特征图进行提取特征；

将实部和虚部的特征提取结果进行叠加，完成对下行链路CSI的压缩。

即对下行链路CSI矩阵H

通过Attention层提取特征的公式为：

其中，Q＝K＝V；d

在编码的过程中，其结合3D Massive MIMO信道的空间频率域稀疏特性，提出3DCNN网络对CSI进行压缩；结合信道在时变环境中的特性，提出BiLSTM 网络来提取时间相关特性，用于提取有用信息，并对信道矩阵进行进一步的压缩。

如图1和图4所示，解码器网络包括顺次相连接的FC网络、3D CNN和残差网络，通过解码器网络对下行链路CSI重建具体包括：

通过FC网络对下行链路CSI压缩数据进行初步处理，获取两个解压特征图；

将两个解压特征图重塑为三维矩阵，并通过3D CNN获取三维矩阵的两个解压特征映射；

将获取的两个解压特征映射组作为下行链路CSI的实部和虚部的初始估计，并将其输入至由残差块构成的残差网络中进行持续的特征重建；

通过3D CNN对经过残差网络重建的特征进行处理，完成下行链路CSI重建。

当基站接收到反馈的低维矢量后，使用解码器网络来进行下行链路CSI矩阵的重建，恢复下行链路CSI矩阵，并进行预编码，首先，将一个大小为M×1 的低维矢量通过一个FC网络，得到两个大小均为N×1的特征图，并将其重塑为一个16×16×16的三维矩阵，然后通过一个3D CNN得到两个特征映射，作为下行链路CSI矩阵H

在残差网络的残差块中，首先经过一个输入层，然后分别通过3D CNN依次得到8、16、2个特征图，并将得到的两个特征图与之前的两个特征图进行叠加。

包括通过对下行链路CSI编码和解码对编码器网络和解码器网络进行训练，编码器网络和解码器网络通过训练后的网络损失函数进行迭代，网络损失函数公式为：

其中：TI为每一次迭代的样本，学习率选取0.001，

其中，Θ＝{Θ

编码器网络和解码器网络进行训练的训练成果通过归一化均方误差和余弦相似性进行判断；

归一化均方误差的计算公式为：

其中，

余弦相似性计算公式为：

其中，

为了防止网络过度拟合，采取了早期停止机制，让网络能够收敛得更快，这一做法可以大大节约训练过程中的时间。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。