[发明专利]深度迭代神经网络用低秩CSI反馈方法、存储介质及设备

权利要求书

1.深度迭代神经网络用低秩CSI反馈方法，其特征在于，包括以下步骤：

S1、基于信道的低秩性对信道矩阵进行分解，得到信道的线性无关部分与其余部分；

S2、利用终端与基站同步设定的测量矩阵，分别对步骤S1低秩信道矩阵的线性无关部分与其余部分进行压缩，并反馈至基站得到CSI的压缩反馈信息；

S3、基于步骤S2得到的CSI压缩反馈信息，基于信道矩阵的稀疏性，利用FISTA算法展开得到的深度迭代神经网络重构低秩信道的线性无关部分，并根据信道矩阵的线性无关部分与其余部分的相互线性表出，得到信道矩阵其余部分的一个优于最小二乘方法的初值；

S4、基于步骤S3得到的信道矩阵的其余部分的一个优于最小二乘方法的一个优于最小二乘方法的初值，再次利用FISTA算法展开得到的深度迭代神经网络重构信道矩阵的其余部分；

S5、在不同的信噪比下，使用CSI压缩反馈信息和测量矩阵训练步骤S3与步骤S4中得到的深度迭代神经网络，利用训练好的深度迭代神经网络在基站从终端通过测量矩阵分别压缩低秩信道矩阵的线性无关部分和其余部分的压缩反馈信息，分别重构低秩信道的线性无关部分与其余部分，重构出完整终端反馈的低秩CSI。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，信道的线性无关部分与其余部分为：

其中，N_r,N_t分别为终端和基站的天线数，信道矩阵的秩为r，为信道的线性无关部分，h₂为信道的剩余部分。

3.根据权利要求1所述的方法，其特征在于，步骤S3中，令重构出的信道线性无关部分为其余部分的初值为：

其中，h₂为信道的剩余部分，M＝kron(I,h₁)，kron为克罗内克积，h₁为信道的线性无关部分，C₂为终端与基站同步设定的测量矩阵，y₂为其余部分的反馈信息，m₂为目标压缩维度。

4.根据权利要求1所述的方法，其特征在于，步骤S4中，重构网络具体为：

S401、在第k次迭代中，展开FISTA算法的第一步，进行梯度下降得到N_r为终端的天线数，i＝1,2；

S402、将步骤S401中计算的转化为一张单通道的图像N_i表示信道的线性无关部分与其余部分的列维度；

S403、利用二维3×3卷积增加的通道数至D，得到卷积后的图像r_i^(k)且

S404、对步骤S403得到的卷积后的图像，利用一个小型子网络逐通道学习出一组阈值

S405、根据步骤S404得到的阈值对r_i^(k)进行软阈值处理，得到稀疏数据并利用3×3卷积降低通道数至1，得到单通道图像

S406、基于残差网络，将步骤S402中的单通道图像与步骤S405中的单通道图像相加得到并再次转化为向量得到第k次迭代的迭代值

S407、将FISTA算法中的收缩系数整体作为一个可学习的参数进行梯度加速得到第k次迭代的重构值

S408、将步骤S401到步骤S407的过程重复迭代训练K次，得到展开FISTA算法的深度迭代神经网络。

5.根据权利要求4所述的方法，其特征在于，步骤S404中，小型子网络包括对r_i^(k)的绝对值进行全局平均池化、两个全连接层、ReLu与Sigmoid激活函数，阈值计算如下：

其中，GAP为全局平均池化函数，为通过全连接并放缩到(0,1)的系数。

6.根据权利要求1所述的方法，其特征在于，步骤S5中，使用25％的压缩比下的CSI反馈样本训练深度迭代神经网络，利用训练得到的深度迭代神经网络模型分别重构低秩信道的线性无关部分和其余部分。