一种基于深度学习的物联网信道状态信息获取算法

廖勇，姚海梅，花远肖

（重庆大学通信与测控中心，重庆 400044）

摘  要：针对基于大规模多输入多输出（MIMO）的物联网系统中用户侧将信道状态信息（CSI）发送到基站时反馈开销大的问题，提出一种基于深度学习的CSI反馈网络用来反馈CSI。该网络首先使用卷积神经网络（CNN）提取信道特征矢量和最大池化层通过降维来达到压缩CSI的目的，然后使用全连接和CNN将压缩的CSI解压，恢复原始信道。仿真结果表明，与现有的CSI反馈方法相比，所提出的CSI反馈网络恢复的CSI更接近原始信道，重构质量明显提高。

关键词：大规模MIMO；物联网；CSI反馈；深度学习

中图分类号：TN929.5             

文献标识码：A

doi: 10.11959/j.issn.2096−3750.2019.00085

Channel stateinformation acquisition algorithm 
based on deep learning for IoT

LIAO Yong, YAO Haimei, HUA Yuanxiao

Center of Communicationand TT&C, Chongqing University, Chongqing 400044, China

Abstract: To solve the problem of highfeedback overhead when the user sends channel state information (CSI) to thebase station in massive multiple input multiple output (MIMO) based on Internet of thingssystem, a CSI feedback network based on deep learning was proposed to feedbackCSI. Firstly, the proposed network used convolutional neural network (CNN) toextract channel feature vectors and maxpooling to compress the data. Then thecompressed CSI was decompressed by using full connection and CNN to restore theoriginal channel. The simulation results show that compared with the existingCSI feedback methods, the CSI recovered by the proposed CSI feedback network iscloser to the original channel, and the reconstruction quality is improvedsignificantly.

Key words:massiveMIMO, Internet of things, CSI feedback, deep learning

1  引言

物联网（IoT，Internet of things）是新一代信息技术的重要组成部分，也是“信息化”时代的重要发展阶段。传统移动通信网络主要解决人与人的互联，而物联网解决的是万物互联^[1]。IoT技术将扮演至关重要的角色，因为IoT技术能够做到机器与机器（M2M，machine to machine）^[2]和机器与人的连接，可以极大地促进人类社会发展。目前，有很多技术可以用于IoT信息的传输，如蓝牙、无线局域网和红外线等常见的信息传输方式，IoT由于其极大的可扩展性和实用性正受到人们越来越多的关注。

作为5G的关键技术之一，大规模多输入多输出（MIMO，multiple input multiple output）技术正在逐渐变得成熟。该技术与传统MIMO技术相比，在物理特性和性能上存在显著优势，具有高频谱效率和高能量效率等优点。目前，欧洲多国和中国等都在大力发展基于LTE的IoT，随着5G的高速推进，大规模MIMO系统也应用于IoT的典型应用场景中，该系统利用基站（BS，base station）大量发射天线来有效支持多个IoT设备的传输，能够很好地提高系统的频谱效率和能量效率^[3-4]。

基于大规模MIMO的IoT具有很多优势，但也存在一些技术上的挑战。在基于大规模MIMO的IoT系统中，为了保证传输过程的服务质量（QoS，quality of service），发送端通常需要进行预编码、自适应编码等操作。然而，这些操作都需要发送端获得下行信道状态信息（CSI，channel state information），如果没有获得准确的下行CIS，IoT系统将不能对连接的IoT设备提供高QoS的通信服务。因此，发送端获得准确的下行CSI对整个系统的通信性能具有显著影响。

目前，国内外学者对发送端获取CSI的方法进行了大量研究，并提出了许多获取CSI的方法。文献[5]使用离散余弦变换（DCT，discrete cosine transform）矩阵作为稀疏矩阵，该方案从减少噪声的角度出发，针对性地研究了基于压缩感知（CS，compressed sensing）的CSI有限反馈方法。文献[6]和文献[7]提出适用于单天线、多用户场景的基于主成分分析（PCA，principal component analysis）降维的压缩反馈方法。文献[8]在PCA的基础上，通过自回归预测补偿反馈使BS获得CSI。虽然学者已提出很多CSI反馈方法，但这些方法的反馈精度不高，误差较大。

近年来深度学习发展迅速，在处理大数据方面表现出强大的能力，已有研究人员采用深度学习方法来实现CSI反馈。文献[9]提出基于深度学习的大规模MIMO的CSI反馈，利用全连接网络和残差网络（整个网络被命名为CsiNet）来实现CSI压缩和解压。文献[10]在文献[9]中CsiNet的基础上，增加了长短期记忆（LSTM，long short-term memory）网络（整个网络被命名为CsiNet-LSTM），对时变大规模MIMO信道进行CSI反馈。但是，目前尚没有研究人员将深度学习用于IoT信道场景的CSI反馈。

为此，本文针对频分双工（FDD，frequency division duplex）模式下基于大规模MIMO的IoT系统的CSI获取问题展开研究，考虑传统CSI反馈方法的反馈精度不高以及进一步研究深度学习在基于大规模MIMO的IoT系统中CSI获取的适用性，提出一种基于深度学习的CSI反馈算法，主要贡献如下。

本文提出一种创新的应用于大规模MIMO的IoT系统的基于深度学习的CSI反馈算法，该算法主要利用卷积神经网络（CNN，convolutional neural network）提取信道特征矢量，不同于文献[9]和文献[10]，该算法不是采用全连接网络降维，而是采用最大池化层（maxpooling）降维来压缩数据，通过池化可去掉一些无关紧要的数据，保留最重要的特征，留下最能表达数据特征的信息。与全连接层相比，池化网络不仅可以压缩数据，还可以减少待估计参数的数量。然后使用全连接网络和CNN将压缩的CSI解压，从而恢复原始信道。最后，对大规模MIMO的IoT系统中基于深度学习的CSI反馈方法和常用的CSI反馈方法的性能效果进行仿真比较。

2  系统模型

在面向IoT的大规模MIMO系统中，BS端可以部署几十根甚至上百根发射天线，用户或设备端（IoT智能终端、RFID及传感器节点等）只有一根接收天线。配置大量天线的BS同时服务于多个单天线设备，用户或设备之间信道的相关性会影响系统性能。本文主要研究单小区、多用户大规模MIMO的IoT系统中CSI的获取问题，基于大规模MIMO的IoT通信场景如图1所示。

图1  基于大规模MIMO的IoT通信场景

如图1所示，考虑有个用户的大规模MIMO系统，假设该系统BS端有根天线，每个IoT用户有一根天线，表示整个信道矩阵，其中，是BS和用户之间的复信道矢量。假定信道是准静态和平坦衰落的，使得矩阵被视为在几个时隙内不变，小于信道相干时间。因此，个用户所接收的信号可以表示为

其中，是一个时隙内所有个用户接收的信号矢量，是BS端发送的信号矢量，是均值为0、方差为1的加性高斯白噪声，是一个秩为K的单位矩阵。

考虑一个空间相关的瑞利信道，在大规模MIMO应用场景中，由于发射端和接收端的天线数较多、天线间距较小，因此天线之间存在一定相关性。根据Kronecker相关模型^[11]，信道矩阵可以表示为

其中，表示不相关的瑞利信道矩阵，是一个均值为0、方差为1的独立同分布（IID，independent and identically distributed）复高斯随机矢量。和分别表示接收和发送的相关矩阵。下面将重点阐述如何将接收端得到的CSI矩阵有效反馈到BS。

3  基于深度学习的CSI反馈

3.1  网络结构

针对大规模MIMO的IoT系统中CSI反馈开销大的问题，本文提出一种基于深度学习的CSI反馈方法，基于深度学习的CSI反馈网络结构如图2所示。该网络首先利用两个二维（2D，two dimension）CNN提取数据特征矢量，然后利用一个2D最大池化网络对原始数据降维，之后通过一个全连接网络对压缩数据增维，最后再通过一个2DCNN恢复原始CSI。

如图2所示，2D CNN主要用于提取原始信道特征值，使用两个2D CNN的目的是通过两层的2D CNN来更精确地提取数据特征矢量。通常一个2D CNN由多个卷积滤波器组成，每个卷积滤波器处理不同通道的数据，通过滑动窗口对数据进行卷积求和。设为卷积滤波器，其卷积核大小为，通过在待卷积数据上滑动滤波器，对个数据加权求和得到卷积输出，因此CNN的变换式为

其中，表示卷积运算，为偏置，为激活函数，为卷积后的输出。

2D最大池化网络主要用于对卷积后的特征矢量降维，通过一个池化窗口寻找滤波器输出结果之间的最大值，其变化表达式如式(4)所示。

其中，为池化层的输入，即上一次卷积后的输出，为池化后的输出。

相较于CNN，全连接神经网络输入每个元素都连接一个不同的权重，输出为所有输入元素的加权和。

3.2  反馈网络中的数据流

当发射天线数为根、用户数为个时，信道，研究发射天线数分别为32根和64根、用户数为8个、数据压缩率为1/4和1/8时，CSI反馈的过程。下面具体阐述基于深度学习实现CSI反馈的具体信号处理过程。

图3是本文所提出的基于深度学习的CSI反馈网络数据流，反馈网络主要分为压缩和解压两部分。具体而言，原始数据首先需要经过预处理。原始的CSI数据为复数，因此，将原始数据的实部和虚部提取出来作为一个新维度。为便于理解，主要介绍本文所提出的基于深度学习的CSI反馈网络结构及发射天线数分别为32根和64根、用户数为8个、数据压缩率为1/4时的网络数据流，数据压缩率为1/8与1/4的情况类似，只是在池化时，池化窗口设置大小不同，数据压缩率为1/8时池化窗口大小是压缩率为1/4的2倍。

在压缩部分，主要是对CSI进行压缩。压缩部分第一层是带有4个卷积核的卷积层，卷积核大小为3×3；压缩部分第二层是带有2个卷积核的卷积层，卷积核大小为3×3；压缩部分第三层是最大池化层，池化窗口大小为2×2（当数据压缩率为1/8时，池化窗口大小为4×2）；压缩部分第四层是重新排列层。卷积层中的激活函数都为ReLU函数，ReLU函数形式为。输入数据经过预处理后送入两个2D CNN，2D CNN的主要任务是进行数据特征矢量的提取和选择。与传统手动进行数据特征矢量提取和选择的机器算法不同，CNN能够自动从数据中进行特征矢量的提取和选择，以从输入数据中获得代表性矢量。之后通过一个2D最大池化层压缩待估计参数，池化后的数据维度为原来维度的1/4或1/8，最后将池化后的数据重新排列成一个一维矢量，数据压缩部分完成。

图2  基于深度学习的CSI反馈网络结构

图3  基于深度学习的CSI反馈网络数据流

在解压部分，主要是对压缩后的CSI进行重构。解压部分第一层是全连接层，该层激活函数为ReLU函数，神经元个数为512个或1 024个，其中512个神经元对应32根发射天线，1 024个神经元对应64根发射天线，该全连接层主要是把维度增到原始的大小；解压部分第二层是重新排列层，将全连接后的矢量重新排列成32×8或64×8形式，利于作为后面卷积层的输入；解压部分第三层是带有2个卷积核的卷积层，卷积核大小为3×3，其激活函数为Sigmoid函数，Sigmoid函数形式为；解压部分第三层是卷积层，为网络的最终输出，即得到了恢复的，也就是该卷积层完成了的最终重构。

反馈网络中的数据在执行卷积和全连接操作后都进行了批量归一化（BN，batchnormalization），以解决神经网络算法中的过拟合问题。

3.3  数据收集和模型训练

在历史研究中，学者提出许多信道模型，以便从信道统计角度更好地描述信道。利用面向不同通信应用场景的标准信道模型，训练数据可以通过仿真得到。在本文中，使用基于大规模MIMO的IoT单环MIMO信道模型^[12]中理想的下行CSI生成训练数据。

为了训练本文所提出的CSI反馈网络，使用端到端方式获取网络中的所有权重和偏置。训练数据中的训练集、校验集和测试集分别有30 000个、5 000个和5 000个样本。训练主要分为离线训练和在线预测两部分，即用离线训练好的模型进行CSI预测。设整个网络的变换公式和所有参数分别为和，因此本文所提出的CSI反馈网络恢复得到的CSI可以表示为。将初始学习率设为0.01，训练迭代数设为100，每个批次大小设为200，使用自适应矩估计（ADAM，adaptive moment estimation）算法更新网络的参数集。ADAM算法与传统采用固定学习率的梯度下降算法不同，它能够通过训练自适应地更新学习率，网络的损失函数为均方误差（MSE，mean squared error），因此，模型的预测损失为

其中，为监督数据，为训练样本集的总样本数。

通过最小化损失函数可以更新网络中的所有参数。本文所使用的训练设备配置为NVIDIA GeForce 9600 GT显卡，Intel® Core(TM) i7 860 2.80GHz处理器，离线训练模型时间大约为30min。

4  仿真结果

为了比较本文所提出的深度学习方法和传统的DCT^[5]方法、PCA^[6]方法在基于大规模MIMO的IoT系统中CSI压缩反馈方法的性能，结合Python和Matlab进行仿真与分析。假设在接收端已获得理想的下行CSI，仿真系统参数设置如表1所示。

表1                     仿真系统参数设置

4.1  归一化均方误差比较

比较了采用本文所提出的深度学习方法和传统的DCT方法、PCA方法，当数据压缩率分别为1/4和1/8、发射天线数分别为32根和64根、用户数为8个时，恢复的与原始的归一化均方误差，该NMSE采用对数形式表示，各种CSI反馈方法的NMSE对比如表2所示。

表2     各种CSI反馈方法的NMSE对比/dB

从表2可以看出，当数据压缩率为1/4时，不论BS侧发射天线数为32根还是64根，采用本文所提出的深度学习方法比传统的PCA方法和DCT方法恢复的CSI的NMSE小7 dB左右；当数据压缩率为1/8时，采用本文所提出的深度学习方法比传统的PCA方法和DCT方法恢复的CSI的NMSE小8 dB左右。表2表明，在不同数据压缩率下，本文所提出的基于深度学习的CSI反馈方法表现出优异的NMSE性能，该方法比传统方法能更准确地恢复CSI，重构CSI的质量明显提高。主要因为本文所提出的基于深度学习的网络不需要知道信道分布情况，能够通过利用训练样本来训练网络，该网络能很好地学习信道结构特点。因此，该网络在对压缩后的数据进行恢复时，恢复的CSI更接近原始数据。

4.2  反馈时间比较

本文对比了上述方法进行一次完整CSI反馈的平均运行时间，所提出的深度学习方法为在线反馈时间，各方法的平均反馈时间对比如表3所示。通过分析可知，无论BS侧发射天线数为32根还是64根，本文所提出的深度学习方法在平均时间上具有绝对优势。当发射天线数为32根时，本文所提出的深度学习方法比传统方法快了近13倍；当发射天线数为64根时，本文所提出的深度学习方法比传统方法快了近12倍。因为本文所提出的深度学习网络只需要几层简单的矩阵相乘，而DCT方法是先对信道向量进行DCT，然后对实部和虚部分别进行解压处理。PCA方法需要对主要成分进行运算，再用压缩矩阵对压缩的CSI进行解压。

表3             各方法的平均反馈时间对比

5  结束语

本文提出了一种基于深度学习的网络用于大规模MIMO的IoT系统中的CSI反馈，该网络通过离线训练和深度学习的非线性映射特性能够更好地学习信道结构特点。通过仿真，分析了所提算法在大规模MIMO的IoT系统中CSI反馈的性能表现。从仿真结果可以看出，本文所提出的方法不仅比传统的CSI反馈方法运行时间更少，而且具有更高的反馈精度，恢复的CSI质量明显提高。下一步将研究IoT通信场景中基于深度学习的信道估计的应用。

参考文献：

[1]    何海珊. 移动通信技术在物联网中的应用探讨[J]. 信息通信, 2017,5(173): 225-226.

       HE H S. Application ofmobile communication technology in Internet of things[J]. Information &Communications, 2017, 5(173): 225-226.

[2]    ADAME T, BEL A, BELLALTAB, et al. IEEE 802.11ah: the Wi-Fi approach for M2M communications[J]. IEEEWireless Communications, 2015, 21(6): 144-152.

[3]    LEE B M. Calibration forchannel reciprocity in industrial massive MIMO antenna systems[J]. IEEETransactions on Industrial Informatics, 2018, 14(1): 221-230.

[4]    DING G, GAO X, XUE Z, etal. Massive MIMO for distributed detection with transceiver impairments[J].IEEE Transactions on Vehicular Technology, 2018, 67(1): 604-617.

[5]    ZHANG Z, TEH K C, LI KH. Application of compressive sensing to limited feedback strategy inlarge-scale multiple-input single-output cellular networks[J]. IETCommunications, 2014, 8(6): 947-955.

[6]    GE A, ZHANG T, HU Z, etal. Principal component analysis based limited feedback scheme for massive MIMOsystems[C]//International Symposium on Personal, Indoor and Mobile Radio Communications.IEEE, 2016: 326-331.

[7]    GE A, ZHANG T, ZENG Z,et al. PCA based limited feedback scheme for massive MIMO with kalman filterenhancing performance[C]// IEEE/CIC International Conference on Communicationsin China (ICCC). IEEE, 2015: 1-6.

[8]    NAGASHIMA R, OHTSUKI T,JIANG W, et al. Channel prediction for massive MIMO with channel compressionbased on principal component analysis[C]//International Symposium on Personal,Indoor and Mobile Radio Communications. IEEE, 2016: 1-6.

[9]    WEN C K, SHIH W T, JINS. Deep learning for massive MIMO CSI feedback[J]. IEEE Wireless CommunicationsLetters, 2018, 7(5): 748-751.

[10]  WANG T, WEN C K, JIN S,et al. Deep learning-based CSI feedback approach for time-varying massive MIMOchannels[J]. IEEE Wireless Communications Letters, 2018: 1-4.

[11]  SIM M S, PARK J, CHAE C,et al. Compressed channel feedback for correlated massive MIMO systems[C]//2014IEEE Globecom 
Workshops (GC Wkshps). IEEE, 2014: 327-332.

[12]  TIAN R, LIANG Y, LI T.Overlapping user grouping in IoT oriented massive MIMO systems[C]//InternationalConference on Computing. IEEE, 2017: 255-259.

投稿邮箱：wlwxb@bjxintong.com.cn

     『物联网学报』办刊方针和业务范围为：刊载物联网及相关交叉学科研究领域具有创新性的基础理论、关键技术、研究热点及基础与应用研究成果的学术论文，充分展示我国研究成果，反映我国的前沿研究水平，为我国正在迅速发展的物联网科技创新与产业服务提供学术支持，促进我国物联网技术与应用领域的发展。

扫码关注物联网学报官方微信获取更多！