Lightweight Convolutional Neural Networks for CSI Feedback in Massive MIMO阅读笔记

Abstract

In frequency division duplex mode of massive multiple-input multiple-output systems，the downlink CSI必须通过反馈链路发送给基站。然而由于反馈链路的带宽限制，向基站发送CSI是昂贵的，在下行链路的通信中，实现高性能低复杂度的CSI feedback是一个挑战。由于过多参数和高计算复杂度，该网络不能有效的应用于移动端。因此提出一种新的轻量级CSI反馈网络。

1 Introduction

MIMO是5G的主要技术，即在同一时间-频率资源上使用数百个天线来服务数十个用户设备的通信系统。频分双工中，下行链路上的CSI Feedback是必要的。同时由于带宽限制，必须进行压缩传输，传统基于压缩感知的方法有缺点。难以选择合适的稀疏基，二，没有充分利用信道结构。三，迭代重建速度慢。

DL在无线通信得到广泛应用。

提出基于DL的CSI反馈轻量级网络。与ConvCsiNet相比，参数量和算法复杂度大大降低，而重构性能仅略有下降。

2 System Model

考虑单小区下行大规模MIMO系统（a single-cell downlink massive MIMO system with a BS and a UE）

BS端配置均匀线性天线阵列，发射天线数$N_t>>1$，UE是单个接收天线。第$n（N=1,2,...,N_c）$个子载波可以表示如下：

$$y_n=h_n^T{v}_n{x}_n+z_n$$

$h_n\in C^{N_t\times 1}$,$v_n\in C^{N_t\times 1}$,$x_n\in C$，$z_n\in C$

分别表示频域中的瞬时信道向量、预编码向量、下行链路中传输的数据符号、加性高斯白噪声。

此时CSI矩阵可以表示为$H=[h1,...,h_{N_c}{]}^T\in C^{N_c\times N_t}$，由于天线数量众多，对于一个完整的CSI矩阵，总共需要传输$N_t{N}_c$复数。这些数据占据大量反馈资源、不可取。使用2D离散傅里叶变换（2D-DFT）、CSI矩阵可以被转换为an angular-delay domain matrix，表示为$H^{\prime }=F_{d}H{F}_a$,其中$F_d\in C^{N_c\times N_c}$，$F_a\in C^{N_t\times N_t}$两个DFT矩阵。

$H^{\prime }$是稀疏的，大部分为0，只有前$N_C^{\prime }$有值，因为多径到达之间的时间延迟在有限的周期内。所以只保留前$N_c^{\prime }$行。并得到$H^{\prime \prime }\in C^{N_c^{\prime }\times N_t}$ ，参数已经减小到了$N=N_c^{\prime }{N}_t$。

为了方便处理，将$H^{\prime \prime }$分成实部和虚部两部分。并将这两部分叠加到第三个维度上，将处理后的信道矩阵归一化到(0,1)，整个过程如下图所示，CSI feeedback网络的输入是一个$2\times 32\times 32$的张量。

确切的反馈量由压缩比决定。例如在$1/32$的压缩率下，实际反馈数据是一个大小为$16\times 2\times 2$的张量。

下行链路CSI反馈的自动编码器网络，$H^{\prime \prime }$输入到编码器，根据压缩比将其压缩成codeword $s$，然后反馈给BS，解码器将$s$重构成$H^{\prime \prime }$。

3 Two Proposed DL-Based CSI Networks

A. CSI Feedback Neural Network Architecture Based on the Convolutional Autoencoder

CsiNet表现优于传统算法。单在CSI Feedback网络中使用全连接层的最大问题是，它只能用于指定的输入大小，即给定数量的发射天线和子载波。此外，该网络不能有效地保留2D图像信号地特征，意味着性能不能进一步提高。我们提出ConvCsiNet。使用卷积层而不是全连接层来提取特征，理论上，在这种架构下训练的网络可以提高重构性能，同时适应不同天线和子载波的输入大小。

包括encoder和decoder。encoder包括一个卷积层和四个编码卷积网络单元（ECN）。用于完成降维和进一步的特征提取。最后一个ECN单元中卷积层的信道数量由特定的压缩比来调整。每个卷积层后接BN和Leaky ReLU激活函数。编码器输出的M维码字$s$以特征图的形式呈现。

解码器部分包括四个反卷积网络单元（DN），两个RefineNet单元，一个卷积层。DN单元用于将码字$s$恢复到原始信道维度，完成重构。最后一个DN单元的卷积层生成一个双通道特征映射，即两个实数矩阵，作为原始CSI矩阵实部和虚部的初始估计。这些估计然后进入两个类似RefineNet单元。用于提高重建质量，由四个卷积层组成。RefineNet中的残差，将第一个卷积层的输出添加到最后一层。最后一个卷积层使用Sigmoid激活函数将输出元素归一化为$[0,1]$区间。剩余的卷积层后都接有BN层和Leaky ReLU激活函数。

B. CSI Feedback Neural Network Architecture Based on the Lightweight Structure

ConvCsiNet从理论上优化CSI反馈网络，以适应不同规模的CSI信息输入，但导致其复杂性较高。为适应移动端需求，提出ShuffleCsiNet。用轻量级结构代替平均池化和卷积层。

编码器位于用户端，比基站的计算和内存限制更多。因此，ShuffleCsiNet的解码器部分与ConvCsiNet相同。

编码器包括一个池化层，两个卷积层和三个shuffle network单元（SN）。使用SN来完成降维和进一步特征提取。

shuffle network的两个分支可以使用不同的感受野来学习输入信息的不同特征。通过concat叠加。然后通道shuffle。

4 Numerical Results and Analysis

基站使用$N_t=32$的均匀线性阵列天线。在正常情况下，CSI反馈网络的反馈采用4bit量化。压缩比为1/16，1/32。训练集75000，验证集12500，测试集12500样本。使用均方误差损失（MSE loss）的ADAM优化器进行训练。batch size为200，训练1000轮次，学习率为0.001，GPU为NVIDIA Tesla V100。

A CSI Reconstruction Performance of the Networks

The normalized MSE（NMSE）用于评估重建性能。

N M S E = E { ∣ ∣ H − H ^ ∣ ∣ 2 2 ∣ ∣ H ∣ ∣ 2 2 } NMSE=E\{\frac {||H-\hat H||^2_2} {||H||^2_2}\} NMSE=E{∣∣H∣∣22​∣∣H−H^∣∣22​​}

余弦相似度

ρ = E { 1 N c ∑ n = 1 N c ∣ h ^ n H h n ∣ ∣ ∣ h ^ n ∣ ∣ 2 ∣ ∣ h n ∣ ∣ 2 } \rho=E\{\frac 1 {N_c} \sum ^{N_c}_{n=1} \frac {|\hat h^H_n h_n|} {||\hat h_n||_2 ||h_n||_2}\} ρ=E{Nc​1​n=1∑Nc​​∣∣h^n​∣∣2​∣∣hn​∣∣2​∣h^nH​hn​∣​}

其中${\hat{h}}_n$是第n个子载波的重构信道向量

B Parameter Numbers and FLOPs of the Networks

C Advantage Verification of the Channel Shuffle Structure

D Application of ConvCsiNet on Datasets of Different Sizes

5 Conclusion