【技术实现步骤摘要】
本专利技术属于无线通信领域，在大规模mimo(多进多出)场景下的基于深度学习的信道反馈方法。
技术介绍
1、随着通信技术的飞速发展，大规模mimo技术作为5g网络的核心技术之一，其在提高系统容量、频谱效率及网络性能方面表现出色。随着技术的进一步演进，在6g网络中，将引入超大规模mimo技术，以应对更高的数据传输速率和更低的延迟需求。在fdd制式下，基站侧通过协议规定的参考信号，使得接收端ue能够评估下行信道质量，并将信道质量矩阵反馈给基站侧。然而，大规模/超大规模mimo技术的引入将产生高维的信道质量矩阵，这些矩阵的传输在有限的空口资源中成为一大挑战。
2、目前，主流技术主要有两种：
3、⑴基于码本的csi反馈技术，用户侧和基站侧各自保留设计好的码本，用户侧通过计算与码本中码字的欧氏距离，找到最接近的预编码矩阵索引并反馈给基站。然而，这种方法计算复杂度高，且码本设计需适应多种信道环境，缺乏环境信息的辅助。
4、⑵基于压缩感知(cs)的csi反馈技术，用户侧将信道矩阵转换至稀疏域并利用cs算法压缩，基站侧则通过迭代算法重建csi。但这种方法严重依赖于信道稀疏性假设，无法充分利用信道结构，且基站侧的迭代重建算法难以满足实时性需求。
5、鉴于现有技术的不足，开发一种能够高效处理高维复杂信道矩阵反馈的技术显得尤为重要。因此，提出了一种基于全卷积的信道反馈深度学习自编码器模型，旨在解决现有技术的局限性，满足未来6g超大规模mimo技术带来的挑战。模型提供编码器和解码器，编码器工作在用户侧，对
技术实现思路
1、(一)解决的技术问题
2、专利技术的目的：本专利技术提出一种解决大规模mimo系统信道状态返回开销大的问题，并且此神经网络利用全卷积来降低网络参数并达到不影响预测准确度的目的。
3、(二)技术方案
4、为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于全卷积的信道反馈深度学习自编码器模型，包括以下步骤：构建fullcovcsinet模型，包含编码器，解码器，编码器有卷积层，特征提取模块，卷积压缩模块构成。
5、(1)卷积层:3*3*2卷积和relu激活函数，卷积核步长为1，输出维度不变，channel仍然为2。
6、优选的，所述特征提取模块:
7、(2)添加卷积层3*3*2*8(卷积核步长为1，输出channel为8)。
8、(3)添加卷积层3*3*2*16(卷积核步长为1，输出channel为16)。
9、(4)添加卷积层3*3*2*32(卷积核步长为1，输出channel为32)。
10、(5)添加卷积层3*3*2*64(卷积核步长为1，输出channel为64)。
11、(6)添加batchnormalization层
12、(7)残差连接。残差的前一个输入为(2)的前一层输出。
13、(8)添加leakrelu激活函数层
14、此特征提取模块通过训练得出此模块个数为2的时候，模型最优。
15、卷积压缩模块：
16、(9)卷积层3*3*2*2输出channel为2。卷积核步伐为stride＝2。每执行一次压缩1/4，此模块执行次数根据需求的压缩比程序动态配置。
17、优选的，所述解码器有转置卷积还原模块，特征还原模块，卷积层，激活函数层构成。
18、优选的，所述转置卷积还原模块：添加转置卷积，此模块和编码器卷积压缩模块保持一致。
19、优选的，所述特征还原模块：通过实验结果显示此模块和编码器的特征提取模块保持一致模型最优。
20、优选的，所述卷积层：3*3*2*2卷积，步长为1，输出维度不变，channel仍然为2。
21、优选的，所述激活函数层：使用sigmod激活函数。
22、(三)有益效果
23、本专利技术提供了一种解决大规模mimo系统信道状态返回开销大的问题，其有益效果为：通过引入神经网络并利用全卷积结构，可以显著减少网络参数的数量，从而降低计算复杂度和存储需求，进而减少系统开销，能够有效地提取输入数据中的局部特征，并在保持预测准确度的同时降低网络参数，这种特性使得神经网络在处理具有空间相关性的信道数据时表现优异，能够准确预测信道状态，这意味着即使对于未见过的输入数据，网络也能够进行准确的预测，这对于大规模mimo系统来说非常重要，因为信道状态可能会随着时间和环境的变化而发生变化，可以优化整个大规模mimo系统的性能，系统可以更高效地利用有限的资源来传输数据，提高频谱效率和吞吐量，同时降低延迟和误码率，易于实现和维护，这使得开发人员可以更容易地将这种技术集成到现有的大规模mimo系统中，并进行后续的升级和优化，可以适应不同规模和配置的大规模mimo系统，这使得该技术具有较强的通用性和可扩展性。
本文档来自技高网...【技术保护点】
1.一种基于全卷积的信道反馈深度学习自编码器模型，包括编码器和解码器，其特征在于：所述编码器和解码器没有全连接层，所述编解码器全部有卷积层构成。
2.根据权利要求1所述的一种基于全卷积的信道反馈深度学习自编码器模型，其特征在于：编码器模块网络架构如下：
3.根据权利要求1所述的一种基于全卷积的信道反馈深度学习自编码器模型，其特征在于：所述S2中特征提取模块主要包括以下步骤；
4.根据权利要求1所述的一种基于全卷积的信道反馈深度学习自编码器模型，其特征在于：所述S3中卷积压缩模块为：添加卷积层3*3*2*2输出channel为2，卷积核步伐为stride=2，每执行一次压缩1/4，此模块执行次数N2根据需求的压缩比程序动态配置。
5.根据权利要求1所述的一种基于全卷积的信道反馈深度学习自编码器模型，其特征在于：所述S5中反卷积还原模块即为添加转制卷积，此模块执行次数和步骤（3）N2保持一致。
6.根据权利要求1所述的一种基于全卷积的信道反馈深度学习自编码器模型，其特征在于：所述S6的设计和步骤（2）的特征提取模块保持一致，
...【技术特征摘要】
1.一种基于全卷积的信道反馈深度学习自编码器模型，包括编码器和解码器，其特征在于：所述编码器和解码器没有全连接层，所述编解码器全部有卷积层构成。
2.根据权利要求1所述的一种基于全卷积的信道反馈深度学习自编码器模型，其特征在于：编码器模块网络架构如下：
3.根据权利要求1所述的一种基于全卷积的信道反馈深度学习自编码器模型，其特征在于：所述s2中特征提取模块主要包括以下步骤；
4.根据权利要求1所述的一种基于全卷积的信道反馈深度学习自编码器模型，其特征在于：所述s3中卷积压...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。