[发明专利]基于深度学习大规模MIMO系统的叠加CSI反馈方法

权利要求书

1.基于深度学习大规模MIMO系统的叠加CSI反馈方法，其特征在于，包括以下步骤：

(1)用户端读取长度为N_H的信道状态信息H和长度为2N_D的上行数据D，对信道状态信息H进行扩频处理得到长度为N_D的扩频序列H_spread，对上行数据D进行数字调制得到长度为N_D的上行调制序列D_modulate；

所述的信道状态信息H，扩频序列H_spread和上行调制序列D_modulate的元素均为复数；

所述的上行数据D的元素均为二进制比特；

(2)将扩频序列H_spread与上行调制序列D_modulate进行加权叠加得到长度为N_D的叠加序列S，用户端发射叠加序列S，基站端接收得到长度为N_D的接收序列R；

所述的叠加序列S和接收序列R的元素均为复数；

(3)构建模型HDNet，所述的模型HDNet包括信道状态信息估计模型f_H(R)和上行数据检测模型f_D(R)；

(4)初始化模型HDNet参数，离线训练模型HDNet，误差收敛后保存模型；

(5)在线接收信号，得到在线接收序列R_online，根据在线接收序列R_online，用训练好的模型HDNet恢复出信道状态信息的估计值检测出上行数据的检测值

所述的信道状态信息的估计值的元素均为复数；

所述的上行数据的检测值的元素均为二进制比特；

步骤(1)所述扩频包括：

生成长度为K的Zadoff-Chu序列计算信道状态信息H与Q的kronecker乘积得到长度为N_D的扩频序列H_spread，即：

其中，表示kronecker积，K根据工程经验设置，N_D与K满足N_D＝N_H×K；

步骤(2)所述的加权叠加表示为：

其中，ρ表示叠加因子，E_K表示用户发送功率；

步骤(3)包括以下步骤：

(3-1)信道状态信息估计模型f_H(R)包含1个输入层，m_H个全连接层，m_H≥3，1个输出层，输入层节点数为2N_D，各全连接层节点数分别为l₁N_D，…，l_i≥2,i＝1,…,m_H,输出层节点数为2N_H，全连接层均采用Leaky ReLU函数作为激活函数，以均方误差作为损失函数，将接收序列R作为输入，期望输出为信道状态信息H；

(3-2)上行数据检测模型f_D(R)包含1个输入层，m_D个全连接层，m_D≥3，1个输出层，输入层节点数为2N_D，各全连接层节点数分别为k₁N_D，…，k_i≥2,i＝1,…,m_D，输出层节点数为2N_D，全连接层均采用Leaky ReLU函数作为激活函数，以交叉熵函数作为损失函数，将接收序列R作为输入，期望输出为上行数据D。