一種基于多尺度特征融合的大規(guī)模MIMO系統(tǒng)的信道信息反饋方法

本發(fā)明屬于無線通信、深度學習，尤其涉及一種基于多尺度特征融合的大規(guī)模mimo系統(tǒng)的信道信息反饋方法。

背景技術(shù)：

1、大規(guī)模mimo技術(shù)被廣泛認為是下一代無線通信系統(tǒng)中支持多用戶場景的關(guān)鍵技術(shù)之一，為了在頻分雙工(frequency?division?duplexing,fdd)系統(tǒng)中充分利用大規(guī)模mimo技術(shù)的優(yōu)勢，每個用戶設(shè)備需要通過上行通道將其估計的下行鏈路的信道狀態(tài)信息(channel?state?information,csi)反饋給基站，再由基站利用csi制作預(yù)編碼矩陣。因此，csi反饋的準確性直接影響到大規(guī)模mimo系統(tǒng)的空間分集和復(fù)用增益。然而，fdd大規(guī)模mimo系統(tǒng)龐大的天線陣列導(dǎo)致系統(tǒng)中有大量的csi反饋數(shù)據(jù)，直接反饋完整的csi會導(dǎo)致上行鏈路資源消耗過大。因此，穩(wěn)健的csi壓縮和量化技術(shù)至關(guān)重要。

2、近年來，人工智能(artificial?intelligence,ai)和深度學習(deep?learning,dl)作為設(shè)計和優(yōu)化無線通信系統(tǒng)的技術(shù)受到了廣泛關(guān)注，需多國內(nèi)外研究人員在網(wǎng)絡(luò)層、鏈路層和物理層上進行了大量的研究?；谏疃葘W習的csi反饋在無線通信研究領(lǐng)域也受到越來越多的關(guān)注，研究者們通過創(chuàng)新的神經(jīng)網(wǎng)絡(luò)設(shè)計和利用相關(guān)性來提高csi反饋的準確性，基于深度學習的csi反饋網(wǎng)絡(luò)一般采取編解碼框架，構(gòu)造包括創(chuàng)新型卷積神經(jīng)網(wǎng)絡(luò)和具有多頭注意力機制的transformer等不同架構(gòu)，在許多仿真場景下證明其具備超越傳統(tǒng)壓縮感知算法的反饋精度。

3、然而，卷積和各種注意力架構(gòu)均具有一定的缺陷，例如卷積感受野的固有局部性難以捕獲csi全局特征，而transformer的遠程建模能力增加了網(wǎng)絡(luò)計算量和推理時間。因此，引入新的建模框架，充分地融合多尺度信道特征對于降低網(wǎng)絡(luò)計算量、提高csi反饋精度是至關(guān)重要的。

技術(shù)實現(xiàn)思路

1、本發(fā)明目的在于提供一種基于多尺度特征融合的大規(guī)模mimo系統(tǒng)的信道信息反饋方法，針對現(xiàn)有的大規(guī)模mimo系統(tǒng)的信道信息反饋問題，集成多種csi編解碼策略，將新型結(jié)構(gòu)化狀態(tài)空間模型mamba與多頭注意力模型和卷積網(wǎng)絡(luò)相結(jié)合，通過輸入選擇性機制進一步增強csi遠程建模能力，利用多尺度信道特征進行csi反饋并優(yōu)化量化框架，提高csi反饋的精確度和計算效率。

2、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

3、本發(fā)明所述一種基于多尺度特征融合的大規(guī)模mimo系統(tǒng)的信道信息反饋方法，該方法包括基于多尺度特征融合的編碼器和解碼器網(wǎng)絡(luò)、卷積增強向量量化模型和cfe模塊，步驟如下：

4、步驟1：構(gòu)建仿真信道場景，對生成信道矩陣進行預(yù)處理，劃分訓練集、驗證集和測試集；

5、步驟2：構(gòu)建基于多尺度特征融合的信道信息反饋模型，所述信道信息反饋模型包括基于多尺度特征融合的編碼器、卷積增強向量量化模型和解碼器，在解碼器端構(gòu)造信道特征增強(channel?feature?enhancement,cfe)模塊解壓縮信道信息；

6、步驟3：將訓練集輸入所述多尺度特征融合信道信息反饋模型，結(jié)合加權(quán)損失函數(shù)端到端地訓練神經(jīng)網(wǎng)絡(luò)；

7、步驟4：將測試數(shù)據(jù)集輸入訓練好的神經(jīng)網(wǎng)絡(luò)檢測信道信息反饋精度。

8、進一步的，步驟2中所述的基于多尺度特征融合的信道信息反饋模型中編碼器和解碼器均為層級結(jié)構(gòu)，每層均由串接的融合多頭注意力機制和混合卷積的conformer模塊和新型結(jié)構(gòu)化狀態(tài)空間模型mamba模塊組成，層數(shù)根據(jù)復(fù)雜度要求自行設(shè)置。利用編碼器端級聯(lián)雙層conformer模塊和雙層mamba模塊提取信道特征，壓縮全連接層f1輸出壓縮碼字，cfe模塊進一步提取碼字特征，最后由解碼器端級聯(lián)雙層conformer模塊和雙層mamba模塊重建信道矩陣。

9、所述conformer模塊包含第一前饋層、transformer網(wǎng)絡(luò)、混合卷積網(wǎng)絡(luò)、第二前饋層和層歸一化單元。第一前饋層和第二前饋層為馬卡龍式半步殘差連接結(jié)構(gòu)，transformer網(wǎng)絡(luò)和混合卷積網(wǎng)絡(luò)為殘差結(jié)構(gòu)；

10、所述mamba模塊包含線性層、一維因果卷積層、選擇性狀態(tài)空間、層歸一化單元和silu激活函數(shù)。其中線性層改變特征維度，一維因果卷積層預(yù)處理局部特征，選擇性狀態(tài)空間引入狀態(tài)轉(zhuǎn)換矩陣，通過狀態(tài)方程和輸出方程得到輸出。

11、進一步的，步驟2中所述卷積增強向量量化模型包含三個級聯(lián)模塊：卷積降維模塊、向量量化模塊、卷積升維模塊；

12、卷積降維模塊由三個1×1通道卷積、一個1×3降維卷積、池化層和激活函數(shù)組成，將碼字向量變換為一組特征展開向量；

13、量化模塊是具有內(nèi)在碼本的變分自編碼器，碼本由k個長度為d的潛在嵌入向量ei構(gòu)成，其中元素為實數(shù)將特征展開向量映射為碼本的潛在嵌入向量ei，ei對應(yīng)的碼本索引形成反饋比特流；

14、卷積升維模塊由一個1×3升維卷積、一個1×1通道卷積和激活函數(shù)組成，通過反向卷積操作重建碼字。

15、進一步的，步驟2中所述cfe模塊包含兩條支路：反壓縮全連接層f2和升通道卷積支路，二者點乘運算得到解壓縮csi。升通道卷積支路由三個串聯(lián)的不同卷積核大小的升通道卷積層組成，反壓縮全連接層f2執(zhí)行壓縮全連接層f1的鏡像操作，

16、進一步的，步驟2中所述mamba模塊輸入維度為(b,l,d)，其中b為批量大小，l為特征數(shù)量，d為特征維度；輸入首先通過層歸一化單元和輸入線性層得到輸出(b,8d,l)，此輸出等分為兩個維度為(b,4d,l)的序列s1和s2；

17、將s1輸入至卷積核為4的一維因果卷積層和silu激活函數(shù)獲得維度為(b,4d,l)的選擇性狀態(tài)空間輸入序列x；

18、選擇性狀態(tài)空間利用參數(shù)(δt,a,b,c)進行離散化的動態(tài)更新，其中時間變化量δt,狀態(tài)轉(zhuǎn)換矩陣a,輸入到狀態(tài)的轉(zhuǎn)換矩陣b,狀態(tài)到輸出的轉(zhuǎn)換矩陣c的維度分別為(b,4d,dstate)，(b,4d,l)，(b,1,dstate,l)，(b,1,dstate,l)，dstate為網(wǎng)絡(luò)超參數(shù)。s2通過silu激活函數(shù)和選擇性狀態(tài)空間輸出y點乘，最后經(jīng)過輸出線性層獲得維度為(b,l,d)的輸出；

19、進一步的，所述mamba模塊的選擇性狀態(tài)空間利用輸入選擇性機制，先通過狀態(tài)方程更新潛在狀態(tài)，再利用輸出方程得到當前輸出y(t)。

20、狀態(tài)方程如下：

21、h'(t)?＝?α?h(t-1)?+?b?x(t)?(1)

22、其中，h(t)和h(t-1)分別為當前和前一時刻輸入的潛在狀態(tài)，h'(t)為當前潛在狀態(tài)導(dǎo)數(shù)，x(t)為當前輸入；

23、輸出方程如下：

24、y(t)?＝?c?h(t)?(2)

25、通過零階保持(zoh)規(guī)則獲得離散化狀態(tài)參數(shù)和

26、

27、其中，δ為時間尺度參數(shù)，i為單位矩陣；

28、得到離散化狀態(tài)方程為：

29、

30、其中，hk和hk-1分別為當前和先前離散化輸入潛在狀態(tài)，xk為當前離散化輸入；

31、離散化輸出方程為：

32、yk＝chk?(5)

33、最后通過全局卷積得到輸出y：

34、

35、其中，為結(jié)構(gòu)化卷積核。

36、進一步的，步驟2中所述卷積增強向量量化模型將將長度為m的輸入碼字向量hc利用卷積降維模塊downconv(·)變換為m/2個特征展開向量qs；

37、利用向量量化模塊vq(·)進行離散化，通過最近鄰查找將特征展開向量qs映射為碼本中的潛在嵌入向量ei，對應(yīng)碼本索引形成比特流，在基站端重建特征展開向量qr＝ei，其中i＝arg?minm||qs-em||，m∈{1,2,...,k}，最后通過卷積升維模塊upconv(·)恢復(fù)碼字向量整個過程表示為：

38、

39、量化模型損失函數(shù)l(hc,ei)為：

40、

41、式中sg為停止梯度算子，β為權(quán)重系數(shù)。

42、重建的壓縮碼字經(jīng)過串聯(lián)的cfe模塊和解碼器重構(gòu)csi，總損失函數(shù)l為：

43、

44、式中ha和分別為編碼器輸入和解碼器輸出，||·||f為frobenius范數(shù)。

45、本發(fā)明的一種基于多尺度特征融合的大規(guī)模mimo系統(tǒng)的信道信息反饋方法，將新型選擇性狀態(tài)空間與多頭注意力模型和混合卷積相結(jié)合，通過輸入選擇性機制進一步增強csi遠程建模能力，進而充分利用多尺度信道特征進行csi反饋，結(jié)合本發(fā)明所述卷積增強向量量化模型和cfe模塊，獲得高精度低傳輸比特的反饋效果。