基于CQI辅助的深度学习CSI反馈方法及系统

本发明涉及智能移动通信，具体地，涉及基于cqi辅助的深度学习csi反馈方法及系统，更为具体地，涉及基于信道质量指示信息辅助与通信高效适配的深度学习csi反馈方法及系统。

背景技术：

1、随着第五代移动通信（5g）及未来第六代移动通信（6g）系统的发展，多输入多输出（multiple input multiple output，mimo）天线特别是大规模mimo（massive mimo）技术已成为提升系统频谱效率、传输容量以及链路可靠性的核心技术之一。在无线通信系统中，信道状态信息（channel state information，csi）用于表征无线传播环境的衰落特性和信道变化规律，其获取精度直接影响波束赋形、资源调度、链路自适应及多用户干扰抑制等关键功能的实现效果。

2、在频分双工（frequency division duplex，fdd）通信系统中，由于上下行链路工作在不同频段，无法直接利用信道互易性获取下行csi，因此通常需要由用户终端估计下行信道后反馈至基站。然而，在大规模mimo场景下，随着天线数量、子载波数量以及资源块规模不断增加，csi矩阵维度迅速扩大，传统反馈机制面临反馈开销过大、传输效率下降以及实时性受限等问题，成为限制fdd大规模mimo部署的重要技术瓶颈。

3、针对上述问题，传统方法主要包括压缩感知方法和码本量化方法。其中，压缩感知方法利用csi稀疏特性实现低维压缩表示，但通常依赖于理想稀疏假设，在复杂无线环境下重建精度有限且计算复杂度较高；码本量化方法通过预定义码字集合实现csi量化反馈，但随着系统规模增加，容易出现码本存储开销大、码字搜索复杂度高以及适应性不足等问题。

4、近年来，深度学习技术的发展为csi反馈问题提供了新的研究方向。基于自动编码器（autoencoder）的深度学习csi反馈框架将csi矩阵映射为低维特征表示，并通过神经网络完成压缩编码与信道重建，相较传统方法具备更强的非线性特征提取能力、更高的重建精度以及更好的泛化性能。然而，现有深度学习csi反馈方法通常仅以csi矩阵作为网络输入信息，忽略了无线系统中已有的辅助链路质量指标，例如信道质量指示（channelquality indicator，cqi）等侧信息。信道质量指示信息作为用户链路质量的重要表征参数，能够反映当前信道条件、调制编码适配能力及传输质量水平，其潜在信息价值尚未在现有深度学习csi反馈方案中得到充分利用。本发明提出基于cqi辅助的深度学习csi反馈方法及系统能有效融合信道质量指示辅助信息，提高csi反馈精度，并兼顾通信开销与模型部署效率。

技术实现思路

1、针对现有技术中的缺陷，本发明的目的是提供一种基于cqi辅助的深度学习csi反馈方法及系统。

2、根据本发明提供的一种基于cqi辅助的深度学习csi反馈方法，包括：

3、步骤s1：用户终端侧获取目标下行链路的原始csi矩阵以及与所述目标下行链路对应的cqi信息，其中，所述cqi信息通过无线通信系统的cqi反馈流程提供给基站侧；

4、步骤s2：用户终端侧通过深度学习编码器对原始csi矩阵进行编码压缩，得到压缩反馈码字，并将所述压缩反馈码字发送至基站侧；

5、步骤s3：基站侧通过译码器对所述压缩反馈码字进行译码重建得到csi中间特征，并利用cqi辅助重建模块基于所述信道质量指标cqi信息对所述csi中间特征进行动态调制增强，得到最终的重建csi数据；

6、步骤s4：基站侧根据所述重建csi数据触发执行下行链路的资源调度与波束赋形。

7、优选地，所述步骤s1包括：

8、步骤s1.1：用户终端侧基于下行导频信号完成信道估计，得到原始csi矩阵；

9、步骤s1.2：用户终端侧根据原始csi矩阵计算信噪比，生成对应的信道质量指标cqi信息。

10、优选地，所述步骤s3包括：基站侧通过译码器对所述压缩反馈码字进行译码重建，得到译码器输出特征；通过特征增强模块对所述译码器输出特征进行多尺度特征提取与融合，得到增强特征；通过cqi调制模块根据所述cqi信息生成尺度参数和偏置参数；根据所述尺度参数和偏置参数，对所述增强特征与所述译码器输出特征进行条件融合，得到重建csi数据；

11、

12、其中，为cqi自适应调制特征，为尺度参数，为特征增强模块输出的增强特征，为偏置参数，为csi数据经过基站侧译码器的输出，和是cqi信息通过cqi调制模块生成的，为逐元素乘法操作。

13、优选地，所述方法还包括场景适配更新步骤，包括：

14、基于多场景混合csi数据预训练得到通用基础模型，所述通用基础模型包含：深度学习编码器、译码器及cqi辅助重建模块；

15、面向目标部署场景进行适配时，固定所述深度学习编码器的参数保持不变；

16、采用目标场景的csi与cqi样本数据，仅对译码器及cqi辅助重建模块进行联合微调优化；

17、适配完成后，基站侧更新部署优化后的译码器与cqi辅助重建模块。

18、优选地，所述方法还包括：将归一化均方误差作为通用基础模型的性能评判标准；

19、

20、其中，表示期望，为基站侧还原的csi矩阵，为原始的csi矩阵。

21、根据本发明提供的一种基于cqi辅助的深度学习csi反馈系统，包括：

22、模块m1：用户终端侧获取目标下行链路的原始csi矩阵以及与所述目标下行链路对应的cqi信息，其中，所述cqi信息通过无线通信系统的cqi反馈流程提供给基站侧；

23、模块m2：用户终端侧通过深度学习编码器对原始csi矩阵进行编码压缩，得到压缩反馈码字，并将所述压缩反馈码字发送至基站侧；

24、模块m3：基站侧通过译码器对所述压缩反馈码字进行译码重建得到csi中间特征，并利用cqi辅助重建模块基于所述信道质量指标cqi信息对所述csi中间特征进行动态调制增强，得到最终的重建csi数据；

25、模块m4：基站侧根据所述重建csi数据触发执行下行链路的资源调度与波束赋形。

26、优选地，所述模块m1包括：

27、模块m1.1：用户终端侧基于下行导频信号完成信道估计，得到原始csi矩阵；

28、模块m1.2：用户终端侧根据原始csi矩阵计算信噪比，生成对应的信道质量指标cqi信息。

29、优选地，所述模块m3包括：基站侧通过译码器对所述压缩反馈码字进行译码重建，得到译码器输出特征；通过特征增强模块对所述译码器输出特征进行多尺度特征提取与融合，得到增强特征；通过cqi调制模块根据所述cqi信息生成尺度参数和偏置参数；根据所述尺度参数和偏置参数，对所述增强特征与所述译码器输出特征进行条件融合，得到重建csi数据；

30、

31、其中，为cqi自适应调制特征，为尺度参数，为特征增强模块输出的增强特征，为偏置参数，为csi数据经过基站侧译码器的输出，和是cqi信息通过cqi调制模块生成的，为逐元素乘法操作。

32、优选地，所述系统还包括场景适配更新步骤，包括：

33、基于多场景混合csi数据预训练得到通用基础模型，所述通用基础模型包含：深度学习编码器、译码器及cqi辅助重建模块；

34、面向目标部署场景进行适配时，固定所述深度学习编码器的参数保持不变；

35、采用目标场景的csi与cqi样本数据，仅对译码器及cqi辅助重建模块进行联合微调优化；

36、适配完成后，基站侧更新部署优化后的译码器与cqi辅助重建模块。

37、优选地，所述系统还包括：将归一化均方误差作为通用基础模型的性能评判标准；

38、

39、其中，表示期望，为基站侧还原的csi矩阵，为原始的csi矩阵。

40、与现有技术相比，本发明具有如下的有益效果：

41、1、本发明有效融合信道质量指示信息等辅助信息，提升对不同信道状态的自适应能力，并在提高csi反馈性能的同时降低反馈开销、兼顾通信效率；

42、2、本发明利用无线通信系统中天然存在的信道质量指示信息辅助深度学习csi反馈，在基站侧译码器后端引入cqi辅助重建模块，通过其包含的特征增强模块、cqi调制模块实现对csi特征的自适应增强，提高csi重构精度；

43、3、本发明提出编码器冻结策略，在模型跨场景适配过程中固定用户侧编码器，仅更新基站侧译码器及cqi辅助重建模块，从而避免编码器参数重复传输，降低模型部署与适配过程中的通信开销；

44、4、本发明采用译码器侧即插即用设计，可兼容不同深度学习csi反馈骨干网络，实现面向异构无线环境的高效、轻量化csi反馈部署方案。