差分编码辅助的机器学习信道状态信息反馈方法及装置

1.本发明涉及频分双工模式的大规模多入多出系统的信道状态信息反馈的技术领域，特别涉及差分编码辅助的机器学习信道状态信息(csi,channel state information)反馈方法及装置。


背景技术：

2.为降低反馈开销，并因此减小上行带宽资源占用和用户(ue,user equipment)端能量消耗，现有的方法主要集中在对下行csi的压缩反馈上。基于压缩感知(cs,compressed sensing)的csi反馈方法通过开发信号稀疏结构减少反馈开销。然而，基于cs的csi反馈是基于某特定稀疏基下的稀疏下行csi假设的，这种假设有时会与实际不相符，造成下行csi稀疏重构性能的显著下降。将深度学习(dl,deep learning)应用到csi反馈中，在有效降低csi反馈开销的同时提高了csi的反馈精度。基于dl的叠加csi反馈方法将下行csi叠加到上行用户数据序列(ul-us，uplink user data sequences)上再反馈回基站(bs,base station)端，避免了因反馈下行csi而占用额外的上行带宽资源，提升了频谱效率。尽管如此，叠加csi反馈存在叠加干扰，降低了csi反馈精度。不仅如此，为了bs端能解调ul-us,ue端通常需要发送用于上行信道估计的导引给bs。不可避免地占用上行带宽资源并耗费ue能量。幸运地，差分编码辅助的机器学习csi反馈方法通过差分方式，避免了用于上行信道估计的导引开销，从而减少上行带宽资源占用并节省ue端的能量消耗，神经网络的引入还进一步提高了下行csi的重构精度。


技术实现要素：

3.本发明的目的在于提供差分编码辅助的机器学习信道状态信息反馈方法及装置，与现有的上行导引信道估计的csi反馈相比，在节省上行带宽资源且减小用户端能量消耗的同时，提高了下行csi的重构精度。
4.差分编码辅助的机器学习信道状态信息反馈方法包括：
5.用户端处理：
6.s1.将下行csi矢量实值化、量化和数字调制成已调信号s后进行差分编码，得到差分编码信号z，并对差分编码信号z进行ofdm调制后反馈回基站。
7.所述的实值化，是将下行csi矢量h实数值化为实值csi信息
8.所述的量化，是对实值csi信息进行a-bit量化，获得实、虚部的比特流信息
9.所述的数字调制，是将比特流信息进行数字调制，形成已调信号
10.其中，为调制阶数；
11.所述的差分编码，是对已调信号s＝[s1,s2,...,sn]
t
按照规则进行差分编码，得到差分编码信号z＝[z1,z2,...zn]
t
；
[0012]
其中，n＝2amγ；ue端和bs端同时约定z0＝1，则不必发送z0，所述的差分编码信号z为舍弃z0后的差分编码信号。
[0013]
基站端处理：
[0014]
s2.基站端进行正交频分复用(ofdm,orthogonal frequency division system)解调得到接收信号并对接收信号r采用逐字符差分译码方式得到差分译码信号
[0015]
所述的差分译码是通过求解获得；
[0016]
其中，表示第i个判决值；ri、r
i-1
分别表示r中第i、i-1个元素；s
t
表示在星座集中的尝试星座点取值，上标*表示取共轭操作，re[
·
]表示取实部，max[
·
]表示取最大值操作。
[0017]
s3.将差分译码信号进行数字解调与解量化处理，得到下行csi恢复信息并构建增强型csi网络enh-csinet对下行csi恢复信息进行增强处理，得到恢复精度增强的下行
[0018]
所述的数字解调，是对差分译码信号进行解调处理，获得比特流信息
[0019]
所述的解量化处理，是根据获得的比特流信息进行相应的a-bit解量化操作，获得下行csi的恢复信息
[0020]
步骤s3所述的增强型csi网络enh-csinet进一步包括：
[0021]
一个输入层、一个含有leaky relu激活函数的隐藏层和一个含有线性激活函数的输出层。其中，输入层、隐藏层和输出层节点数分别为2m、nm和2m，n表示根据工程预设确定的隐藏层节点系数；
[0022]
构建训练数据集对增强型csi网络enh-csinet进行训练，获得增强型csi网络enh-csinet的网络参数；
[0023]
所述的训练标签是对下行csi矢量h进行实值化获得，即：
[0024]hlabel
＝[re(h1),im(h1),
…
,re(hm),im(hm)]
t
[0025]
其中，im(
·
)表示取虚部，[
·
]
t
表示取转置操作；
[0026]
在线运行时，将下行csi的恢复信息输入增强型csi网络enh-csinet，获得恢复精度增强的下行
[0027]
本发明提供的差分编码辅助的机器学习信道状态信息反馈装置，用户端装置包括：
[0028]
调制模块，根据s1所述的设计得到已调信号s；
[0029]
差分编码模块，根据s1中所述的设计得到差分编码信号z；
[0030]
所述差分编码模块接在调制信号获取模块之后。
[0031]
基站端装置包括：
[0032]
差分译码模块，根据s2所述的设计得到差分译码信号
[0033]
精度增强模块，根据s3所述的设计得到恢复精度增强的下行
[0034]
所述调制模块包括：
[0035]
量化单元，对实值csi信息进行a-bit量化，获得实、虚部的比特流信息
[0036]
调制单元，将比特流信息进行数字调制，形成已调信号
[0037]
所述精度增强模块包括：
[0038]
解调单元，对差分译码信号进行解调处理，获得比特流信息
[0039]
解量化单元，根据获得的比特流信息进行相应的a-bit解量化操作，获得下行csi的恢复信息
[0040]
网络增强单元，将下行csi恢复信息输入增强型csi网络enh-csinet，得到恢复精度增强的下行
[0041]
本发明利用差分编码辅助进行csi反馈，再通过轻量化的增强型csi网络enh-csinet进一步提高下行csi的重构精度，并结合量化编码、数字调制和dl技术优点，将经过差分编码后的差分编码信号通过ofdm调制技术反馈回基站，在基站端利用差分译码以及数字解调和解量化处理得到下行csi恢复信息，进而再通过轻量化的网络增强型enh-csinet进一步提高下行csi的重构精度，在避免ue端发送导引以用于bs端进行信道估计的同时，极大地节省了上行带宽资源和ue端能量，保证了csi的重构精度。
[0042]
与现有的上行导引信道估计的csi反馈相比，本发明利用差分编码技术节省了上行带宽资源且减小用户端能量消耗，并利用轻量化的神经网络，提高了下行csi的重构精度。
附图说明
[0043]
图1为本发明的总体流程示意图；
[0044]
图2为本发明的用户端流程设计图；
[0045]
图3为本发明的基站端流程设计图。
具体实施方式
[0046]
以下结合实施例和附图对本发明进行详细描述，但需要理解的是，所述实施例和附图仅用于对本发明进行示例性的描述，而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。
[0047]
参照图1，具体的差分编码辅助的机器学习信道状态信息反馈方法包括：
[0048]
a1)参照图2，将下行csi矢量h实值化、量化和数字调制成已调信号s后进行差分编
码，得到差分编码信号z，并对差分编码信号z进行ofdm调制后反馈回基站。
[0049]
其中，更具体地一些实施方式如：
[0050]
所述的实值化，是将下行csi矢量h实数值化为实值csi信息即：
[0051][0052]
其中，re(
·
)表示取实部，im(
·
)表示取虚部，[
·
]
t
表示取转置操作；
[0053]
所述的量化是指对实值csi信息进行a-bit量化，获得下行csi矢量h的实虚部比特流信息
[0054]
所述的数字调制，是将比特流信息进行数字调制，形成已调信号其中为调制阶数(正整数)；
[0055]
所述的差分编码，是对已调信号s＝[s1,s2,...,sn]
t
按照规则进行差分编码，得到差分编码信号z＝[z1,z2,...zn]
t
；
[0056]
其中，n＝2amγ；所述的差分编码信号z为ue端和bs端同时约定z0＝1，舍弃z0＝1后的差分编码信号。
[0057]
a2)参照图3，基站端进行ofdm解调得到接收信号并对接收信号r采用逐字符差分译码方式得到差分译码信号
[0058]
所述的差分译码信号是通过求解获得的；
[0059]
其中，表示第i个判决值；ri、r
i-1
分别表示r中第i、i-1个元素；s
t
表示在星座集中的尝试星座点取值，上标*表示取共轭操作，re[
·
]表示取实部，max[
·
]表示取最大值操作。
[0060]
a3)将差分译码信号进行数字解调与解量化处理，得到下行csi恢复信息并构建增强型csi网络enh-csinet对下行csi恢复信息进行增强处理，得到恢复精度增强的下行
[0061]
所述的数字解调，是对差分译码信号进行解调处理，获得比特流信息
[0062]
所述的解量化处理，是根据获得的比特流信息进行相应的a-bit解量化操作，将比特流信息恢复为实值，获得下行csi的恢复信息
[0063]
所述的增强型csi网络enh-csinet进一步包括：
[0064]
一个输入层、一个含有leaky relu激活函数的隐藏层和一个含有线性激活函数的输出层。其中，输入层、隐藏层和输出层节点数分别为2m、nm和2m，n表示根据工程预设确定的隐藏层节点系数；
[0065]
构建训练数据集对增强型csi网络enh-csinet进行训练，获得增强型csi网络enh-csinet的网络参数；
[0066]
所述的训练标签是对下行csi矢量h进行实值化获得，即：
[0067]hlabel
＝[re(h1),im(h1),
…
,re(hm),im(hm)]
t
[0068]
所述增强型csi网络enh-csinet的训练损失函数采用均方误差损失函数。
[0069]
在线运行时，将下行csi的恢复信息输入增强型csi网络enh-csinet，最终获得恢复精度增强的下行
[0070]
本发明提供的差分编码辅助的机器学习信道状态信息反馈装置，用户端装置包括：
[0071]
调制模块，根据s1所述的设计得到已调信号s；
[0072]
差分编码模块，根据s1中所述的设计得到差分编码信号z；
[0073]
所述差分编码模块接在调制信号获取模块之后。
[0074]
基站端装置包括：
[0075]
差分译码模块，根据s2所述的设计得到差分译码信号
[0076]
精度增强模块，根据s3所述的设计得到恢复精度增强的下行
[0077]
所述调制模块包括：
[0078]
量化单元，对实值csi信息进行a-bit量化，获得实、虚部的比特流信息
[0079]
调制单元，将比特流信息进行数字调制，形成已调信号
[0080]
所述精度增强模块包括：
[0081]
解调单元，对差分译码信号进行解调处理，获得比特流信息
[0082]
解量化单元，根据获得的比特流信息进行相应的a-bit解量化操作，获得下行csi的恢复信息
[0083]
网络增强单元，将下行csi恢复信息输入增强型csi网络enh-csinet，得到恢复精度增强的下行
[0084]
实施例1：
[0085]
步骤a1)中，对已调信号s进行差分编码，得到差分编码信号z的一个具体实施例如下：
[0086]
以qpsk调制(调制阶数γ＝2)，4-bit量化(a＝4)为例，假设下行csi矢量h长度m＝2，
[0087]
则已调信号s长度n＝8，s为：
[0088][0089]
根据差分编码规则可计算出差分编码信号z为：
[0090]
[0091]
实施例2：
[0092]
步骤a2)中，基站端进对接收信号r采用逐字符差分译码方式得到差分译码信号的一个具体实施例如下：
[0093]
假设接收信号根据逐字符差分译码规则对接收信号r进行差分译码，得到差分译码信号以中第一个元素为例，其具体求解过程如下：
[0094]
星座集中共包括四种星座点，首先将第一个星座点代入re[s
t
·ri*ri-1
]中，得到结果为1；
[0095]
然后依次将第二至四个星座点代入，得到结果分别为0，0，-1；
[0096]
代入第一个星座点时的结果最大，则得到
[0097]
按照相同做法对r中剩余元素依次求解，则差分译码信号最终可表示为：
[0098][0099]
实施例3：
[0100]
步骤a3)中，将下行csi恢复信息输入增强型csi网络enh-csinet中，得到恢复精度增强的下行的一个具体实施例如下：
[0101]
假设下行csi恢复信息为：
[0102][0103]
将下行csi恢复信息输入增强型csi网络enh-csinet，得到精度增强的实值下行为：
[0104][0105]
需要说明的是，本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。