CN114051234B - 基于深度学习的irs辅助通信***的csi压缩恢复方法和装置 - Google Patents
基于深度学习的irs辅助通信***的csi压缩恢复方法和装置 Download PDFInfo
- Publication number
- CN114051234B CN114051234B CN202111471244.4A CN202111471244A CN114051234B CN 114051234 B CN114051234 B CN 114051234B CN 202111471244 A CN202111471244 A CN 202111471244A CN 114051234 B CN114051234 B CN 114051234B
- Authority
- CN
- China
- Prior art keywords
- convolution layer
- composite
- compressed
- compression
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/30—Network data restoration; Network data reliability; Network data fault tolerance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明提供了基于深度学习的IRS辅助通信***的CSI压缩恢复方法和装置,涉及通信网络技术领域。本发明压缩恢复方法应用于智能反射面IRS辅助通信***,智能反射面辅助通信***的用户端对信道状态信息CSI进行压缩,发射端对信道状态信息进行恢复;通过初步权重调整、特征融合和最终权重调整实现用户端对信道状态信息的压缩,通过特征融合实现发送端对信道状态信息的恢复重建,在用户端进行信道状态信息压缩以及在发送端进行信道状态信息重建,便于对发射端到用户端、发射端到智能反射面以及智能反射面到用户端的信道状态信息进行反馈,减少反馈开销同时保证***通信质量。
Description
技术领域
本发明涉及通信网络技术领域,更具体地,涉及基于深度学习的IRS辅助通信***的CSI压缩恢复方法和装置。
背景技术
随着5G通信网络进入商业化阶段,为了获得更快和更可靠的数据传输,下一代6G通信技术已经处于研究状态,其中IRS(智能反射面)技术因其成本低、功耗低、易部署、可提升通信质量等特点被广泛研究。
现有技术的一种基于神经网络的大规模MIMO的CSI多倍率压缩反馈方法,在大规模MIMO(多输入多输出)***中使用深度学习技术对CSI(信道状态信息)压缩反馈。采用CSINET来压缩2048个数据的CSI,在压缩比为1/8的条件下取得了较好的成果,100次训练后模型的NMSE(归一化均方误差)可以收敛至0.3左右。但在进行大数据量的CSI压缩及其恢复时会出现性能低下、过拟合等问题。并且无法将该方案应用于IRS辅助通信***。
在IRS辅助通信***中,用户端向发射端反馈的CSI变得更加复杂,不仅需要反馈发射端到用户端的CSI,还需要反馈发射端到IRS和IRS到用户端的CSI以保证通信质量,这将直接导致反馈开销变得更加庞大,深度学习***需要压缩更加庞大数据量的CSI,这对深度学学习***的设计提出了更加高的要求。因此亟需一种IRS辅助的通信***中利用深度学习技术将CSI进行压缩与反馈。
发明内容
本发明为克服上述技术问题,提供能够应用于IRS辅助通信***的基于深度学习的IRS辅助通信***的CSI压缩恢复方法。
本发明技术方案如下:
基于深度学习的IRS辅助通信***的CSI压缩恢复方法,IRS辅助通信***的用户端向发射端反馈CSI的反馈过程为:
S1、构建智能反射面IRS辅助通信***,实现智能反射面辅助通信***的用户端与发射端的通信;
S2、用户端对待压缩的信道状态信息CSI进行初步权重调整,得到初步权重调整后的信道状态信息;
S3、对初步权重调整的信道状态信息进行压缩过程的特征融合,得到第一特征融合的信道状态信息;
S4、对第一特征融合的信道状态信息进行最终权重调整,得到压缩后的信道状态信息,用户端将压缩后的信道状态信息发送到发射端;
S5、发射端对压缩后的信道状态信息进行恢复重建过程的特征融合,得到重建的信道状态信息。
本技术方案提出了基于深度学习的IRS辅助通信***的CSI压缩恢复方法,应用于IRS辅助通信***,IRS辅助通信***的用户端对CSI进行压缩,发射端对CSI进行恢复;通过初步权重调整、特征融合和最终权重调整实现用户端对CSI的压缩,通过特征融合实现发送端对CSI的恢复重建,在用户端进行CSI压缩以及在发送端进行CSI重建,便于对发射端到用户端、发射端到IRS以及IRS到用户端的CSI进行反馈,减少反馈开销同时保证***通信质量。
进一步地,步骤S2所述初步权重调整和步骤S4所述最终权重调整均是通过混合注意力模块实现。
进一步地,步骤S3所述压缩过程的特征融合和步骤S5恢复重建过程的特征融合均使用复合网络模块实现。
基于深度学习的IRS辅助通信***的CSI压缩恢复装置,包括压缩装置和恢复装置,压缩装置设置在智能反射面辅助通信***的用户端,恢复装置设置在智能反射面辅助通信***的发射端;
压缩装置包括第一混合注意力模块、压缩复合网络模块和第二混合注意力模块,第一混合注意力模块对待压缩的信道状态信息进行初步权重调整,得到初步权重调整的信道状态信息,压缩复合网络模块对初步权重调整的信道状态信息进行压缩过程的特征融合,得到第一特征融合的信道状态信息,第二混合注意力模块对第一特征融合的信道状态信息进行最终权重调整,得到压缩后的信道状态信息;恢复装置包括恢复复合网络模块,恢复复合网络模块对压缩后的信道状态信息进行恢复重建过程的特征融合,得到重建的信道状态信息。
进一步地,所述第一混合注意力模块和第二混合注意力模块的结构包括:
输入端、平均池化层、最大池化层、RELU激活函数、第一Sigmoid激活函数、第二Sigmoid激活函数、混合注意力第一卷积层、混合注意力第二卷积层、混合注意力第三卷积层、混合注意力第四卷积层、混合注意力第五卷积层、列平均值模块、列最大值模块、输出端;
具体的结构为:
模块的输入端连接有两条分支,第一条分支分别经过:平均池化层、混合注意力第一卷积层、RELU激活函数、混合注意力第三卷积层;第二条分支分别经过:最大池化层、混合注意力第二卷积层、RELU激活函数、混合注意力第四卷积层;接着,两条分支的结果直接相加,再经过第一Sigmoid激活函数,然后,将输入端的数据与两分支相加结果进行相乘,再分为两个分支,其中一个分支求列最大值,一个分支求列平均值,再然后,将两分支运算结果进行拼接再输入混合注意力第五卷积层,然后经过激活函数Sigmoid,最后,将第一Sigmoid激活函数处理后的结果与第二Sigmoid激活函数处理后的结果进行相乘,经过输出端得到混合注意力模块权重调整后的输出结果。
进一步地,所述混合注意力第一卷积层和混合注意力第二卷积层均为1x1卷积层用于将通道降维为原来的1/16,混合注意力第三卷积层和混合注意力第四卷积层均为1x1卷积层用于将通道升维为原来的16倍,混合注意力第五卷积层为7x7卷积层用于将通道降维为原来的1/2。
进一步地,所述压缩复合网络模块的结构包括:
输入端、输出端、Reshape层、全连接层、压缩复合第一卷积层、压缩复合第二卷积层、压缩复合第三卷积层、压缩复合第四卷积层、压缩复合第五卷积层、压缩复合第六卷积层、压缩复合第七卷积层、压缩复合第八卷积层、压缩复合第九卷积层、压缩复合第十卷积层、压缩复合第十一卷积层、压缩复合第十一卷积层、压缩复合第十二卷积层、压缩复合第十三卷积层、压缩复合第十四卷积层、压缩复合第十五卷积层、压缩复合第十六卷积层、压缩复合第十七卷积层、压缩复合第十八卷积层、压缩复合第十九卷积层、压缩复合第二十卷积层;
具体的结构为:
压缩复合网络模块的输入依次经过压缩复合第一卷积层、压缩复合第二卷积层、压缩复合第三卷积层;然后分为两个支路,第一条支路经过压缩复合第四卷积层,第二条支路经过压缩复合第五卷积层,然后进行相加,接下来分为两个支路,第一条支路依次经过压缩复合第六卷积层、压缩复合第七卷积层、压缩复合第八卷积层,第二条支路经过压缩复合第九卷积层;然后将两条支路的结果直接进行拼接,通道将会升维至256,之后经过压缩复合第十卷积层,将通道降维至128,再分为五条支路,第一条支路依次经过压缩复合第十一卷积层、压缩复合第十五卷积层,第二条支路依次经过压缩复合第十一卷积层、压缩复合第十五卷积层,第三条支路依次经过压缩复合第十一卷积层、压缩复合第十五卷积层,第四条支路依次经过压缩复合第十一卷积层、压缩复合第十五卷积层、压缩复合第十九卷积层,第五条支路不做任何处理,然后将五条支路的结果进行拼接,通道将会升维至640,之后经过压缩复合第二十卷积层,将通道维数降至6,将通道维数降至6的输出的数据经过Reshape层处理为一维向量,即将矩阵数据逐个取出排列成一维向量,数据量不变;之后经过全连接层,将一维向量以全连接的方式输入进全连接层中的神经网络,神经网络的神经元个数为输入全连接层数据量的δ倍,其中δ为压缩比,δ<1,得到将原有的数据量压缩为其原来的δ倍的压缩的信道状态信息;
所述压缩复合第一卷积层到压缩复合第十九卷积层的通道维数均为128维,压缩复合第二十卷积层的通道维数为6维;
压缩复合第一卷积层、压缩复合第二卷积层、压缩复合第三卷积层、压缩复合第四卷积层、压缩复合第九卷积层、压缩复合第十卷积层、压缩复合第十四卷积层、压缩复合第十八卷积层、压缩复合第十九卷积层均为3x3卷积层;压缩复合第五卷积层、压缩复合第六卷积层、压缩复合第二十卷积层均为1x1卷积层;压缩复合第七卷积层、压缩复合第十二卷积层均为1x7卷积层;压缩复合第八卷积层、压缩复合第十六卷积层均为7x1卷积层;压缩复合第十五卷积层为5x1卷积层;压缩复合第十一卷积层为1x5卷积层;压缩复合第十七卷积层为9x1卷积层;压缩复合第十三卷积层为1x9卷积层。
进一步地,所述恢复复合网络模块的结构包括:
输入端、输出端、全连接层、Reshape层、恢复复合第一卷积层、恢复复合第二卷积层、恢复复合第三卷积层、恢复复合第四卷积层、恢复复合第五卷积层、恢复复合第六卷积层、恢复复合第七卷积层、恢复复合第八卷积层、恢复复合第九卷积层、比例相乘模块;
具体结构为:
恢复复合网络模块的输入端连接全连接层,将接收到的压缩的信道状态信息一维向量以全连接的方式输入进全连接层中的神经网络,神经网络的神经元个数为输入全连接层数据量的1/δ倍;对全连接层输出的数据经过Reshape层进行Reshape处理,即将一维向量数据逐个排列成原来信道状态信息矩阵的尺寸;依次经过恢复复合第一卷积层和恢复复合第二卷积层,将通道升维至128;然后分为两个支路,第一条支路依次经过恢复复合第三卷积层、恢复复合第四卷积层、恢复复合第五卷积层;第二条支路依次经过恢复复合第六卷积层、恢复复合第七卷积层;然后对两条支路进行拼接,通道将会升维至256;经过恢复复合第八卷积层,将通道降维至128;比例相乘模块对恢复复合第八卷积层的输出乘以0.7得到比例相乘模块的输出,然后比例相乘模块的输出与恢复复合第一卷积层处理后的结果进行相加;经过恢复复合第九卷积层,将通道维数降至6,得到恢复复合网络模块重建后输出的信道状态信息数据由输出端输出;
所述恢复复合第一卷积层、恢复复合第二卷积层、恢复复合第三卷积层、恢复复合第九卷积层均为3x3卷积层;恢复复合第四卷积层为1x9卷积层;恢复复合第五卷积层为9x1卷积层;恢复复合第六卷积层为1x5卷积层;恢复复合第七卷积层为5x1卷积层;恢复复合第八卷积层为1x1卷积层。
进一步地,所述压缩装置和恢复装置在实际应用之前需进行训练,训练的方法是:将预先收集的信道数据样本集输入压缩装置和恢复装置,将训练过程的optimizer设置为自适应矩估计,batch size设置为256,epochs设置为100,学习率a初始设置为0并按照以下公式进行更新:
进一步地,训练过程中采用NMSE来计算原始信道数据和恢复后的信道数据之间的误差,公式为:
本技术方案提出了基于深度学习的智能反射面辅助通信***的信道状态信息压缩恢复方法和装置,本技术方案的压缩恢复方法应用于智能反射面辅助通信***,智能反射面辅助通信***的用户端执行压缩方法,发射端执行恢复方法;通过初步权重调整、特征融合和最终权重调整实现用户端对信道状态信息的压缩,通过特征融合实现发送端对信道状态信息的恢复重建,在用户端进行信道状态信息压缩以及在发送端进行信道状态信息重建,便于对发射端到用户端、发射端到智能反射面以及智能反射面到用户端的信道状态信息进行反馈,减少反馈开销同时保证***通信质量。
本技术方案的压缩及恢复装置应用于智能反射面辅助通信***,智能反射面辅助通信***的发射端和用户端分别设有恢复装置和压缩装置,利用混合注意力和复合网络的深度学习技术在智能反射面辅助通信***中实现对信道状态信息的压缩和恢复,便于对发射端到用户端、发射端到智能反射面以及智能反射面到用户端的信道状态信息进行反馈,减少反馈开销同时保证***通信质量。
附图说明
图1为本发明CSI压缩恢复方法步骤示意图
图2为IRS辅助通信***示意图;
图3为压缩装置和恢复装置结构示意图;
图4为混合注意力模块结构示意图;
图5为压缩复合网络模块结构示意图;
图6为恢复复合网络模块结构示意图;
图7为单个信道CSI数据尺寸示意图;
图8为一组信道CSI数据尺寸示意图;
图9为CSINET、CRNET和本方案仿真结果对比示意图;
图10为有无混合注意力机制模块仿真结果对比示意图。
具体实施方式
为清楚地说明本发明基于深度学习的IRS辅助通信***的CSI压缩恢复方法和装置,结合实施例和附图对本发明作进一步说明,但不应以此限制本发明的保护范围。
实施例1
基于深度学习的IRS辅助通信***的CSI压缩恢复装置,IRS辅助通信***示意图如图2所示,包括发射端、用户端和IRS,所述压缩恢复装置包括压缩装置和恢复装置,压缩装置和恢复装置结构如图3所示,压缩装置设置在IRS辅助通信***的用户端,恢复装置设置在IRS辅助通信***的发射端;
压缩装置包括第一混合注意力模块、压缩复合网络模块和第二混合注意力模块,第一混合注意力模块对待压缩的CSI进行初步权重调整,得到初步权重调整的CSI,压缩复合网络模块对初步权重调整的CSI进行压缩过程的特征融合,得到第一特征融合的CSI,第二混合注意力模块对第一特征融合的CSI进行最终权重调整,得到压缩后的CSI;恢复装置包括恢复复合网络模块,恢复复合网络模块对压缩后的CSI进行恢复重建过程的特征融合,得到重建的CSI。
本实施例公开了基于深度学习的IRS辅助通信***的CSI压缩恢复装置,本技术方案的压缩及恢复装置应用于IRS辅助通信***,IRS辅助通信***的发射端和用户端分别设有恢复装置和压缩装置,利用混合注意力和复合网络的深度学习技术在IRS辅助通信***中实现对CSI的压缩和恢复,便于对发射端到用户端的CSI、发射端到IRS以及IRS到用户端的CS进行反馈,减少反馈开销同时保证***通信质量。
实施例2
基于深度学习的IRS辅助通信***的CSI压缩恢复装置,IRS辅助通信***示意图如图2所示,包括发射端、用户端和IRS,所述压缩恢复装置包括压缩装置和恢复装置,压缩装置和恢复装置结构如图3所示,压缩装置设置在IRS辅助通信***的用户端,恢复装置设置在IRS辅助通信***的发射端;
压缩装置包括第一混合注意力模块、压缩复合网络模块和第二混合注意力模块,第一混合注意力模块对待压缩的CSI进行初步权重调整,得到初步权重调整的CSI,压缩复合网络模块对初步权重调整的CSI进行压缩过程的特征融合,得到第一特征融合的CSI,第二混合注意力模块对第一特征融合的CSI进行最终权重调整,得到压缩后的CSI;恢复装置包括恢复复合网络模块,恢复复合网络模块对压缩后的CSI进行恢复重建过程的特征融合,得到重建的CSI。
所述第一混合注意力模块和第二混合注意力模块的结构如图4所示,包括:
输入端、平均池化层、最大池化层、RELU激活函数、第一Sigmoid激活函数、第二Sigmoid激活函数、混合注意力第一卷积层、混合注意力第二卷积层、混合注意力第三卷积层、混合注意力第四卷积层、混合注意力第五卷积层、列平均值模块、列最大值模块、输出端;
具体的结构为:
模块的输入端连接有两条分支,第一条分支分别经过:平均池化层、混合注意力第一卷积层、RELU激活函数、混合注意力第三卷积层;第二条分支分别经过:最大池化层、混合注意力第二卷积层、RELU激活函数、混合注意力第四卷积层;接着,两条分支的结果直接相加,再经过第一Sigmoid激活函数,然后,将输入端的数据与两分支相加结果进行相乘,再分为两个分支,其中一个分支求列最大值,一个分支求列平均值,再然后,将两分支运算结果进行拼接再输入混合注意力第五卷积层,然后经过激活函数Sigmoid,最后,将第一Sigmoid激活函数处理后的结果与第二Sigmoid激活函数处理后的结果进行相乘,经过输出端得到混合注意力模块权重调整后的输出结果。
所述混合注意力第一卷积层和混合注意力第二卷积层均为1x1卷积层用于将通道降维为原来的1/16,混合注意力第三卷积层和混合注意力第四卷积层均为1x1卷积层用于将通道升维为原来的16倍,混合注意力第五卷积层为7x7卷积层用于将通道降维为原来的1/2。
所述压缩复合网络模块如图5所示,结构包括:
输入端、输出端、Reshape层、全连接层、压缩复合第一卷积层、压缩复合第二卷积层、压缩复合第三卷积层、压缩复合第四卷积层、压缩复合第五卷积层、压缩复合第六卷积层、压缩复合第七卷积层、压缩复合第八卷积层、压缩复合第九卷积层、压缩复合第十卷积层、压缩复合第十一卷积层、压缩复合第十一卷积层、压缩复合第十二卷积层、压缩复合第十三卷积层、压缩复合第十四卷积层、压缩复合第十五卷积层、压缩复合第十六卷积层、压缩复合第十七卷积层、压缩复合第十八卷积层、压缩复合第十九卷积层、压缩复合第二十卷积层;
具体的结构为:
压缩复合网络模块的输入依次经过压缩复合第一卷积层、压缩复合第二卷积层、压缩复合第三卷积层;然后分为两个支路,第一条支路经过压缩复合第四卷积层,第二条支路经过压缩复合第五卷积层,然后进行相加,接下来分为两个支路,第一条支路依次经过压缩复合第六卷积层、压缩复合第七卷积层、压缩复合第八卷积层,第二条支路经过压缩复合第九卷积层;然后将两条支路的结果直接进行拼接,通道将会升维至256,之后经过压缩复合第十卷积层,将通道降维至128,再分为五条支路,第一条支路依次经过压缩复合第十一卷积层、压缩复合第十五卷积层,第二条支路依次经过压缩复合第十一卷积层、压缩复合第十五卷积层,第三条支路依次经过压缩复合第十一卷积层、压缩复合第十五卷积层,第四条支路依次经过压缩复合第十一卷积层、压缩复合第十五卷积层、压缩复合第十九卷积层,第五条支路不做任何处理,然后将五条支路的结果进行拼接,通道将会升维至640,之后经过压缩复合第二十卷积层,将通道维数降至6,将通道维数降至6的输出的数据经过Reshape层处理为一维向量,即将矩阵数据逐个取出排列成一维向量,数据量不变;之后经过全连接层,将一维向量以全连接的方式输入进全连接层中的神经网络,神经网络的神经元个数为输入全连接层数据量的δ倍,其中δ为压缩比,δ<1,得到将原有的数据量压缩为其原来的δ倍的压缩的CSI。
所述压缩复合第一卷积层到压缩复合第十九卷积层的通道维数均为128维,压缩复合第二十卷积层的通道维数为6维;
压缩复合第一卷积层、压缩复合第二卷积层、压缩复合第三卷积层、压缩复合第四卷积层、压缩复合第九卷积层、压缩复合第十卷积层、压缩复合第十四卷积层、压缩复合第十八卷积层、压缩复合第十九卷积层均为3x3卷积层;压缩复合第五卷积层、压缩复合第六卷积层、压缩复合第二十卷积层均为1x1卷积层;压缩复合第七卷积层、压缩复合第十二卷积层均为1x7卷积层;压缩复合第八卷积层、压缩复合第十六卷积层均为7x1卷积层;压缩复合第十五卷积层为5x1卷积层;压缩复合第十一卷积层为1x5卷积层;压缩复合第十七卷积层为9x1卷积层;压缩复合第十三卷积层为1x9卷积层。
所述恢复复合网络模块如图6所示,结构包括:
输入端、输出端、全连接层、Reshape层、恢复复合第一卷积层、恢复复合第二卷积层、恢复复合第三卷积层、恢复复合第四卷积层、恢复复合第五卷积层、恢复复合第六卷积层、恢复复合第七卷积层、恢复复合第八卷积层、恢复复合第九卷积层、比例相乘模块;
具体结构为:
恢复复合网络模块的输入端连接全连接层,将接收到的压缩的CSI一维向量以全连接的方式输入进全连接层中的神经网络,神经网络的神经元个数为输入全连接层数据量的1/δ倍;对全连接层输出的数据经过Reshape层进行Reshape处理,即将一维向量数据逐个排列成原来CSI矩阵的尺寸;依次经过恢复复合第一卷积层和恢复复合第二卷积层,将通道升维至128;然后分为两个支路,第一条支路依次经过恢复复合第三卷积层、恢复复合第四卷积层、恢复复合第五卷积层;第二条支路依次经过恢复复合第六卷积层、恢复复合第七卷积层;然后对两条支路进行拼接,通道将会升维至256;经过恢复复合第八卷积层,将通道降维至128;比例相乘模块对恢复复合第八卷积层的输出乘以0.7得到比例相乘模块的输出,然后比例相乘模块的输出与恢复复合第一卷积层处理后的结果进行相加;经过恢复复合第九卷积层,将通道维数降至6,得到恢复复合网络模块重建后输出的CSI数据由输出端输出。
所述恢复复合第一卷积层、恢复复合第二卷积层、恢复复合第三卷积层、恢复复合第九卷积层均为3x3卷积层;恢复复合第四卷积层为1x9卷积层;恢复复合第五卷积层为9x1卷积层;恢复复合第六卷积层为1x5卷积层;恢复复合第七卷积层为5x1卷积层;恢复复合第八卷积层为1x1卷积层。
本实施例的恢复复合网络模块采用比例残差网络结构,恢复复合网络模块的比例残差网络包括:主干网络的输出、系数相乘模块和以及第一卷积层的输出,所述主干网络的输出是指输入数据经过恢复复合网络模块主干网络处理后的恢复复合第八卷积层的输出,系数相乘模块将主干网络的输出乘以0.7,然后系数相乘模块的输出与恢复复合第一卷积层的输出相加,从而使特征信息从低层传播到高层,并将不同层的信道信息按一定比例缩小再进行融合,减轻了网络退化问题。
所述压缩装置和恢复装置在实际应用之前需进行训练,训练的方法是:将预先收集的信道数据样本集输入压缩装置和恢复装置,将训练过程的optimizer设置为自适应矩估计,batch size设置为256,epochs设置为100,学习率a初始设置为0。
训练过程中采用NMSE来计算原始信道数据和恢复后的信道数据之间的误差,公式为:
本实施例公开了基于深度学习的IRS辅助通信***的CSI压缩恢复装置,本技术方案的压缩及恢复装置应用于IRS辅助通信***,IRS辅助通信***的发射端和用户端分别设有恢复装置和压缩装置,利用混合注意力和复合网络的深度学习技术在IRS辅助通信***中实现对CSI的压缩和恢复,便于对发射端到用户端的CSI、发射端到IRS以及IRS到用户端的CS进行反馈,减少反馈开销同时保证***通信质量。
实施例3
基于深度学习的IRS辅助通信***的CSI压缩恢复装置,IRS辅助通信***示意图如图2所示,包括发射端、用户端和IRS,发射端设置N条天线,用户端设置M条天线,IRS设置有I个反射单元,载波数量设置为S个。
发射端到IRS之间信道1的CSI数据量应为N×I×S×2,其中N×I为角度域大小,S为载波数量,2为为CSI的虚部和实部。同理,IRS到用户端之间信道2的CSI数据量应为I×M×S×2。发射端到用户端之间信道3的CSI数据量应为N×M×S×2。单个信道CSI数据尺寸示意图如图7所示。
将周期T内的信道1CSI、信道2CSI、信道3CSI组合成一组信道数据Cj,其中Cj表示第j组信道数据,组合后的一组信道CSI数据尺寸如图8所示。
开始收集信道数据。每间隔周期T在多个用户端处各收集一组数据信道数据。至少收集30万组信道数据作为总数据集,80%的总数据集作为训练集,即至少24万组,20%的总数据集作为测试集,即至少6万组。
利用收集到的CSI数据集对压缩装置和恢复装置进行训练,训练的方法是:将预先收集的信道数据样本集输入压缩装置和恢复装置,将训练过程的optimizer设置为自适应矩估计,batch size设置为256,epochs设置为100,学习率a初始设置为0。
训练过程中采用NMSE来计算原始信道数据和恢复后的信道数据之间的误差,公式为:
其中,X为原始信道数据,为恢复后的信道数据,E{·}为求期望,||·||2为求矩阵的二范数。并且optimizer设置为Adam(自适应矩估计),batch size设置为256,epochs设置为100。学习率a初始设置为0,并按照以下公式进行更新:
将测试集输入CSI压缩恢复装置进行CSI压缩和恢复重建,采用NMSE来计算原始信道数据和恢复后的信道数据之间的误差,
将发射端天线设置为32根,用户端天线设置为32根,IRS反射单元设置为32个,载波数量设置为1。压缩前的信道数据尺寸为32×32×2×3,信道数据压缩为原来的1/8。
仿真结果表明,相比CSINET和CRNET本方案可以在训练100个epoch后将信道数据很好地进行压缩和恢复。CSINET和CRNET在训练100epoch并不能将信道数据很好地恢复,两者的NMSE的分别收敛至16.824和0.982,而本方案可以收敛至0.085,压缩性能远好于目前的方案。CSINET、CRNET和本方案仿真结果对比示意图如图9所示。
此外还进行了有混合注意力机制模块和无混合注意力机制模块的对比仿真,仿真结果如图10所示。NMSE收敛至0.101。红线的是有混合注意力机制的曲线,结果收敛至0.085,误差较无混合注意力机制模块减少15.8%左右。
本实施例公开的基于深度学习的IRS辅助通信***的CSI压缩恢复装置。可以在收集足够多的信道数据并训练深度学习网络后,对新输入的信道数据自动进行压缩和恢复。仿真结果显示,在压缩比为1/8的仿真中(即6144个数据压缩成768个数据),100次训练后信道数据的NMSE大大降低至0.085,相比之下CSINET和CRNET的NMSE只有16.824和0.982,误差减少了90%以上。
实施例4
基于深度学习的IRS辅助通信***的CSI压缩恢复方法,所述压缩恢复方法如图1所示,包括压缩方法和恢复方法:
所述压缩方法包括步骤:
S1、构建智能反射面IRS辅助通信***,实现智能反射面辅助通信***的用户端与发射端的通信;
S2、用户端对待压缩的信道状态信息CSI进行初步权重调整,得到初步权重调整后的信道状态信息;
S3、对初步权重调整的信道状态信息进行压缩过程的特征融合,得到第一特征融合的信道状态信息;
S4、对第一特征融合的信道状态信息进行最终权重调整,得到压缩后的信道状态信息,用户端将压缩后的信道状态信息发送到发射端;
S5、发射端对压缩后的信道状态信息进行恢复重建过程的特征融合,得到重建的信道状态信息。
本实施例的压缩恢复方法应用于IRS辅助通信***,IRS辅助通信***的用户端对CSI进行压缩,发射端对CSI进行恢复;通过初步权重调整、特征融合和最终权重调整实现用户端对CSI的压缩,通过特征融合实现发送端对CSI的恢复重建,在用户端进行CSI压缩以及在发送端进行CSI重建,便于对发射端到用户端、发射端到IRS以及IRS到用户端的CSI进行反馈,减少反馈开销同时保证***通信质量。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.基于深度学习的IRS辅助通信***的CSI压缩恢复方法,其特征在于,包括步骤:
S1、构建智能反射面IRS辅助通信***,实现智能反射面辅助通信***的用户端与发射端的通信;
S2、用户端对待压缩的信道状态信息CSI进行初步权重调整,得到初步权重调整后的信道状态信息;
S3、对初步权重调整的信道状态信息进行压缩过程的特征融合,得到第一特征融合的信道状态信息;
S4、对第一特征融合的信道状态信息进行最终权重调整,得到压缩后的信道状态信息,用户端将压缩后的信道状态信息发送到发射端;
S5、发射端对压缩后的信道状态信息进行恢复重建过程的特征融合,得到重建的信道状态信息。
2.根据权利要求1所述的基于深度学习的IRS辅助通信***的CSI压缩恢复方法,其特征在于,步骤S2所述初步权重调整和步骤S4所述最终权重调整均是通过混合注意力模块实现。
3.根据权利要求1所述的基于深度学习的IRS辅助通信***的CSI压缩恢复方法,其特征在于,步骤S3所述压缩过程的特征融合和步骤S5恢复重建过程的特征融合均使用复合网络模块实现。
4.基于深度学习的IRS辅助通信***的CSI压缩恢复装置,用于执行权利要求1-3任一项所述基于深度学习的IRS辅助通信***的CSI压缩恢复方法,其特征在于,包括压缩装置和恢复装置,压缩装置设置在智能反射面辅助通信***的用户端,恢复装置设置在智能反射面辅助通信***的发射端;
压缩装置包括第一混合注意力模块、压缩复合网络模块和第二混合注意力模块,第一混合注意力模块对待压缩的信道状态信息进行初步权重调整,得到初步权重调整的信道状态信息,压缩复合网络模块对初步权重调整的信道状态信息进行压缩过程的特征融合,得到第一特征融合的信道状态信息,第二混合注意力模块对第一特征融合的信道状态信息进行最终权重调整,得到压缩后的信道状态信息;恢复装置包括恢复复合网络模块,恢复复合网络模块对压缩后的信道状态信息进行恢复重建过程的特征融合,得到重建的信道状态信息。
5.根据权利要求4所述的基于深度学习的IRS辅助通信***的CSI压缩恢复装置,其特征在于,所述第一混合注意力模块和第二混合注意力模块的结构包括:
输入端、平均池化层、最大池化层、RELU激活函数、第一Sigmoid激活函数、第二Sigmoid激活函数、混合注意力第一卷积层、混合注意力第二卷积层、混合注意力第三卷积层、混合注意力第四卷积层、混合注意力第五卷积层、列平均值模块、列最大值模块、输出端;
具体的结构为:
模块的输入端连接有两条分支,第一条分支分别经过:平均池化层、混合注意力第一卷积层、RELU激活函数、混合注意力第三卷积层;第二条分支分别经过:最大池化层、混合注意力第二卷积层、RELU激活函数、混合注意力第四卷积层;接着,两条分支的结果直接相加,再经过第一Sigmoid激活函数,然后,将输入端的数据与两分支相加结果进行相乘,再分为两个分支,其中一个分支求列最大值,一个分支求列平均值,再然后,将两分支运算结果进行拼接再输入混合注意力第五卷积层,然后经过激活函数Sigmoid,最后,将第一Sigmoid激活函数处理后的结果与第二Sigmoid激活函数处理后的结果进行相乘,经过输出端得到混合注意力模块权重调整后的输出结果。
6.根据权利要求5所述的基于深度学习的IRS辅助通信***的CSI压缩恢复装置,其特征在于,所述混合注意力第一卷积层和混合注意力第二卷积层均为1x1卷积层用于将通道降维为原来的1/16,混合注意力第三卷积层和混合注意力第四卷积层均为1x1卷积层用于将通道升维为原来的16倍,混合注意力第五卷积层为7x7卷积层用于将通道降维为原来的1/2。
7.根据权利要求4所述的基于深度学习的IRS辅助通信***的CSI压缩恢复装置,其特征在于,所述压缩复合网络模块的结构包括:
输入端、输出端、Reshape层、全连接层、压缩复合第一卷积层、压缩复合第二卷积层、压缩复合第三卷积层、压缩复合第四卷积层、压缩复合第五卷积层、压缩复合第六卷积层、压缩复合第七卷积层、压缩复合第八卷积层、压缩复合第九卷积层、压缩复合第十卷积层、压缩复合第十一卷积层、压缩复合第十一卷积层、压缩复合第十二卷积层、压缩复合第十三卷积层、压缩复合第十四卷积层、压缩复合第十五卷积层、压缩复合第十六卷积层、压缩复合第十七卷积层、压缩复合第十八卷积层、压缩复合第十九卷积层、压缩复合第二十卷积层;
具体的结构为:
压缩复合网络模块的输入依次经过压缩复合第一卷积层、压缩复合第二卷积层、压缩复合第三卷积层;然后分为两个支路,第一条支路经过压缩复合第四卷积层,第二条支路经过压缩复合第五卷积层,然后进行相加,接下来分为两个支路,第一条支路依次经过压缩复合第六卷积层、压缩复合第七卷积层、压缩复合第八卷积层,第二条支路经过压缩复合第九卷积层;然后将两条支路的结果直接进行拼接,通道将会升维至256,之后经过压缩复合第十卷积层,将通道降维至128,再分为五条支路,第一条支路依次经过压缩复合第十一卷积层、压缩复合第十五卷积层,第二条支路依次经过压缩复合第十一卷积层、压缩复合第十五卷积层,第三条支路依次经过压缩复合第十一卷积层、压缩复合第十五卷积层,第四条支路依次经过压缩复合第十一卷积层、压缩复合第十五卷积层、压缩复合第十九卷积层,第五条支路不做任何处理,然后将五条支路的结果进行拼接,通道将会升维至640,之后经过压缩复合第二十卷积层,将通道维数降至6,将通道维数降至6的输出的数据经过Reshape层处理为一维向量,即将矩阵数据逐个取出排列成一维向量,数据量不变;之后经过全连接层,将一维向量以全连接的方式输入进全连接层中的神经网络,神经网络的神经元个数为输入全连接层数据量的δ倍,其中δ为压缩比,δ<1,得到将原有的数据量压缩为其原来的δ倍的压缩的信道状态信息;
所述压缩复合第一卷积层到压缩复合第十九卷积层的通道维数均为128维,压缩复合第二十卷积层的通道维数为6维;
压缩复合第一卷积层、压缩复合第二卷积层、压缩复合第三卷积层、压缩复合第四卷积层、压缩复合第九卷积层、压缩复合第十卷积层、压缩复合第十四卷积层、压缩复合第十八卷积层、压缩复合第十九卷积层均为3x3卷积层;压缩复合第五卷积层、压缩复合第六卷积层、压缩复合第二十卷积层均为1x1卷积层;压缩复合第七卷积层、压缩复合第十二卷积层均为1x7卷积层;压缩复合第八卷积层、压缩复合第十六卷积层均为7x1卷积层;压缩复合第十五卷积层为5x1卷积层;压缩复合第十一卷积层为1x5卷积层;压缩复合第十七卷积层为9x1卷积层;压缩复合第十三卷积层为1x9卷积层。
8.根据权利要求7所述的基于深度学习的IRS辅助通信***的CSI压缩恢复装置,其特征在于,所述恢复复合网络模块的结构包括:
输入端、输出端、全连接层、Reshape层、恢复复合第一卷积层、恢复复合第二卷积层、恢复复合第三卷积层、恢复复合第四卷积层、恢复复合第五卷积层、恢复复合第六卷积层、恢复复合第七卷积层、恢复复合第八卷积层、恢复复合第九卷积层、比例相乘模块;
具体结构为:
恢复复合网络模块的输入端连接全连接层,将接收到的压缩的信道状态信息一维向量以全连接的方式输入进全连接层中的神经网络,神经网络的神经元个数为输入全连接层数据量的1/δ倍;对全连接层输出的数据经过Reshape层进行Reshape处理,即将一维向量数据逐个排列成原来信道状态信息矩阵的尺寸;依次经过恢复复合第一卷积层和恢复复合第二卷积层,将通道升维至128;然后分为两个支路,第一条支路依次经过恢复复合第三卷积层、恢复复合第四卷积层、恢复复合第五卷积层;第二条支路依次经过恢复复合第六卷积层、恢复复合第七卷积层;然后对两条支路进行拼接,通道将会升维至256;经过恢复复合第八卷积层,将通道降维至128;比例相乘模块对恢复复合第八卷积层的输出乘以0.7得到比例相乘模块的输出,然后比例相乘模块的输出与恢复复合第一卷积层处理后的结果进行相加;经过恢复复合第九卷积层,将通道维数降至6,得到恢复复合网络模块重建后输出的信道状态信息数据由输出端输出;
所述恢复复合第一卷积层、恢复复合第二卷积层、恢复复合第三卷积层、恢复复合第九卷积层均为3x3卷积层;恢复复合第四卷积层为1x9卷积层;恢复复合第五卷积层为9x1卷积层;恢复复合第六卷积层为1x5卷积层;恢复复合第七卷积层为5x1卷积层;恢复复合第八卷积层为1x1卷积层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111471244.4A CN114051234B (zh) | 2021-12-03 | 2021-12-03 | 基于深度学习的irs辅助通信***的csi压缩恢复方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111471244.4A CN114051234B (zh) | 2021-12-03 | 2021-12-03 | 基于深度学习的irs辅助通信***的csi压缩恢复方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114051234A CN114051234A (zh) | 2022-02-15 |
CN114051234B true CN114051234B (zh) | 2023-05-02 |
Family
ID=80212460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111471244.4A Active CN114051234B (zh) | 2021-12-03 | 2021-12-03 | 基于深度学习的irs辅助通信***的csi压缩恢复方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114051234B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115549742B (zh) * | 2022-09-01 | 2024-06-07 | 浙江大学 | 一种基于深度学习的csi压缩反馈方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014206167A1 (zh) * | 2013-06-27 | 2014-12-31 | 华为技术有限公司 | 反馈csi的方法、调度ue的方法、ue及基站 |
CN108847876A (zh) * | 2018-07-26 | 2018-11-20 | 东南大学 | 一种大规模mimo时变信道状态信息压缩反馈及重建方法 |
CN111294095A (zh) * | 2020-02-17 | 2020-06-16 | 南京邮电大学 | 基于统计csi的irs辅助大规模mimo无线传输方法 |
CN111464220A (zh) * | 2020-03-10 | 2020-07-28 | 西安交通大学 | 一种基于深度学习的信道状态信息重建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI687063B (zh) * | 2019-01-04 | 2020-03-01 | 財團法人工業技術研究院 | 基於深度學習與通道狀態資訊之通訊系統及編解碼方法 |
-
2021
- 2021-12-03 CN CN202111471244.4A patent/CN114051234B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014206167A1 (zh) * | 2013-06-27 | 2014-12-31 | 华为技术有限公司 | 反馈csi的方法、调度ue的方法、ue及基站 |
CN108847876A (zh) * | 2018-07-26 | 2018-11-20 | 东南大学 | 一种大规模mimo时变信道状态信息压缩反馈及重建方法 |
CN111294095A (zh) * | 2020-02-17 | 2020-06-16 | 南京邮电大学 | 基于统计csi的irs辅助大规模mimo无线传输方法 |
CN111464220A (zh) * | 2020-03-10 | 2020-07-28 | 西安交通大学 | 一种基于深度学习的信道状态信息重建方法 |
Non-Patent Citations (1)
Title |
---|
Jian Dang ; Zaichen Zhang ; Liang Wu ; .Joint Beamforming for Intelligent Reflecting Surface Aided Wireless Communication Using Statistical CSI.中国通信.2020,(08),62-172. * |
Also Published As
Publication number | Publication date |
---|---|
CN114051234A (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111464220B (zh) | 一种基于深度学习的信道状态信息重建方法 | |
CN108847876B (zh) | 一种大规模mimo时变信道状态信息压缩反馈及重建方法 | |
CN109672464B (zh) | 基于fcfnn的大规模mimo信道状态信息反馈方法 | |
CN109525292B (zh) | 一种采用比特级优化网络的信道信息压缩反馈方法 | |
CN114051234B (zh) | 基于深度学习的irs辅助通信***的csi压缩恢复方法和装置 | |
CN111753968B (zh) | 非侵入式负荷监测智能电表和电量分解方法 | |
CN113381950B (zh) | 基于网络聚合策略的高效mimo信道反馈方法及装置 | |
CN112348914B (zh) | 一种基于车联网的深度学习图像压缩感知方法及*** | |
CN111901024B (zh) | 基于抗拟合深度学习的mimo信道状态信息反馈方法 | |
CN111555781A (zh) | 一种基于深度学习注意力机制的大规模mimo信道状态信息压缩及重建方法 | |
CN113160047A (zh) | 一种基于多尺度通道注意力机制的单幅图像超分辨率方法 | |
CN113872652A (zh) | 一种基于3d mimo时变***的csi反馈方法 | |
EP4287524A1 (en) | Channel state information (csi) encoding method and apparatus and csi decoding method and apparatus | |
Griffeath | Limit theorems for nonergodic set-valued Markov processes | |
WO2024045689A1 (zh) | 一种基于深度学习的csi压缩反馈方法 | |
CN109391315A (zh) | 一种数据模型双驱动的mimo接收机 | |
CN105049669A (zh) | 一种把多幅图像隐藏在一幅图像中传输的方法 | |
CN113346966A (zh) | 一种智能电网无人机巡检通信子***信道反馈方法 | |
CN112492651A (zh) | 资源调度方案优化方法及装置 | |
CN111935041A (zh) | 一种下行场景中分层混合调制实现高阶scma***的方法 | |
CN115331083B (zh) | 基于逐步密集特征融合去雨网络的图像去雨方法及*** | |
CN116883265A (zh) | 一种基于增强特征融合机制的图像去模糊方法 | |
Zhao et al. | Global momentum compression for sparse communication in distributed SGD | |
DE102012203653B3 (de) | Verfahren zum Wiederherstellen von verloren gegangenen und/oder beschädigten Daten | |
CN114980723A (zh) | 一种用于跨工况贴片机吸嘴的故障预测方法、*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |