信道状态信息反馈方法、电子设备和介质与流程

1.本发明涉及通信技术领域，具体提供一种信道状态信息反馈方法、电子设备和介质。


背景技术：

2.当今大规模无线通信系统面临着天线阵列扩增所带来的高维信道状态信息(csi)的传输挑战。随着6g系统天线数量增长，高维信道信息维数大幅扩增，需要先在发射端进行压缩再反馈，以减少传输开销，之后在接收端进行解压和重建，恢复原始的高维信道信息。信道状态信息体现信道特性，可以被看作是高维低秩的图像，信道状态信息压缩反馈重建的问题则可以被转化为高维低秩图像的压缩与重建问题。
3.相关技术中，发送端可将信道状态信息变换至某个基下的稀疏矩阵，利用压缩感知的方法对其进行随机压缩采样以获得低维度测量值，接收端可以借助压缩感知的理论，从该测量值中重建出原稀疏信道矩阵。
4.然而，基于压缩感知的方法主要存在三个挑战，第一、信道状态信息在任何的基底上实际上皆不完全稀疏，对于需要以稀疏矩阵为假设的压缩感知方法而言，结果并不甚理想。第二、压缩感知的压缩方式是使用随机投影，并没有充分利用信道所拥有的结果特征。第三、现有的压缩感知算法皆须经过多次迭代后才可重新还原出信道状态信息，以致造成系统计算复杂度上升，降低系统执行的时效。
5.因此，如何提高信道状态信息压缩反馈重建质量、效率，是本领域技术人员亟待解决的技术问题。


技术实现要素：

6.为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决信道状态信息压缩反馈重建质量较低、效率较低的技术问题的信道状态信息反馈方法、电子设备和介质。
7.在第一方面，本发明提供一种道状态信息反馈方法，应用于发送端，所述信道状态信息反馈方法包括：
8.将信道矩阵数据输入编码器中，得到所述信道矩阵数据对应的编码数据；
9.将所述编码数据经由反馈链路，发送给接收端，以便所述接收端利用解码。
10.进一步地，上述所述的信道状态信息反馈方法中，所述编码器包括依次相连的第一卷积块、多个并联的具有深度可分离卷积层的第二卷积块、特征融合层、多个串联的具有深度可分离卷积层的第三卷积块和第一全连接层；
11.将信道矩阵数据输入编码器中，得到所述信道矩阵数据对应的编码数据，包括：
12.将所述信道矩阵数据输入所述第一卷积块对进行特征提取，得到第一特征数据；
13.将所述第一特征数据分别输入每个所述第二卷积块进行特征提取，得到每个所述第二卷积块对应的第二特征数据；
14.将所有所述第二特征数据输入所述特征融合层进行特征融合，得到第三特征数
据；
15.将所述第三特征数据输入多个串联的具有深度可分离卷积层的第三卷积块进行特征提取，得到第四特征数据；
16.将所述第四特征数据输入所述第一全连接层进行编码，得到所述信道矩阵数据对应的编码数据。
17.进一步地，上述所述的信道状态信息反馈方法中，所述第二卷积块还包括普通卷积层、第一正则化层、第一激活函数层、第二正则化层、第二激活函数层和注意力机制层；
18.将所述第一特征数据分别输入每个所述第二卷积块进行提取，得到每个所述第二卷积块对应的第二特征数据，包括：
19.利用所述普通卷积层对所述第一特征数据进行通道变换，得到第一变换数据；
20.利用所述第一正则化层对所述第一变换数据进行归一化，得到第一正则化数据；
21.利用所述第一激活函数层对所述第一正则化数据进行非线性处理，得到第一非线性数据；
22.利用所述深度可分离卷积层对所述第一非线性数据进行特征提取，得到所述第五特征数据；
23.利用所述第二正则化层对所述第五特征数据进行归一化，得到第二正则化数据；
24.利用所述第二激活函数层对所述第二正则化数据进行非线性处理，得到第二非线性数据；
25.利用所述注意力机制层对所述第二非线性数据进行特征提取，得到第六特征数据；
26.将所述第六特征数据与所述第一特征数据进行融合，得到第二特征数据。
27.进一步地，上述所述的信道状态信息反馈方法中，所述第三卷积块还包括普通卷积层、第一正则化层、第一激活函数层、第二正则化层、第二激活函数层和注意力机制层。
28.进一步地，上述所述的信道状态信息反馈方法中，每个所述第二卷积块的卷积核尺寸不同。
29.在第二方面，本发明提供一种信道状态信息反馈方法，应用于接收端，所述信道状态信息反馈方法包括：
30.接收发送端发送的信道矩阵数据对应的编码数据；
31.将所述编码数据输入解码器中进行解码，将所述编码数据进行从新构建，得到所述信道矩阵数据。
32.进一步地，上述所述的信道状态信息反馈方法中，所述解码器包括依次相连的第二全连接层、第四卷积块和多个串联的具有深度可分离卷积层的第五卷积块；
33.将所述编码数据输入解码器中进行解码，将所述编码数据进行从新构建，得到所述信道矩阵数据，包括：
34.将所述编码数据输入所述第二全连接层进行解码，得到解码数据；
35.将所述解码数据输入所述第四卷积块进行特征提取，得到第七特征数据；
36.将所述第七特征数据输入多个串联的具有深度可分离卷积层的第五卷积块进行特征提取，得到信道矩阵数据。
37.在第三方面，提供一种信道状态信息反馈系统，包括发送端和接收端；
38.所述发送端应用根据如上任一项所述的信道状态信息反馈方法将所述编码数据发送给接收端；
39.所述接收端应用根据如上所述的信道状态信息反馈方法将所述编码数据进行从新构建，得到所述信道矩阵数据。
40.在第四方面，提供一种电子设备，包括处理器和存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行上述任一项所述的信道状态信息反馈方法。
41.在第五方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述任一项技术方案所述的智能家居设备的控制方法。
42.本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
43.在实施本发明的技术方案中，通过将信道矩阵数据输入编码器中，得到所述信道矩阵数据对应的编码数据；将所述编码数据经由反馈链路，发送给接收端，以便所述接收端利用解码器进行解码，将所述编码数据进行从新构建，得到所述信道矩阵数据，实现了用编码器取代传统压缩感知算法的随机测量，解码器取代传统迭代式重建算法，极大改善信道状态信息压缩反馈重建质量并获得数倍的算法速度提升。
附图说明
44.参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。此外，图中类似的数字用以表示类似的部件，其中：
45.图1是根据本发明的一个实施例的信道状态信息反馈方法的主要步骤流程示意图；
46.图2是本发明的编码器的网络架构模型示意图；
47.图3是本发明的一种深度可分离卷积层的网络架构模型示意图；
48.图4是第二卷几块的网络架构模型示意图；
49.图5是根据本发明的另一个实施例的信道状态信息反馈方法的主要步骤流程示意图；
50.图6是本发明的解码器的网络架构模型示意图；
51.图7是根据本发明的一个实施例的信道状态信息反馈系统的主要结构框图。
具体实施方式
52.下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
53.在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储
介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“a和/或b”表示所有可能的a与b的组合，比如只是a、只是b或者a和b。术语“至少一个a或b”或者“a和b中的至少一个”含义与“a和/或b”类似，可以包括只是a、只是b或者a和b。单数形式的术语“一个”、“这个”也可以包含复数形式。
54.通常情况下，在信道状态信息压缩反馈重建过程中，发送端可将信道状态信息变换至某个基下的稀疏矩阵，利用压缩感知的方法对其进行随机压缩采样以获得低维度测量值，接收端可以借助压缩感知的理论，从该测量值中重建出原稀疏信道矩阵。
55.然而，基于压缩感知的方法主要存在三个挑战，第一、信道状态信息在任何的基底上实际上皆不完全稀疏，对于需要以稀疏矩阵为假设的压缩感知方法而言，结果并不甚理想。第二、压缩感知的压缩方式是使用随机投影，并没有充分利用信道所拥有的结果特征。第三、现有的压缩感知算法皆须经过多次迭代后才可重新还原出信道状态信息，以致造成系统计算复杂度上升，降低系统执行的时效。
56.因此，为例解决上述技术问题，本发明提供了以下技术方案：
57.参阅附图1，图1是根据本发明的一个实施例的信道状态信息反馈方法的主要步骤流程示意图。该信道状态信息反馈方法可以应用于发送端。如图1所示，本发明实施例中的信道状态信息反馈方法主要包括下列步骤101-步骤102。
58.步骤101、将信道矩阵数据输入编码器中，得到所述信道矩阵数据对应的编码数据；
59.在一个具体实现过程中，可以利用卷积神经网络作为编码器，卷积神经网络可以通过加强相邻层神经元之间的局部连接模式来利用空间局部相关性，信道矩阵的实部和虚部作为它的输入，然后利用编码器对信道矩阵数据编码为一个低维度的编码数据。
60.通常情况下，大多编码器包括一层普通卷积层和一层全连接层。普通卷积层使用尺寸为3
×
3的内核来生成两个特征图。在普通卷积层之后，我们将特征图重塑成一个向量，并使用一个全连接层来生成码字s，这是一个大小为m
×
1的向量。
61.然而，普通卷积层的卷积核是针对图片的所有通道设计的。那么，每要求增加检测图片的一个属性，卷积核就要增加一个。所以一个普通卷积层的完整卷积核格式应该为(输入通道数x卷积核高x卷积核宽)；卷积参数的总数＝属性的总数x卷积核的大小。这样，对于普通卷积层而言，其参数量比较大。另外，该编码器中单一的普通卷积层只能适用于单一场景的信道信息，对于多场景信道信息适应能力较差。
62.因此，为了降低编码器整体的参数量，提高编码器的多场景信道信息适应能力，本实施例提供了一种编码器。图2是本发明的编码器的网络架构模型示意图。如图2所示，本实施例的编码器可以包括依次相连的第一卷积块21、多个并联的具有深度可分离卷积层224的第二卷积块22、特征融合层23、多个串联的具有深度可分离卷积层224的第三卷积块24和第一全连接层25。
63.具体的，步骤101的具体实现过程如下：
64.(1)将所述信道矩阵数据输入所述第一卷积块21对进行特征提取，得到第一特征数据；
65.在一个具体实现过程中，第一卷积块21的卷积核尺寸可以为3
×
3，并利用第一卷积块21对信道矩阵数据进行特征提取，得到第一特征数据。
66.(2)将所述第一特征数据分别输入每个所述第二卷积块22进行提取，得到每个所述第二卷积块22对应的第二特征数据；
67.在一个具体实现过程中，每个所述第二卷积块22的卷积核尺寸不同，图2中以3个第二卷积块22为例，第一个第二卷积块22的卷积核尺寸可以为7
×
7，第二个第二卷积块22的卷积核尺寸可以为5
×
5，第三个第二卷积块22的卷积核尺寸可以为3
×
3，这样，在将所述第一特征数据分别输入每个所述第二卷积块22进行特征提取时，可以提取出每个所述第二卷积块22对应的不同感受野下的第二特征数据。
68.需要说明的是，由于每个第二卷积层具有深度可分离卷积层224，其相对于普通卷积层221而言，能够明显降低参数量，并可以减小编码器的大小。
69.具体地，与普通卷积层221相比，深度可分离卷积层224的计算如下：
70.设输入特征维度为df×df
×
m，m为通道数，df为输入特征的尺寸，m为输入的通道数。设深度可分离卷积层224的卷积核大小为dk，n为输出的通道数，g为分组数。当分组数量等于输入map数量，输出map数量也等于输入map数量，即m＝n＝g，n个卷积核每个尺寸为dk×dk
×
1时，分组卷积就成了深度卷积。然后再利用逐点卷积将各组卷积用conv1x1拼接起来。图3是本发明的一种深度可分离卷积层的网络架构模型示意图。如图3所示，输入特征维度经过深度卷积后，再经由逐点卷积将各组卷积用conv1x1拼接起来后进行输出。
71.深度可分离卷积层224包括深度卷积 逐点卷积。计算如下：
72.深度卷积：设输入特征维度为df×df
×
m，m为通道数。卷积核的参数为dk×dk
×1×
m。输出深度卷积后的特征维度为：df×df
×
m。卷积时每个通道只对应一个卷积核(扫描深度为1)，所以浮点运算数flops为：m
×df
×df
×dk
×dk
。
73.逐点卷积：输入为深度卷积后的特征，维度为df×df
×
m。卷积核参数为1
×1×m×
n。输出维度为df×df
×
n。卷积过程中对每个特征做1
×
1的标准卷积，flops为：n
×df
×df
×
m。
74.将上面两个卷积核参数相加得到的深度可分离卷积参数量为：df×df
×
m m
×
n。
75.所以深度可分离卷积参数量是标准卷积的df×df
×
m m
×
n/(dk×dk
×m×
n)＝1/n 1/(dk×dk
)。由该公式可以得出，深度可分离卷积比普通卷积的参数量小。
76.在一个具体实现过程中，可以借鉴resnet的shortcut思路构造第二卷积块22的网络结果，以防止模型梯度的消失。图4是第二卷几块的网络架构模型示意图。如图4所示，所述第二卷积块22还可以包括普通卷积层221、第一正则化层222、第一激活函数层223、第二正则化层225、第二激活函数层226和注意力机制层227。
77.在一个具体实现过程中，第二卷积块22对所述第一特征数据进行提取，得到每个所述第二卷积块22对应的第二特征数据的过程包括如下步骤：
78.a1、利用所述普通卷积层221对所述第一特征数据进行通道变换，得到第一变换数据；
79.b1、利用所述第一正则化层222对所述第一变换数据进行归一化，得到第一正则化数据；
80.在一个具体实现过程中，第一正则化层222可以采用batchnorm，以防止模型过拟合、增强模型的鲁棒性。
81.c1、利用所述第一激活函数层223对所述第一正则化数据进行非线性处理，得到第
一非线性数据；
82.在一个具体实现过程中，第一激活函数层223可以采用gelu，增加数据的非线性。
83.d1、利用所述深度可分离卷积层224对所述第一非线性数据进行特征提取，得到所述第五特征数据；
84.e1、利用所述第二正则化层225对所述第五特征数据进行归一化，得到第二正则化数据；
85.在一个具体实现过程中，第二正则化层225也可以采用batchnorm，以防止模型过拟合、增强模型的鲁棒性。
86.f1、利用所述第二激活函数层226对所述第二正则化数据进行非线性处理，得到第二非线性数据；
87.在一个具体实现过程中，第二激活函数层226也可以采用gelu，增加数据的非线性。
88.g1、利用所述注意力机制层227对所述第二非线性数据进行特征提取，得到第六特征数据；
89.在一个具体实现过程中，注意力机制层227可以采用se注意力机制，以便使有效的特征图权重大，无效或效果小的特征图权重小的方式训练模型达到更好的结果。
90.h1、将所述第六特征数据与所述第一特征数据进行融合，得到第二特征数据。
91.在一个具体实现过程中，将所述第六特征数据与所述第一特征数据进行融合，得到第二特征数据，这样可以得到表征全局特征的第二特征数据，这样则得到了更加丰富的特征数据。
92.(3)将所有所述第二特征数据输入所述特征融合层23进行特征融合，得到第三特征数据；
93.在一个具体实现过程中为了提高网络的表征能力，进而提高精度，可以利用特征融合层23将不同感受野下的第二特征数据进行特征融合，得到第三特征数据，这样可以得到表征全局特征的第三特征数据，这样则得到了更加丰富的特征数据。
94.(4)将所述第三特征数据输入多个串联的具有深度可分离卷积层224的第三卷积块24进行特征提取，得到第四特征数据；
95.在一个具体实现过程中，可以将所述第三特征数据输入多个串联的具有深度可分离卷积层224的第三卷积块24进行特征提取，得到第四特征数据，从而提取更底层的特征。
96.需要说明的是，网络越深越能提取深层的特征，但是太深了会带计算的困难，这时候就要在深度上做个平衡，本实施例中，可以设置为3个第三卷积块24。
97.在一个具体实现过程中，所述第三卷积块24的网络结构与第二卷几块的网络结构可以一致，第三卷积块24也可以包括普通卷积层221、第一正则化层222、第一激活函数层223、第二正则化层225、第二激活函数层226和注意力机制层227。
98.在一个具体实现过程中，每个第三卷积块24对输入数据进行特征提取的过程一致，下面以首个第三卷积块24对所述第三特征数据进行提取，得到对应的当前特征数据的过程为例进行说明。
99.首个第三卷积块24对所述第三特征数据进行提取，得到对应的当前特征数据的过程包括如下步骤：
100.a2、利用所述普通卷积层221对所述第三特征数据进行通道变换，得到第三变换数据；
101.b2、利用所述第一正则化层222对所述第三变换数据进行归一化，得到第三正则化数据；
102.在一个具体实现过程中，第一正则化层222可以采用batchnorm，以防止模型过拟合、增强模型的鲁棒性。
103.c2、利用所述第一激活函数层223对所述第三正则化数据进行非线性处理，得到第三非线性数据；
104.在一个具体实现过程中，第一激活函数层223可以采用gelu，增加数据的非线性。
105.d2、利用所述深度可分离卷积层224对所述第三非线性数据进行特征提取，得到所述第八特征数据；
106.e2、利用所述第二正则化层225对所述第五特征数据进行归一化，得到第四正则化数据；
107.在一个具体实现过程中，第二正则化层225也可以采用batchnorm，以防止模型过拟合、增强模型的鲁棒性。
108.f2、利用所述第二激活函数层226对所述第四正则化数据进行非线性处理，得到第四非线性数据；
109.在一个具体实现过程中，第二激活函数层226也可以采用gelu，增加数据的非线性。
110.g2、利用所述注意力机制层227对所述第四非线性数据进行特征提取，得到第九特征数据；
111.在一个具体实现过程中，注意力机制层227可以采用se注意力机制，以便使有效的特征图权重大，无效或效果小的特征图权重小的方式训练模型达到更好的结果。
112.h2、将所述第九特征数据与所述第三特征数据进行融合，得到当前特征数据作为第二个第三卷积块24的输入数据。
113.(5)将所述第四特征数据输入所述第一全连接层25进行编码，得到所述信道矩阵数据对应的编码数据。
114.步骤102、将所述编码数据经由反馈链路，发送给接收端，以便所述接收端利用解码器进行解码，将所述编码数据进行从新构建，得到所述信道矩阵数据。
115.在一个具体实现过程中，也可以利用卷积神经网络作为编码器，接收端利用解码器进行解码，将所述编码数据进行从新构建，得到所述信道矩阵数据。
116.具体地，参阅附图5，图5是根据本发明的另一个实施例的信道状态信息反馈方法的主要步骤流程示意图。该信道状态信息反馈方法可以应用于接收端。如图5所示，本发明实施例中的信道状态信息反馈方法主要包括下列步骤501-步骤502。
117.步骤501、接收发送端发送的信道矩阵数据对应的编码数据；
118.步骤502、将所述编码数据输入解码器中进行解码，将所述编码数据进行从新构建，得到所述信道矩阵数据。
119.通常情况下，解码器包括译码器包含一个全连接层，两个refinenet单元和一个普通卷积层，refinenet单元包含一个输入层和三个普通卷积层，以及一条将输入层数据加到
最后一层的路径。
120.解码器中的普通卷积层同样存在参数量较大的问题，因此，为了降低解码器整体的参数量，本实施例提供了一种解码器。图6是本发明的解码器的网络架构模型示意图。如图6所示，本实施例的解码器可以包括依次相连的第二全连接层61、第四卷积块62和多个串联的具有深度可分离卷积层224的第五卷积块63。
121.解码器对编码数据进行解码，将所述编码数据进行从新构建，得到所述信道矩阵数据的过程具体可以包括如下步骤：
122.(11)、将所述编码数据输入所述第二全连接层61进行解码，得到解码数据；
123.(12)、将所述解码数据输入所述第四卷积块62进行特征提取，得到第七特征数据；
124.(13)、将所述第七特征数据输入多个串联的具有深度可分离卷积层224的第五卷积块63进行特征提取，得到信道矩阵数据。
125.在一个具体实现过程中，所述第五卷积块63的网络结构与第二卷几块的网络结构可以一致，第五卷积块63也可以包括普通卷积层221、第一正则化层222、第一激活函数层223、第二正则化层225、第二激活函数层226和注意力机制层227。
126.在一个具体实现过程中，每个第五卷积块63对输入数据进行特征提取的过程与第二卷几块以及第三卷几块的提取过程类似，详细可以参考第二卷几块以及第三卷几块进行特征提取的过程，再次不再赘述。
127.本实施例的信道状态信息反馈方法，通过将信道矩阵数据输入编码器中，得到所述信道矩阵数据对应的编码数据；将所述编码数据经由反馈链路，发送给接收端，以便所述接收端利用解码器进行解码，将所述编码数据进行从新构建，得到所述信道矩阵数据，实现了用编码器取代传统压缩感知算法的随机测量，解码器取代传统迭代式重建算法，极大改善信道状态信息压缩反馈重建质量并获得数倍的算法速度提升。
128.进一步地，解码器采用第一卷积块21、多个并联的具有深度可分离卷积层224的第二卷积块22、特征融合层23、多个串联的具有深度可分离卷积层224的第三卷积块24和第一全连接层25的结构，能够针对不同场景下的信道状态信息进行不同感受野特征的提取与融合，且第二卷积块22和第三卷积块24均具有深度可分离卷积层224，相对于具有普通卷积层221的编码器而言，其参数量更小，体积更小，运算能力更高。同样，解码器也采用了具有深度可分离卷积层224的第五卷积块63，其相对于具有普通卷积层221的解码器而言，参数量更小，体积更小，运算能力更高。
129.需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时(并行)执行或以其他顺序执行，这些变化都在本发明的保护范围之内。
130.进一步，本发明还提供了一种信道状态信息反馈系统。
131.参阅附图7，图7是根据本发明的一个实施例的信道状态信息反馈系统的主要结构框图。如图7所示，本发明实施例中的信道状态信息反馈系统可以包括发送端71和接收端72。
132.所述发送端71应用上述实施例中的信道状态信息反馈方法将所述编码数据发送给接收端；
133.所述接收端72应用上述实施例中的信道状态信息反馈方法将所述编码数据进行从新构建，得到所述信道矩阵数据。
134.上述信道状态信息反馈系统以用于执行上述实施例的信道状态信息反馈方法实施例，两者的技术原理、所解决的技术问题及产生的技术效果相似，本技术领域技术人员可以清楚地了解到，为了描述的方便和简洁，信道状态信息反馈系统的接收端和发送端的具体工作过程及有关说明，可以参考信道状态信息反馈方法的实施例所描述的内容，此处不再赘述。
135.本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
136.进一步，本发明还提供了一种电子设备。在根据本发明的一个电子设备实施例中，该电子设备包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的信道状态信息反馈方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的信道状态信息反馈方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该电子可以是包括各种电子器件形成的控制设备。
137.进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的信道状态信息反馈方法的程序，该程序可以由处理器加载并运行以实现上述信道状态信息反馈方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
138.进一步，应该理解的是，由于各个模块的设定仅仅是为了说明本发明的装置的功能单元，这些模块对应的物理器件可以是处理器本身，或者处理器中软件的一部分，硬件的一部分，或者软件和硬件结合的一部分。因此，图中的各个模块的数量仅仅是示意性的。
139.本领域技术人员能够理解的是，可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理，因此，拆分或合并之后的技术方案都将落入本发明的保护范围内。
140.至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些
更改或替换之后的技术方案都将落入本发明的保护范围之内。