[发明专利]一种面向车联网的大规模MIMO智能CSI反馈方法

说明书

本发明提出了一种面向车联网的大规模MIMO智能CSI反馈方法。针对车联网信道状态信息(CSI)反馈方法复杂度高、反馈精度低和反馈开销大的问题，本发明通过端到端的方式构建了一种从用户端(UE)的编码器到基站端(BS)的解码器相结合的网络结构。在UE端采用连续的平均池化层、普通卷积层(CNN)和深度可分离卷积层(DSCNN)所构成的块来逐步缩小原始的CSI矩阵得到压缩后的码字矩阵。在BS端则是首先采用连续的上采样层、CNN和DSCNN所构成的块来逐步扩大压缩的码字矩阵，得到初始CSI重构。接着，利用残差学习网络(ResNet)可以逐步微调的功能构建了残差卷积块将初始重构的CSI逐步逼近原始的CSI以达到更好的重建效果。

技术领域：

本发明涉及一种面向车联网的大规模MIMO智能CSI(Channel StateInformation)反馈方法，尤其涉及一种基于轻量化低复杂度的CSI反馈方法。

背景技术：

在车联网环境下，由于车辆的高速移动，使得无线传播信道的变化错综复杂。研究高速无线信道特征是研究高速环境通信技术的基础，无线信道的特征一般主要包括时频域信道响应和时频域信道相关系数。一方面，高速移动环境下，由于受到多径和多普勒的影响，此时的无线信道将同时呈现时域和频域选择性衰落特性。另一方面，由于车辆的在高速移动时，传播的无线信道具有快速衰落、较为严重的多普勒效应、较高的数据传输速率以及复杂的通信环境等特点，这将导致此时的信道不在是一个广义平稳的随机过程，即高速移动环境下的无线信道为一个典型非平稳信道。由于高速移动环境下无线信道的这些特点，也为想要获得可靠、稳定、快速的移动通信带来了更多挑战。

为了提高系统性能，我们需要在发送端准确获取下行CSI，若反馈全部的 CSI，将会对反馈链路造成严重的负担。因此，为了减少过多的反馈开销，接收端只需要反馈部分CSI给发送端。近年来，深度学习方法逐渐在CSI反馈中应用，已有许多研究学者提出了一些基于深度学习的CSI反馈框架。基于深度学习的实时信道恢复方案在训练和预测中利用了深度神经网络来减少反馈开销。现有方案比如基于深度学习的信道恢复框架CsiNet，在用户端处使用编码器将信道矩阵转换为码字，在基站端处使用解码器从码字中重构CSI。由于码字较小无法标识信道矩阵的信息，因此过拟合现象严重，恢复效果一般。还有一种改进的网络架构CsiNetPlus，该网络结构采用更大的卷积核，更多的RefineNet块来提高网络对CSI的重建效果。这些CSI反馈框架虽然较之基于压缩感知和码本的方法能够得到更好的重建效果，但是其在用户端复杂的部署以及对设备算力的高要求等却依然是个亟待解决的问题。

发明内容：

针对高复杂度反馈开销的问题，本发明提供了一种面向车联网的大规模 MIMO智能CSI反馈方法，其特征在于，包括：

S1，构建面向车联网的基于大规模MIMO的通信系统模型，得到批量CSI 截断矩阵数据；

S2，设计轻量化CSI反馈框架中编码器的结构；

S3，设计轻量化CSI反馈框架中解码器的结构；

S4，设计合理的训练方案讲S2和S3所提的编码器和解码器作为同一种端到端网络进行训练得到网络模型。

所述的面向车联网的基于大规模MIMO系统的智能CSI反馈方法，其特征在于，所述S1包括：

在一个面向车联网的基于大规模MIMO的系统中，考虑一个基站端有 N_t(N_t＞＞1)根发射天线，用户端有单根接收天线。该系统采用正交频分复用 (Orthogonal FrequencyDivisionMultiplexing，OFDM)，并有N_s个子载波。由此得到其接收端信号y可以被描述为：