基于自注意力机制的大规模MIMO信道状态信息特征向量反馈方法

doi:10.11959/j.issn.1000-0801.2023247

电信科学 ›› 2023, Vol. 39 ›› Issue (11): 128-136.doi: 10.11959/j.issn.1000-0801.2023247

• 研究与开发 • 上一篇

基于自注意力机制的大规模MIMO信道状态信息特征向量反馈方法

杨蓓¹, 梁鑫¹^,², 尹航¹, 蒋峥¹, 佘小明¹

¹ 中国电信股份有限公司研究院，北京 102209
² 北京邮电大学，北京 100876

修回日期:2023-11-09 出版日期:2023-11-01 发布日期:2023-11-01
作者简介:杨蓓（1988- ），女，中国电信股份有限公司研究院高级工程师，主要研究方向为5G/6G无线AI与国际标准化
梁鑫（1997- ），男，北京邮电大学博士生，主要研究方向为物理层无线通信、深度学习等
尹航（1994- ），男，中国电信股份有限公司研究院工程师，主要研究方向为5G/6G超大规模天线技术、覆盖增强等物理层关键技术
蒋峥（1972- ），男，博士，中国电信股份有限公司研究院正高级工程师，主要研究方向为无线网络架构、非公共网络、大规模天线等
佘小明（1977- ），男，博士，中国电信股份有限公司研究院正高级工程师，主要研究方向为5G/6G无线技术与标准化

Self-attention mechanism-based CSI eigenvector feedback for massive MIMO

Bei YANG¹, Xin LIANG¹^,², Hang YIN¹, Zheng JIANG¹, Xiaoming SHE¹

¹ Research Institute of China Telecom CO., Ltd., Beijing 102209, China
² Beijing University of Posts and Telecommunications, Beijing 100876, China

Revised:2023-11-09 Online:2023-11-01 Published:2023-11-01

摘要/Abstract

摘要：

大规模多输入多输出（MIMO）系统可以为5G和未来无线通信系统提供令人满意的频谱效率的增益。在频分双工（FDD）模式下，需要将下行信道状态信息（CSI）的特征向量精确地反馈到基站侧以获得这种增益。为了提升下行 CSI 特征向量的反馈精度，提出了一种基于自注意力机制的 CSI 反馈方法 SA-CsiNet。SA-CsiNet通过分别在编、解码器部署自注意力模块实现CSI的特征提取和重构。仿真实验结果表明，相较于码本和传统的深度学习CSI反馈方案而言，SA-CsiNet能够提供更高的CSI重建精度。

关键词: 信道反馈, 大规模MIMO, 自注意力机制, 深度学习

Abstract:

Massive multiple-input multiple-output (MIMO) system can provide satisfying gain of spectrum efficiency for 5G and future wireless communication systems.In frequency-division duplex (FDD) mode, downlink channel state information (CSI) needs to be accurately fed back to the base station side to obtain this gain.To improve the feedback accuracy of downlink CSI eigenvector, a self-attention mechanism-based CSI feedback method named SA-CsiNet was proposed.SA-CsiNet respectively deployed self-attention modules at the encoder and the decoder to achieve feature extraction and reconstruction of CSI.Experimental results show that compared with codebook-based and conventional deep learning-based CSI feedback approaches, SA-CsiNet provides higher reconstruction accuracy of CSI.

Key words: channel feedback, massive MIMO, self-attention mechanism, deep learning

中图分类号:

TN929.5

杨蓓, 梁鑫, 尹航, 蒋峥, 佘小明. 基于自注意力机制的大规模MIMO信道状态信息特征向量反馈方法[J]. 电信科学, 2023, 39(11): 128-136.

Bei YANG, Xin LIANG, Hang YIN, Zheng JIANG, Xiaoming SHE. Self-attention mechanism-based CSI eigenvector feedback for massive MIMO[J]. Telecommunications Science, 2023, 39(11): 128-136.

图/表 6

图1

图2

表1

表2

表3

表4

参考文献 21

[1]	骆胜军, 张申科 . 5G大规模天线技术发展及创新方向[J]. 电信科学, 2020,36(11): 141-148.
	LUO S J , ZHANG S K . 5G large-scale array antenna technology development and innovation direction[J]. Telecommunications Science, 2020,36(11): 141-148.
[2]	王正强, 杨晓娜, 万晓榆 ,等. 大规模 MIMO 系统能效优化算法研究综述[J]. 重庆邮电大学学报(自然科学版), 2019,31(6): 743-752.
	WANG Z Q , YANG X N , WAN X Y ,et al. Energy efficiency optimization algorithm in massive MIMO systems:a survey[J]. Journal of Chongqing University of Posts and Telecommunications (Natural Science Edition), 2019,31(6): 743-752.
[3]	张冬雪, 杜洁汝, 何世彪 ,等. 面向大规模 MIMO 系统的下行预编码技术研究进展[J]. 电讯技术, 2023,63(2): 291-299.
	ZHANG D X , DU J R , HE S B ,et al. Research progress of downlink precoding techniques for massive MIMO systems[J]. Telecommunication Engineering, 2023,63(2): 291-299.
[4]	陈成瑞, 程港, 何世彪 ,等. 基于人工智能的大规模 MIMO信道状态信息反馈综述[J]. 电讯技术, 2021,61(9): 1181-1190.
	CHEN C R , CHENG G , HE S B ,et al. Survey of massive MIMO channel state information feedback based on artificial intelligence[J]. Telecommunication Engineering, 2021,61(9): 1181-1190.
[5]	ETSI. 5G; NR; Physical layer procedures for data (V16.1.0,Release 16):TS 38.214[S]. 2020.
[6]	毛攀, 黄小光, 汪伟 ,等. 基于压缩感知的大规模 MIMO 信道估计与反馈[J]. 电信科学, 2018,34(12): 46-52.
	MAO P , HUANG X G , WANG W ,et al. Massive MIMO channel estimation and feedback based on compressed sensing[J]. Telecommunications Science, 2018,34(12): 46-52.
[7]	黄秋萍, 刘晓峰, 高秋彬 ,等. 基于人工智能的大规模天线信道状态信息反馈研究[J]. 电信科学, 2022,38(3): 74-83.
	HUANG Q P , LIU X F , GAO Q B ,et al. Study of channel state information feedback based on artificial intelligence[J]. Telecommunications Science, 2022,38(3): 74-83.
[8]	Qualcomm. New SI:study on artificial intelligence (AI)/machine learning (ML) for NR air interface:RP-213599[R]. 2021.
[9]	WEN C K , SHIH W T , JIN S . Deep learning for massive MIMO CSI feedback[J]. IEEE Wireless Communications Letters, 2018,7(5): 748-751.
[10]	LU Z L , WANG J T , SONG J . Multi-resolution CSI feedback with deep learning in massive MIMO system[C]// Proceedings of ICC 2020 - 2020 IEEE International Conference on Communications (ICC). Piscataway:IEEE Press, 2020: 1-6.
[11]	WANG T , WEN C K , JIN S ,et al. Deep learning-based CSI feedback approach for time-varying massive MIMO channels[J]. IEEE Wireless Communications Letters, 2018,8(2): 416-419.
[12]	GUO J , YANG X , WEN C K ,et al. DL-based CSI feedback and cooperative recovery in massive MIMO[J]. arXiv preprint arXiv:2003.03303, 2020.
[13]	CHEN T , GUO J J , JIN S ,et al. A novel quantization method for deep learning-based massive MIMO CSI feedback[C]// Proceedings of 2019 IEEE Global Conference on Signal and Information Processing (GlobalSIP). Piscataway:IEEE Press, 2019: 1-5.
[14]	CHANG H , LIANG X , LI H ,et al. Deep learning-based bitstream error correction for CSI feedback[J]. IEEE Wireless Communications Letters, 2021,10(12): 2828-2832.
[15]	VASWANI A , SHAZEER N , PARMAR N ,et al. Attention is all you need[C]// Proceedings of the 31st International Conference on Neural Information Processing Systems. New York:ACM Press, 2017: 6000-6010.
[16]	GUO J , WEN C K , JIN S ,et al. Convolutional neural network-based multiple-rate compressive sensing for massive MIMO CSI feedback:design,simulation,and analysis[J]. IEEE Transactions on Wireless Communications, 2020,19(4): 2827-2840.
[17]	KINGMA D P , BA J . Adam:a method for stochastic optimization[J]. arXiv preprint arXiv:1412.6980, 2014.
[18]	SHLEZINGER N , ELDAR Y C . Deep task-based quantization[J]. Entropy, 2021,23(1): 104.
[19]	GUO J , LI X , CHEN M ,et al. AI enabled wireless communications with real channel measurements:channel feedback[J]. Journal of Communications and Information Networks, 2020,5(3): 310-317.
[20]	LIU W , TIAN W , XIAO H ,et al. EVCsiNet:eigenvector-based CSI feedback under 3GPP link-level channels[J]. IEEE Wireless Communications Letters, 2021,10(12): 2688-2692.
[21]	ETSI. 5G; NR; Multiplexing and channel coding (V16.1.0;Release 16):3GPP TS 38.212[S]. 2020.

参数	设定
场景	密集城区
中心频率	4.0 GHz
用户分布范围	200 m
带宽	10 MHz
子载波间隔	15 kHz
RB数	48
子带数	12
子带颗粒度	4 RB
天线配置	32根发送天线，4根接收天线，均匀线性阵列
信道模型	满足3GPP TS 38.901
Rank数	1
信道估计	具有理想信道估计

方法	反馈开销/bit	余弦相似度（ρ）
Enhanced Type II码本	49	0.793
EVCsiNet	48	0.741
CRNet	48	0.744
SA-CsiNet	48	0.946
Enhanced Type II码本	71	0.829
EVCsiNet	60	0.749
CRNet	60	0.754
SA-CsiNet	60	0.949
Enhanced Type II码本	130	0.882
EVCsiNet	120	0.792
CRNet	120	0.799
SA-CsiNet	120	0.959
Enhanced Type II码本	250	0.914
EVCsiNet	240	0.835
CRNet	240	0.854
SA-CsiNet	240	0.968

反馈开销(O=M×B)/bit	方法	M	B	余弦相似度（ρ）
48	EVCsiNet	24	2	0.741
		16	3	0.719
	CRNet	24	2	0.744
		16	3	0.728
	SA-CsiNet	24	2	0.946
		16	3	0.950
60	EVCsiNet	30	2	0.749
		20	3	0.727
	CRNet	30	2	0.754
		20	3	0.734
	SA-CsiNet	30	2	0.949
		20	3	0.954
120	EVCsiNet	60	2	0.792
		40	3	0.758
	CRNet	60	2	0.799
		40	3	0.769
	SA-CsiNet	60	2	0.959
		40	3	0.961
240	EVCsiNet	120	2	0.835
		80	3	0.817
	CRNet	120	2	0.854
		80	3	0.823
	SA-CsiNet	120	2	0.968
		80	3	0.970

方法	M	参数数量	运行时间/s
EVCsiNet	24	41 848	0.000 384
CRNet		43 000	0.000 950
SA-CsiNet		21 431 960	0.000 939
EVCsiNet	30	51 070	0.000 403
CRNet		52 222	0.001 022
SA-CsiNet		21 441 182	0.000 989
EVCsiNet	60	97 180	0.000 410
CRNet		98 332	0.000 983
SA-CsiNet		21 487 292	0.001 007
EVCsiNet	120	189 400	0.000 425
CRNet		190 552	0.000 834
SA-CsiNet		21 579 512	0.000 908

基于自注意力机制的大规模MIMO信道状态信息特征向量反馈方法

Self-attention mechanism-based CSI eigenvector feedback for massive MIMO

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 21

相关文章 15

Metrics

推荐阅读 0

[1]	张剑, 程俊华, 龚菡洁, 李红, 牛凯. 基于云边协同的高可用厨房卫生监控系统[J]. 电信科学, 2023, 39(Z1): 62-70.
[2]	孙蕊蕊, 韩瑜, 金石, 王珏. 低复杂度超大规模MIMO无线传输设计研究[J]. 电信科学, 2023, 39(9): 87-96.
[3]	祝谷乔, 姜超, 徐煜烨. 超分辨率重建技术及其在智能终端上的应用[J]. 电信科学, 2023, 39(7): 156-165.
[4]	叶振, 王国相, 宋俊锋, 刘昊坤, 黎天送. 一种基于深度可分离卷积的VVC帧内编码快速块划分算法[J]. 电信科学, 2023, 39(7): 99-108.
[5]	卢敏, 胡娟, 张先超, 丁伟健, 乐光学. 基于用户多特征融合的个性化推荐模型[J]. 电信科学, 2023, 39(5): 101-115.
[6]	胡博, 王安定, 魏贵义. 基于修正牛顿法的大规模MIMO低复杂度混合预编码算法[J]. 电信科学, 2023, 39(11): 80-95.
[7]	胡炜晨, 许聪源, 詹勇, 陈广辉, 刘思情, 王志强, 王晓琳. 一种适用于小样本条件的网络入侵检测方法[J]. 电信科学, 2023, 39(10): 85-100.
[8]	王晖, 邰其心, 刘镠, 王鸿, 宋荣方. 基于GSIC的上行链路毫米波大规模MIMO-NOMA系统低功耗传输方法[J]. 电信科学, 2023, 39(1): 51-59.
[9]	马稼明, 潘路平, 张琰琳. 基于Transformer的互联网暗链检测方法[J]. 电信科学, 2022, 38(Z2): 241-247.
[10]	诸葛斌, 尹正虎, 斯文学, 颜蕾, 董黎刚, 蒋献. 基于学生知识追踪的多指标习题推荐算法[J]. 电信科学, 2022, 38(9): 129-143.
[11]	曹海燕, 汪忠亮, 徐好, 陈千鸿, 许方敏. 基于混合精度ADC量化的大规模MIMO系统能效联合优化算法[J]. 电信科学, 2022, 38(8): 65-74.
[12]	邓丹昊, 王朝炜, 江帆, 王卫东. 无人机辅助无蜂窝大规模MIMO中的空地协同调度[J]. 电信科学, 2022, 38(8): 37-44.
[13]	周杰, Esono Mikue Bernardo Esono, 王学英, 周惠婷, 罗宏. 基于SLM-PTS算法融合的NC-OFDM峰均比优化[J]. 电信科学, 2022, 38(7): 63-74.
[14]	申情, 郭文宾, 楼俊钢, 余强国. 考虑多层次潜在特征的个性化推荐模型[J]. 电信科学, 2022, 38(2): 71-83.
[15]	李攀攀, 谢正霞, 乐光学, 刘鑫. 基于深度学习的无线通信接收方法研究进展与趋势[J]. 电信科学, 2022, 38(2): 1-17.