[发明专利]基于深度学习的大规模MIMO信道状态信息反馈方法

权利要求书

1.一种基于深度学习的大规模MIMO信道状态信息反馈方法，其包括：

在下行链路中，在用户端侧对MIMO信道状态信息在空频域的信道矩阵进行二维离散傅立叶变换，得到在角度延迟域稀疏的信道矩阵H；

构建超分辨信道状态信息网络模型，该模型包含属于用户端的解码器和属于基站端的译码器，其中所述编码器包括3个卷积层、多个并行的超分辨单元层、2个特征拼接层、归一化层、全连接层和激活层，所述超分辨单元层包括IMDB模块、IMDB_large模块、和RFDB模块，该解码器用于将所述获得的在角度延迟域稀疏的信道矩阵H编码为更低维度的码字，所述译码器包括全连接层、3个卷积层、多个并行的超分辨单元层、2个特征拼接层、和激活层，所述超分辨单元层包括IMDB模块、IMDB_large模块、和RFDB模块，该译码器用于从收到的码字重建出信道矩阵估计值

对所述超分辨信道状态信息网络模型进行训练，使得译码器输出的所述信道矩阵估计值和所述在角度延迟域稀疏的信道矩阵H尽可能接近，并获得模型参数；

将训练好的所述超分辨信道状态信息网络模型用于信道信息的压缩感知和重建，其中将所述在角度延迟域稀疏的信道矩阵H输入给所述训练好的超分辨信道状态信息网络模型，该模型输出重建后的信道矩阵估计值对该重建后的信道矩阵估计值进行二维逆DFT变换，恢复得到原空频域的信道矩阵信息。

2.根据权利要求1所述的基于深度学习的大规模MIMO信道状态信息反馈方法，其中：对于所述编码器，所述在角度延迟域稀疏的信道矩阵H输入给该编码器，该信道矩阵H首先经过1个卷积层得到卷积后的结果X1，将该结果X1作为输入分别作用于多个并行的超分辨单元层，将并行多个编码器超分辨单元输出后的张量经过1个特征拼接层进行按列拼接，将拼接结果再经过1个卷积层得到卷积后的结果X2，将第一次卷积后的结果Y1和第二次卷积后的结果Y2再经过1个特征拼接层进行特征拼接，将该拼接结果再经过1个卷积层得到卷积后的结果X3，将卷积后的结果X3经过归一化层进行归一化处理，重构成连续的1维张量，将该重构的1维张量经过全连接层后，再经过激活层，得到压缩编码后的码字S。

3.根据权利要求2所述的基于深度学习的大规模MIMO信道状态信息反馈方法，其中：用户端将所述压缩编码后的码字S反馈至基站端，由基站端的所述译码器进行译码，所述压缩编码后的码字S首先经过一个全连接层，用于改变其张量维度，然后经过1个卷积层，得到卷积后的结果Y1，将该结果Y1作为输入分别作用于所述多个并行的超分辨单元层，将所述多个并行的超分辨单元层输出后的张量经过1个特征拼接层进行按列拼接，将拼接结果再经过1个卷积层得到卷积后的结果Y2，将第一次卷积后的结果Y1和第二次卷积后的结果Y2再经过1个特征拼接层进行特征拼接，将该拼接结果再经过1个卷积层得到卷积后的结果Y3，将卷积后的结果Y3再经过激活层，得到与所述在角度延迟域稀疏的信道矩阵H同维度的重建信道矩阵估计值

4.根据权利要求1所述的基于深度学习的大规模MIMO信道状态信息反馈方法，其中：所述获得的模型参数包括但不限于全连接层的权重、偏置和卷积层的卷积核、偏置。