：

前言

论文：《Deep Learning for Massive MIMO CSI Feedback》
文章地址：Deep Learning for Massive MIMO CSI Feedback | IEEE Journals & Magazine | IEEE Xplore
CsiNet仿真代码：GitHub – sydney222/Python_CsiNet: Python code for “Deep Learning for Massive MIMO CSI Feedback”数据集： https://www.dropbox.com/sh/edla5dodnn2ocwi/AADtPCCALXPOsOwYi_rjv3bda?dl=0.

最近在学习有关CSI反馈相关知识，整理了这一篇将深度学习引入CSI反馈的高引用论文，如果有理解不正确的地方，敬请回复。

文章主旨

本文使用深度学习技术来开发一种新的CSI感知和反馈机制CsiNet，它可以从训练样本中学习如何有效地利用信道结构，目的是为了提升性能和减少复杂度/开销。实验表明，相比于一些压缩感知（CS）算法，CsiNet可以极大地提高CSI恢复和重建的质量，甚至在一些压缩感知算法无法工作的极其低的压缩范围内，CsiNet也能够保持有效的波束形成增益。

文章背景

现有CSI反馈方法：

1. 基于码本的CSI反馈方法：

用户：通过码本计算并量化预编码矩阵，向基站反馈预编码矩阵索引

基站：通过码本重建CSI

问题：计算复杂度高，无环境信息辅助

2. 基于压缩感知的CSI反馈

用户：将信道矩阵变换至稀疏域，利用CS算法（AMP,LASSO,TVAL3….）进行压缩

基站：通过迭代算法重建CSI

问题：严重依赖信道稀疏性假设；CS使用随机投影，无法充分利用信道结构；实际应用中，重建算法通常是迭代的，重建速度较慢无法满足实时性要求。

深度学习具有较强的学习和拟合能力，可处理复杂信道条件来解决上述问题。

研究动机：

大规模MIMO系统中大量天线带来较大的反馈开销；图像压缩中，自编码器能够有效压缩图像信息；

创新点—将CSI视为”图像“！

在CSI反馈机制中引入深度学习自编码器架构，提出基于神经网络的CSI反馈架构CsiNet；

CsiNet具有以下特性：

Encoder: 不使用随机投影，而是通过训练数据学习原始通道矩阵的变换，以压缩表示（码字）。
Decoder: CsiNet学习从码字到原始信道的逆变换。

系统模型和CSI反馈

这篇文章假设完美的CSI已经被获取，只考虑CSI从用户侧到基站端的反馈。一旦用户侧获得了信道矩阵 $\widetilde{\mathbf{H}}$ ，就通过2D-DFT来获取截断的矩阵 $\mathbf{H}$ ，然后使用编码器生成码字 $\mathbf{s}$ ，再将码字 $\textbf{s}$ 反馈送入基站端，使用解码器获得 $\mathbf{H}$

模型实现：（encoder到decoder的层数按顺序依次实现即可）

信道矩阵 $\mathbf{H}$ 由实部和虚部构成，encoder端模型搭建具体流程如下：

1）输入数据大小为2*32*32，包括实部和虚部；

2）进行卷积，卷积核大小为3*3，个数为2，BN操作，使用LeakyReLU激活函数；

3）通过reshape将数据拉直；

再将数据通过dense进行压缩，变换为M维向量，数据压缩率 $\gamma$ =M/N。decoder端模型就不详细展开了，其中采用了类似ResNet的结构，通过两个RefineNet单元，进一步添加单元不会显著提高重建质量，只会增加计算复杂度。

def residual_network(x, residual_num, encoded_dim):
    def add_common_layers(y):
        y = BatchNormalization()(y)
        y = LeakyReLU()(y)
        return y
    def residual_block_decoded(y):
        shortcut = y
        y = Conv2D(8, kernel_size=(3, 3), padding='same', data_format='channels_first')(y)
        y = add_common_layers(y)
        
        y = Conv2D(16, kernel_size=(3, 3), padding='same', data_format='channels_first')(y)
        y = add_common_layers(y)
        
        y = Conv2D(2, kernel_size=(3, 3), padding='same', data_format='channels_first')(y)
        y = BatchNormalization()(y)

        y = add([shortcut, y])
        y = LeakyReLU()(y)

        return y
    
    x = Conv2D(2, (3, 3), padding='same', data_format="channels_first")(x)
    x = add_common_layers(x)
    
    x = Reshape((img_total,))(x)
    encoded = Dense(encoded_dim, activation='linear')(x)

    x = Dense(img_total, activation='linear')(encoded)
    x = Reshape((img_channels, img_height, img_width,))(x)
    for i in range(residual_num):
        x = residual_block_decoded(x)
    
    x = Conv2D(2, (3, 3), activation='sigmoid', padding='same', data_format="channels_first")(x)

    return x

模型训练：

通过COST 2100数据集，创建两种类型的信道矩阵：

1）5.3 GHz频段的室内场景

2）300 MHz频段的室外场景。

$\mathbf{H}$ 的大小是32 × 32 （包含实部和虚部），训练集、验证集和测试集分别包括100000，30000，20000个样本；epoch，learning rate，batch size分别设置为1000，0.001，200。

定义一种归一化MSE（NMSE）来量化恢复后的 $\hat{\mathbf{H}}$ 和原始 $\mathbf{H}$ 之间的差异:

定义余弦相似度 $\rho$ 来描述波束成形向量的值，令 $\widehat{\widetilde{h}}_{n}$ 为重构信道向量的第n个子载波。

用NMSE和ρ评估CsiNet的输出数据与原始数据的准确度。

训练结果和结论

可以看出CsiNet在低压缩比下表现良好，并且降低了时间复杂度。

文章出处登录后可见！

已经登录？立即刷新

基于深度学习的CSI反馈（CsiNet）

前言