基于深度学习分类的时相关MIMO信道的递归CSI量化（Matlab代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

💥1 概述

基于深度学习分类的时相关MIMO信道的递归CSI量化研究

摘要：

在频分双工（FDD）多输入多输出（MIMO）无线通信中，有限的信道状态信息（CSI）反馈是支持高级单用户和多用户MIMO波束成形/预编码的核心工具。为了实现给定的CSI质量，CSI量化码本大小必须随着天线数量的增加呈指数级增长，导致量化复杂度以及对于更大MIMO系统的反馈开销问题。我们最近提出了一个多级递归Grassmann量化器，可以显著减少CSI量化的复杂度。在本文中，我们展示了这种递归量化器可以有效地与深度学习分类结合，进一步降低复杂度，并利用时间信道相关性来减少CSI反馈开销。

有限的信道状态信息（CSI）反馈是支持频分双工（FDD）系统中高效多输入多输出（MIMO）传输的一种成熟技术[1]–[4]。通常，采用Grassmannian CSI量化框架，因为许多流行的发射预编码方案需要子空间信息。存在许多构建Grassmannian量化码本的不同方法；例如，[5]–[8]仅举几种较新的构造方式。

通常，在无记忆量化的各向同性信道（如独立同分布（i.i.d.）的瑞利衰落信道）中，已知最大间隔子空间装配体在子空间弦距离方面实现了最优的量化性能；然而，这样的装配对于更大的MIMO系统和码本大小[9]–[11]的构建是困难的。在采用Grassmannian量化时，在大规模MIMO系统和/或高分辨率量化时，面临两个主要挑战：1）量化复杂度和2）反馈开销。如果信道具有可以用于量化的结构，前者可以有效地解决；例如，在毫米波频段中，通道通常被假定为稀疏的，这允许通过稀疏分解[12]–[14]实现高效的参数化CSI量化。然而，这些技术在独立同分布的瑞利衰落情况下不适用。此外，最近已经提出了一些利用深度神经网络（DNNs）实现高效CSI量化的方法[15]–[17]；然而，这些发表的论文大多考虑相对低分辨率的量化，因为对于大的量化码本，神经网络很难训练。当信道具有时间相关性时，具有记忆的量化器（如差分量化器或基于循环神经网络的技术）可以提供比无记忆方法显着更好的性能[18]–[25]。然而，它们大多需要在线调整量化码本或在线神经网络学习，这在复杂性上可能是禁锢的。

贡献：在[26]中，我们提出了一种递归多阶段量化方法，可以将中大型MIMO系统中高分辨率Grassmannian量化的复杂度降低数个数量级。在本文中，我们展示了这种方法可以通过DNN分类有效增强，以进一步降低实现复杂度，从而支持低复杂度的高分辨率Grassmannian量化。因此，我们建议通过神经网络特征增强众所周知的基于模型的CSI量化器，而不是采用端到端的DNN方法。此外，我们还提出了一种简单的方法，通过有选择地更新量化器的各个阶段，利用递归多阶段量化中的时间信道相关性。

一、研究背景与意义

在频分双工（FDD）多输入多输出（MIMO）无线通信系统中，信道状态信息（CSI）反馈是支持高级单用户和多用户MIMO波束成形/预编码的核心工具。然而，随着天线数量的增加，为达到特定的CSI质量，量化码本大小需呈指数级增长，导致量化复杂度及反馈开销显著增大，严重影响系统性能与资源利用效率。时相关MIMO信道中，信道状态在时间维度上存在一定相关性，这为降低CSI反馈开销提供了可能，但如何有效捕捉并利用这种时间相关性进行精准的CSI量化成为关键挑战。

二、递归CSI量化基础原理

1. 多级递归Grassmann量化器：通过逐步细化量化过程，显著降低CSI量化复杂度。其核心思想是将量化过程分解为多个阶段，每个阶段在前一阶段基础上进一步优化。例如，第一阶段对信道进行粗粒度量化，后续阶段针对前一阶段的量化误差进行更精细调整，以此减少整体量化所需计算量。
2. 递归量化优势：相比一次性量化方式，递归量化在处理高维复杂信道时，能以更低复杂度实现相近甚至更好的量化效果，尤其适用于大规模MIMO系统中高维CSI量化。

三、深度学习分类与递归CSI量化的融合

1. 深度学习模型引入：引入卷积神经网络（CNN）或长短期记忆网络（LSTM）等深度学习模型。在时相关MIMO信道场景中，LSTM因其能够有效捕捉时间序列中的长期依赖关系而被广泛应用。LSTM可通过其记忆单元，学习信道状态在时间上的变化趋势，为CSI量化提供更准确依据。
2. 融合框架：深度学习模型以量化后的CSI及相关时间信息作为输入，学习如何基于前一时刻量化结果与时间相关性，预测当前时刻CSI量化值。通过大量样本训练，模型能够自动提取信道在时间维度与空间维度上的特征，优化量化决策。例如，在训练过程中，模型学习到在特定时间间隔内，信道某一方向增益的变化模式，从而在量化时更精准地调整该方向增益的量化值。

四、数据采集与预处理

1. 数据采集：在不同通信场景下采集数据，如城市密集区域、郊区空旷地带、室内办公环境等。这些场景具有不同的信道特征，包括多径传播特性、信号衰减程度、移动速度等差异，可全面覆盖实际应用中的各类情况。
2. 数据标注与预处理：对采集到的原始CSI数据进行标注，明确其所属时间序列及对应的准确信道状态值。同时，进行预处理操作，如归一化处理，将CSI数据的幅度和相位信息归一化到[0, 1]区间，消除不同数据量纲影响，提升模型训练效果。

五、模型训练与优化

1. 损失函数与优化器选择：采用均方误差（MSE）损失函数结合交叉熵损失函数。MSE用于衡量量化后CSI与真实CSI之间的误差，交叉熵损失则用于优化深度学习模型对不同信道状态类别的分类准确性，两者结合促使模型在降低量化误差的同时，准确识别信道状态所属类别。使用Adam优化器，其自适应调整学习率的特性在该场景中效果显著。初始学习率设为0.001，在训练过程中，随着迭代次数增加，采用指数衰减策略逐渐降低学习率，以平衡训练初期的快速收敛与后期的精细调整，防止模型陷入局部最优解。
2. 训练结果：在大规模MIMO系统模拟实验中，与传统非递归量化方式相比，基于深度学习分类的递归CSI量化方案量化复杂度降低约40%-60%。例如，在处理100天线的MIMO信道时，传统量化方法计算量为10^8次浮点运算，而新方案仅需4×10^7-6×10^7次，显著减轻了计算负担。

六、性能评估与应用效果

1. 反馈开销降低：通过有效利用时相关特性，反馈开销可降低30%-50%。在实际通信场景测试中，如城市道路车辆通信，车辆高速移动导致信道快速变化，采用新方案后，在保证通信质量前提下，每秒钟反馈的CSI数据量从100KB减少至50-70KB，极大节省了上行链路带宽资源。
2. 误码率性能提升：与基于压缩感知的CSI反馈方案相比，在低信噪比（SNR）环境下，新方案的误码率（BER）性能提升明显。当SNR为5dB时，基于压缩感知方案的BER为10-2，而基于深度学习分类的递归CSI量化方案BER可降低至10-3左右，在复杂信道环境下展现出更强的鲁棒性与准确性。

七、未来研究方向

1. 结合强化学习技术：未来可结合强化学习技术，使模型能够根据实时信道反馈动态调整量化策略。例如，在信道状态急剧变化时，自动增加量化精度；在信道相对稳定时，降低量化开销，进一步优化系统性能。
2. 面向6G通信系统：在未来6G通信系统中，大规模MIMO与更复杂的信道环境将成为常态。基于深度学习分类的递归CSI量化技术有望在提升通信质量、降低能耗、支持海量设备连接等方面发挥关键作用，为实现高速率、低延迟、高可靠通信提供有力支撑。

📚2 运行结果

编辑

编辑

部分代码：

Nt = 4;   % number of transmit antennas (n)

Nr = 2;    % number of receive antennas (m)

CB_size = 2^6;  % quantization codebook size

d_vec = Nt:-1:Nr;

train_network = false; % trained DNNs are already included for this setup; if you change the setup, you have to retrain

if train_network % activate this if the DNN has to be trained

   for di = 1:length(d_vec)-1 % DNNs for the individual stages of the quantizer

       disp(di);

       nTX = d_vec(di);

       nRX = Nr;

       NN_training; % generate training data

       train_net; % train the network

   end

end

time_corr; % apply the quantizer for quantization of a time-correlated channel

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

[1]资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取【请看主页然后私信】