許佳龍 /XU Jialong，陳為/CHEN Wei，艾渤/AI Bo

（ 北京交通大學，中國 北京100044 ）

為服務于全息通信和元宇宙等具有海量通信吞吐需求的新興智能應用，6G通信系統(tǒng)應具備超大帶寬和超高頻譜效率[1?4]。隨著毫米波以上頻段的使用，無線通信的可用帶寬進一步增加。然而，在毫米波和太赫茲頻率下，傳播損耗將變得更加嚴重，這會導致更高的通信功耗或更小的小區(qū)覆蓋半徑。為提高通信頻譜效率，多輸入多輸出（MIMO）技術和大規(guī)模MIMO技術已經(jīng)成為4G和5G的關鍵技術。超大規(guī)模MIMO亦有望成為6G的關鍵技術[5]。

典型的大規(guī)模MIMO場景為具有大量天線的基站同時服務多個用戶設備。為了充分利用MIMO 系統(tǒng)的多天線優(yōu)勢，基站側(cè)需要掌握瞬時下行信道狀態(tài)信息（CSI）。在時分雙工模式下，基站通過用戶發(fā)送的導頻信號估計上行CSI，并利用信道互易性推斷出下行CSI。在頻分雙工模式下，由于上下行鏈路工作在不同的頻率上，不再滿足信道互易性，因此需要通過三步交互來獲取下行CSI：首先基站向用戶發(fā)送導頻信號，然后用戶根據(jù)導頻信號估計下行CSI，最后用戶將估計的下行CSI 反饋給基站。然而，這種CSI 反饋機制不可避免地占用了部分通信上行資源，擠占了原本可用于數(shù)據(jù)傳輸?shù)纳闲匈Y源塊。

為了減少反饋開銷，5G 采用基于碼本的方法，使用反饋碼本索引的方式代替反饋下行CSI 的全信息的方式[6]。然而，隨著對通信吞吐量需求的持續(xù)提升，天線數(shù)量不斷增加，碼本空間急劇擴大，反饋開銷急速提升。通過利用信道特性對下行CSI進行壓縮是解決這一問題的關鍵。由于信道在變換域的近似稀疏特性，基于壓縮感知的方法可對稀疏的信道表示進行壓縮，以減少反饋開銷[7]。然而，在實際場景下，信道在變換域并不能滿足嚴格稀疏的條件，降低了壓縮感知方法的性能。此外，現(xiàn)有基于壓縮感知的重建算法中的迭代過程通常非常耗時，難以在計算受限或嚴苛的時延要求場景下應用。

近年來，隨著深度學習技術在計算機視覺和自然語言處理的卓越表現(xiàn)，深度學習被引入對CSI 信息的壓縮中[8-10]。這些工作被視為基于分離源信道編碼方案的通信系統(tǒng)的信源編碼模塊。該方案通常假設信道編碼模塊和調(diào)制模塊能夠保證完美傳輸，即可以根據(jù)反饋信道質(zhì)量自適應調(diào)整調(diào)制編碼方式，成功傳輸所有的反饋碼字。然而，基于分離信源信道編碼的CSI反饋有如下缺點：首先，理論上，在有限碼長下分離信源信道編碼方案已被證明不如聯(lián)合源信道編碼方案[11]。其次，分離信源信道編碼方案在真實無線場景中具有“懸崖效應”[12]。如果實際反饋信道條件比預期的信道條件差，并且超出所采用的信道編碼方案的能力，則CSI的重建質(zhì)量會急劇下降。在這種情況下，基站無法使用恢復的CSI進行后續(xù)處理。然而，在實際信道條件變得比預期信道條件更差的情況下，聯(lián)合信源信道編碼方案也能提供平穩(wěn)的性能下降，這使得恢復的CSI對于基站的后續(xù)執(zhí)行過程仍然有價值。最后，混合自動請求重傳技術盡管可以補償由信道條件不匹配引起的信道譯碼錯誤，但增加了額外的反饋開銷，并為CSI反饋任務帶來了延遲問題。因此，有必要研究基于深度聯(lián)合信源信道編碼的CSI反饋方案，以減少上行反饋資源占用，解決當前CSI反饋任務中的潛在問題。

1 CSI反饋方案設計

1.1 CSI反饋系統(tǒng)模型

本文考慮頻分雙工模式下的大規(guī)模多天線正交頻分復用（OFDM）系統(tǒng)。其中，基站側(cè)部署Nt根天線，用戶側(cè)部署單天線，上行鏈路和下行鏈路均使用Nc個子載波。假設完美的上行CSI 和下行CSI 可以分別在基站側(cè)和用戶側(cè)通過基于導頻的訓練獲得?；谏疃嚷?lián)合信源信道編碼的CSI反饋網(wǎng)絡設計如圖1 所示。下行CSI 和上行CSI 分別表示為Hd∈CNc×Nt、Hu∈CNc×Nt。位于用戶側(cè)的深度聯(lián)合信源信道編碼器將下行CSI信息Hd和已知的上行鏈路的信噪比信息μ編碼為復向量s：

▲圖1 基于深度聯(lián)合信源信道編碼的信道狀態(tài)信息反饋系統(tǒng)

其中，φ 表示深度聯(lián)合信源信道編碼器的參數(shù)集。復向量s =[s1,s2,…,sk]T被OFDM 映射模塊映射至k 個子載波上，其中，si是承載在第i 個子載波上的符號。假設一個子載波上的一個符號的平均功率為P，對編碼向量s 進行功率歸一化，即，以滿足用戶側(cè)的發(fā)射功率約束。

基站接收到的第i個子載波上的反饋信號可表示為：

其中，復向量yi∈CNt表示在基站側(cè)Nt根天線第i個子載波上接收到的符號，復向量∈CNt表示在第i 個子載波上的上行信道，復向量zi∈CNt為噪聲向量。噪聲向量zi的分布為CN(0,σ2I) ，其中，σ2表示噪聲功率。

在基站側(cè)天線接收到si的多個帶噪聲的副本后，執(zhí)行最大比合并算法以獲取在基站側(cè)恢復的s?i。該過程可表示為：

其中，合并向量wi為。隨后，各子載波上的接收符號合并為復向量。這里，復向量?表示基站側(cè)對信道輸入復向量s的重構(gòu)。隨后，基站側(cè)使用深度聯(lián)合信源信道譯碼器將復向量s?和信噪比信息μ映射為恢復的CSI信息：

其中，?表示深度聯(lián)合信源信道譯碼器的參數(shù)集。

基于深度聯(lián)合信源信道編碼的CSI反饋，通過在確定的信道帶寬k 下最小化空間頻率域的CSI 失真，來優(yōu)化參數(shù)集Θ ={φ,?}。

其中，Θ*表示最優(yōu)參數(shù)集，p(μ)表示信噪比的概率分布函數(shù)，表示在空間頻率域的第i個訓練集的樣本，表示基站側(cè)在空間頻率域重構(gòu)的第i 個訓練集的樣本，T 表示訓練數(shù)據(jù)集的大小。

1.2 CSI反饋網(wǎng)絡

基于深度聯(lián)合信源信道編碼的CSI反饋網(wǎng)絡如圖2所示，分為深度聯(lián)合信源信道編碼網(wǎng)絡和深度聯(lián)合信源信道譯碼網(wǎng)絡。在用戶側(cè)，現(xiàn)有CSI 壓縮反饋使用截斷的2D-DFT 變換可初步減小CSI的反饋量。受此啟發(fā)，深度聯(lián)合信源信道編碼網(wǎng)絡首先使用3層卷積網(wǎng)絡對原始的空頻域CSI進行降維，之后基于文獻[9]提出的網(wǎng)絡，使用卷積層和全連接層對降維后的CSI信息進行特征提取。壓縮后的2k維實數(shù)向量兩兩結(jié)合，重組為k維復向量，在進行功率歸一化約束后，承載至OFDM子載波進行發(fā)射。在基站側(cè)，深度聯(lián)合信源信道譯碼網(wǎng)絡從恢復的復向量中提取實部和虛部，并將其重組為實數(shù)向量，之后依次輸入至全連接層、卷積層和殘差塊中，以恢復降維后的CSI 信息；隨后，使用3 層轉(zhuǎn)置卷積網(wǎng)絡對降維后的CSI 信息進行非線性變換，恢復原始的空頻域CSI 信息。由于傳統(tǒng)的神經(jīng)網(wǎng)絡無法針對不同的信道條件進行動態(tài)調(diào)整，本文使用文獻[13]中提出的即插即用的注意力特征（AF）模塊為深度聯(lián)合信源信道編碼網(wǎng)絡提供信道自適應功能。文獻[14]對基于深度聯(lián)合信源信道編碼的CSI 反饋網(wǎng)絡的設計原則進行了詳細的介紹。

▲圖2 基于深度聯(lián)合信源信道編碼的信道狀態(tài)信息反饋網(wǎng)絡

1.3 評估指標

現(xiàn)有CSI 反饋任務通常首選歸一化均方誤差（NMSE）對CSI反饋精度進行評估。然而，在實際通信系統(tǒng)中，基站在接收到CSI的反饋信息后通常會做進一步處理，以適配后續(xù)通信任務，如預編碼任務。因此，對CSI反饋任務性能的評估應當更加關注后續(xù)任務的執(zhí)行性能。為此，本文選取余弦相似度指標進行評估：

2 實驗與結(jié)果分析

2.1 實驗環(huán)境與數(shù)據(jù)集

本文使用TensorFlow 及其高階API Keras 進行下述實驗。根據(jù)第3 代合作伙伴計劃（3GPP）的TR 38.901[15]，上行鏈路CSI和下行鏈路CSI可由QuaDRiGa[16]生成。本文創(chuàng)建了一個開放的室內(nèi)場景，其中下行鏈路的中心頻率為5.2 GHz，上行鏈路的中心頻率為5.4 GHz。在開放室內(nèi)場景中，信道包含20個簇，每個簇包含15條子徑?；疚挥谝粋€20 m×20 m 大小的正方形區(qū)域中心。具有半波長天線空間的均勻線性陣列部署在基站側(cè)?；緜?cè)的天線數(shù)量為Nt= 32，用戶側(cè)的天線數(shù)量為Nr= 1?；緜?cè)和用戶側(cè)均使用全向天線。基站的高度為3 m，用戶的高度為1.5 m。上行鏈路和下行鏈路均使用Nc= 256個子載波。CSI 的訓練集、驗證集和測試集分別包含100 000、30 000、20 000個樣本對。一個樣本對包含一個下行鏈路CSI 的樣本和一個上行鏈路CSI 的樣本。

2.2 對比實驗方案

本文采用分離信源信道編碼方案作為對比方案。具體而言，我們使用文獻[9]提出的CSINet+作為信源編碼并使用5G上行控制信息（UCI）傳輸作為信道編碼的方案。UCI 的調(diào)制方案包括二進制相移鍵控（BPSK）、4 符號正交幅度調(diào)制（4 QAM）、16 QAM、64 QAM 和256 QAM。為與本文所提的深度聯(lián)合信源信道編碼網(wǎng)絡進行公平的比較，分離信源信道編碼方案需要調(diào)整信源編碼碼率、信道編碼碼率及調(diào)制方式，以匹配反饋帶寬。

2.3 仿真結(jié)果分析

對于本文提出的基于深度聯(lián)合信源信道編碼的CSI反饋方法，在訓練階段，批大小被設置為200。Adam 優(yōu)化器首先以10?3的學習率初始化。當損失函數(shù)在20 個周期內(nèi)均未下降時，學習率將衰減為原來的一半。學習率的下限設置為10?4。為了使網(wǎng)絡收斂，網(wǎng)絡的訓練周期被設置為500。

圖3比較了在反饋帶寬k = 16時，基于深度聯(lián)合信源信道編碼的CSI 反饋和基于分離編碼的CSI 反饋的余弦相似度性能。其中，分離編碼_16、分離編碼_32 分別表示使用CSINet+編碼網(wǎng)絡的輸出維度分別為16和32時分離編碼的性能。當SNRtest∈[?10,10] dB時，深度聯(lián)合編碼的性能比分離編碼_16 的性能高出0.03～0.07；當SNRtest∈[?7,10] dB 時，比分離編碼_32 的性能高出0.03～0.2，如圖4 所示。因此深度聯(lián)合編碼的性能優(yōu)勢在低信噪比下更加顯著。

▲圖3 在反饋帶寬k = 16時，基于深度聯(lián)合信源信道編碼的信道狀態(tài)信息（CSI）反饋和基于分離編碼的CSI反饋性能對比

▲圖4 在反饋帶寬k = 32時，基于深度聯(lián)合信源信道編碼的信道狀態(tài)信息（CSI）反饋和基于分離編碼的CSI反饋性能對比

圖4比較了在反饋帶寬k = 32時，基于深度聯(lián)合信源信道編碼的CSI 反饋和基于分離編碼的CSI 反饋的余弦相似度性能。當SNRtest∈[?10,10] dB時，深度聯(lián)合編碼的性能比分離編碼_32 的性能高出0.035～0.058；當SNRtest∈[?7,10] dB時，比分離編碼_64 的性能高出0.044～0.091。當反饋帶寬從k = 16增長到k = 32時，深度聯(lián)合編碼的性能仍然優(yōu)于分離編碼的性能。

上述實驗假設深度聯(lián)合編碼的發(fā)送端可以發(fā)送任何復數(shù)值。然而，現(xiàn)有的移動通信系統(tǒng)使用數(shù)字調(diào)制方式進行發(fā)射，其發(fā)射值為固定的離散星座點。本實驗將使用近似量化的方法，將深度聯(lián)合編碼器編碼后的復數(shù)符號映射至距離最近的離散星座點后，再進行發(fā)射，以使深度聯(lián)合編碼方法與現(xiàn)有移動通信系統(tǒng)兼容。圖5分別展示了在反饋帶寬k = 32 的條件下將深度聯(lián)合編碼方法分別量化為64 QAM、256 QAM 和1 024 QAM 時的性能?？梢钥吹?，隨著可量化星座點數(shù)量的不斷減少，深度聯(lián)合編碼的性能不斷下降。例如，在SNRtest∈[?10,10] dB時，量化為1 024 QAM的深度聯(lián)合編碼的性能比未使用星座點量化的深度聯(lián)合編碼的性能低約0.008；量化為256 QAM 的深度聯(lián)合編碼的性能與量化為1 024 QAM 的深度聯(lián)合編碼的性能近似；量化為64 QAM的深度聯(lián)合編碼的性能則比量化為256 QAM的深度聯(lián)合編碼的性能低約0.005。即便深度聯(lián)合編碼使用量化星座點發(fā)射帶來了一定程度的性能損失，然而，量化等級最低的深度聯(lián)合編碼_64 QAM 的性能仍然優(yōu)于分離編碼的性能。需要說明的是，本實驗僅使用了最基本的量化方法，若能夠?qū)⑿亲c量化過程考慮到訓練過程中，或者針對量化星座點的位置進行專門的設計，量化后的性能損失可進一步降低。

▲圖5 在反饋帶寬k = 32時，基于深度聯(lián)合信源信道編碼的信道狀態(tài)信息（CSI）反饋的數(shù)字星座點性能對比

3 結(jié)束語

本文提出了一種基于深度聯(lián)合信源信道編碼的CSI反饋方法。該方法使用非線性變換網(wǎng)絡對原始CSI信息進行初步降維后，使用深度學習網(wǎng)絡對CSI信息進行特征提取，并使用注意力特征模塊實現(xiàn)了對信道的自適應功能。不同于現(xiàn)有方法使用CSI 恢復精度作為性能評估指標，針對CSI 反饋的后續(xù)預編碼任務，本文使用余弦相似度指標對基站側(cè)使用CSI反饋進行預編碼的性能進行了評估。相比于分離信源信道編碼方法，本文提出的深度聯(lián)合信源信道編碼方法能夠有效提升任務性能。此外，為使所提出的方法有效兼容現(xiàn)有移動通信系統(tǒng)，本文使用近似量化將編碼后的復數(shù)符號映射至距離最近的數(shù)字星座點。實驗結(jié)果顯示，量化后的深度聯(lián)合信源信道編碼方法雖然會導致一定程度的性能下降，但其性能仍然遠優(yōu)于基于分離信源信道編碼的CSI反饋性能。