基于深度学习的IRS辅助MIMO通信系统的CSI压缩及恢复研究

基于深度学习的IRS辅助MIMO通信系统的CSI压缩及恢复研究

人工智能技术与咨询

来源：《无线通信 》 ，作者黄富铿等

关键词: 智能反射面；深度学习；信道状态信息反馈；

摘要: 智能反射面(IRS, Intelligent Reflecting Surface)因成本低、功耗低、可提升通信质量等优点被广泛研究。在采用正交频分复用作为多载波调制方案的IRS辅助频分双工多输入多输出(MIMO, Multiple input Multiple Output)通信系统中，为了提升系统的系统增益，用户端(UE, User Equipment)需要将多个信道的信道状态信息(CSI, Channel State Information)通过反馈链路发送至基站端(BS, Base Station)。因此，相比于传统的MIMO系统，该系统中CSI的数据量和反馈开销无疑将会是更加巨大的。针对此问题，本文提出了一种基于注意力机制的深度残差网络IARNet (Inception-Attention-Residual-Net)来对大数据量的CSI进行压缩重建。该网络在传统的Inception网络结构上结合了多卷积特征融合、混合注意力机制以及残差等子模块，这种混合结构可以有效地将大数据量的CSI进行压缩重建。仿真结果表明，与现有的2种深度学习网络相比，IARNet在基于热身法的模型训练方案加持下可以显著提高大数据量CSI的重建质量。

1. 引言

随着5G通信网络进入商业化阶段，为了获得更快和更可靠的数据传输，6G通信技术已经处于研究状态，其中智能反射面(IRS, Intelligent Reflecting Surface)技术因其成本低、易部署、功耗低、可提升通信质量等特点被应用到各种无线通信系统。IRS是一种有大量无源反射单元的表面，该表面的反射单元可以将入射信号进行被动反射，通过调整IRS的反射系数还可以进一步提高反射信号的传输质量。因为IRS十分轻巧，所以人们可以轻易地将其部署在建筑外墙、广告面板和楼顶等地方。在信号反射的过程中，由于IRS除了控制反射单元以外无需消耗额外能量的特点，因此IRS被业界广泛视作为一种绿色、环保以及有前景的技术。基于上述优点，IRS技术很好地契合了现阶段人们对6G的愿景，即智能、融合、绿色 [1] [2] [3] [4] [5]。

深度学习是一种通过构造深层网络自动地提取出数据内在特征和规律的人工智能技术。自从2012年Geoffrey Hinton等人使用深度学习技术并以绝对优势获得了ImageNet图像识别比赛的冠军以来，越来越多的研究者参与对深度学习的研究并取得了巨大进展。最近研究表明，深度学习技术不仅在图像识别领域有杰出表现，而且在自然语言处理和图像压缩等领域也取得了不俗的成绩 [6] - [18]。近年来有很多通信领域的研究者将深度学习技术应用在了通信相关领域，和传统的通信算法相比，深度学习在信道估计、信号检测和CSI (CSI, Channel State Information)反馈等方向上获取了更好的表现。

针对CSI反馈开销过大的问题，文献 [15] 首次提出了使用深度学习技术将CSI进行压缩再重建，并提出了名为CsiNet的深度学习网络。相比于传统压缩感知的方法，CsiNet有更好的重建质量和重建速度。文献 [16] 在CsiNet的基础上引入了Inception模块，提出了多分辨率体系结构的网络：CRNet。相比于CsiNet，CRNet可以在网络参数变化不大的情况下进一步提升重建的质量。文献 [17] 在CsiNet的基础上引入了Dense Block模块，提出了有极致残差模块的网络：DS-NLCsiNet。相比于CsiNet，DS-NLCsiNet进一步提高了重建质量和恢复精读。文献 [18] 在CsiNet基础上引入了量化模块，提出了QuanCsiNet。相比于CsiNet，QuanCsiNet可以进一步压缩反馈的CSI。此外文献 [18] 在训练深度学习网络的时候还使用了基于真实信道的数据集，这进一步表明了基于深度学习的CSI压缩反馈确实是有效的。

但是现有的网络和工作都是在压缩和重建数据量较小的CSI，数据量一般都不超过2048个32位浮点数。在IRS辅助的频分双工(FDD, Frequency Division Duplex)模式下的多输入多输出(MIMO, Multiple input Multiple Output)通信系统中采用正交频分复用(OFDM, Orthogonal Frequency Division Multiplexing)作为多载波的传输方案。该系统中下行链路反馈的CSI不仅包括基站端(BS, Base Station)到用户端(UE, User Equipment)的CSI，还需要包括BS到IRS的CSI以及IRS到UE的CSI，因此该系统的反馈开销将会是更加巨大的，同时使用深度学习将CSI进行压缩和重建的时候数据量也会大大增加。在本系统中压缩和重建的数据量超过了一般工作研究的4倍，达8704个32位浮点数。现有的网络在本系统中对数据量更大的CSI进行压缩重建的时候会出现重建质量低下的问题。因此需要针对数据量更大的CSI设计出一种新的深度学习网络来将CSI压缩和重建，以提升系统的重建质量。

本文针对IRS辅助的通信系统中反馈开销更加巨大的问题提出了一种新的深度学网络IARNet以及基于热身法的模型训练方案 [7]。IARNet在传统卷积神经网络基础上采用了多卷积特征融合、混合注意力机制以及残差等模块。通过仿真发现：与现有的深度学习网络相比，IARNet在基于热身法的模型训练方案加持下可以显著提高CSI重建质量，即使是在较低压缩比下IARNet仍能很好地将CSI恢复出来。本文的贡献总结如下：

1) 研究了在IRS辅助下的MIMO通信系统的CSI压缩及重建问题，并提出了相关系统模型。

2) 针对一般深度学习网络在大数据量CSI压缩重建过程中出现重建质量低下的问题，本文在传统卷积网络的基础上加入了多卷积特征融合、混合注意力机制以及残差等模块，提出了深度学习网络IARNet，实验表明，在基于热身法的模型训练方案加持下可以显著提高CSI重建质量。

3) 进一步研究了基于热身法的学习率调整策略与三种传统的学习率调整策略在1/8压缩比下对网络的性能影响，实验表明：相比于传统方法基于热身法的学习率调整策略可以进一步提高CSI的重建质量，重建质量至少