TWI669921B - 基於深度學習作為通道狀態資訊之回饋方法 - Google Patents
基於深度學習作為通道狀態資訊之回饋方法 Download PDFInfo
- Publication number
- TWI669921B TWI669921B TW107113743A TW107113743A TWI669921B TW I669921 B TWI669921 B TW I669921B TW 107113743 A TW107113743 A TW 107113743A TW 107113743 A TW107113743 A TW 107113743A TW I669921 B TWI669921 B TW I669921B
- Authority
- TW
- Taiwan
- Prior art keywords
- matrix
- layer
- part matrix
- state information
- channel state
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 137
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000007670 refining Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 15
- 238000013144 data compression Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000006837 decompression Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 4
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Radio Transmission System (AREA)
Abstract
一種基於深度學習作為通道狀態資訊之回饋方法，係可降低重建通道狀態資訊時的複雜度，用以解決習知技術效能不佳的問題。係包含：於一接收端以一編碼訓練模型將一通道狀態資訊拆分成一實部矩陣及一虛部矩陣，以產生一編碼字，該通道狀態資訊的矩陣大小為，表示為採用的OFDM系統原有的子載波數量，且
Description
本發明係關於一種通道狀態資訊之回饋方法，尤其是一種基於深度學習降低系統時間複雜度，以作為通道狀態資訊之回饋方法。
近年來，隨著個人通訊需求的迅速發展及多媒體訊息交流之急遽增加，但相對能使用的頻譜卻十分有限，使得頻譜成為珍貴的資源，因此，多輸入多輸出(Multiple-Input Multiple-Output,MIMO)技術備受重視，作為無線通信領域的關鍵技術之一，其具備了波束成形(Beamforming)能力、分集(Diversity)增益能力及多工(Multiplexing)增益能力，係可於傳送端與接收端同時使用多個天線及相關通訊信號處理技術，故可在不增加頻寬的情況下提供空間自由度，達到有效地提升無線系統之系統容量及頻譜效率。
按，多輸入多輸出技術大致上係可使用時分雙工(Time-Division Duplexing,TDD)或者頻分雙工(Frequency-Division Duplexing,FDD)二種雙工方式，其中，無線通訊的雙工(Duplex)技術係指傳送端與接收端之間利用通道存取(Channel Access)的方式實現雙向通信，使二通訊裝置之間能夠互相傳送資料的方法。此外，由多輸入多輸出技術所延伸的大規模多輸入多輸出(Massive MIMO)技術，係能夠更大幅度地提升系統容量及頻譜效率，以支援更大數量的用戶數，故被普遍認
為是第五代無線通信系統的主要技術，其中，鑒於時分雙工技術的通道互惠性係依賴於複雜的校準過程，且現有系統大量地使用頻分雙工技術，例如現有大部分的手機系統都是採用頻分雙工技術，使得大規模頻分雙工多輸入多輸出(FDD Massive MIMO)系統是現在多輸入多輸出技術的重要發展方向。
然而，對於現有的大規模頻分雙工多輸入多輸出系統而言，在下行鏈路時，當一接收端的使用者設備(User Equipment,UE)需要反饋一通道狀態資訊(Channel State Information,CSI)給一傳送端所屬的基地台(Base Station,BS)時，係先將該通道狀態資訊簡化以使通道(Channel)結構呈現出稀疏的特性後，運用壓縮感知(Compressive Sensing,CS)的方式將該通道狀態資訊的訊號壓縮，並於該傳送端經過多次疊代後才可重新還原出該通道狀態資訊。由於，習知運用壓縮感知方式需要經過多次疊代才能重新還原該通道狀態資訊，因此造成系統時間複雜度上升並進而降低系統效能。
有鑑於此，習知的通道狀態資訊之回饋方法確實仍有加以改善之必要。
為解決上述問題，本發明的目的是提供一種基於深度學習作為通道狀態資訊之回饋方法，係可利用深度學習降低系統時間複雜度，以將該通道狀態資訊重建者。
本發明的基於深度學習作為通道狀態資訊之回饋方法，係包含下列步驟：於一接收端以一編碼訓練模型將一通道狀態資訊拆分成一實部矩陣及一虛部矩陣，以產生一編碼字，該通道狀態資訊的矩陣大小為xNt，表示為採用的OFDM系統原有的子載波數量，且≧1，Nt表示為該傳送端的基地台發射天線數量，且Nt≧1；該接收端將該編碼字反饋
至一傳送端；該傳送端取得該編碼字，且以一解碼訓練模型將該編碼字轉變回該實部矩陣及該虛部矩陣；及以該解碼訓練模型將於該傳送端的實部矩陣及虛部矩陣轉變回該通道狀態資訊。
據此，本發明的基於深度學習作為通道狀態資訊之回饋方法，能夠在傳送通道狀態資訊時，利用深度學習將該通道狀態資訊大幅壓縮，並以極低的複雜度將該通道狀態資訊重建，以提高該通道狀態資訊的獲取效率，如此，係可適用於大規模多輸入多輸出技術，以充分發揮其優勢。
其中，該編碼訓練模型的卷積神經網路包含至少一第一層及一第二層，該第一層具有二通道，且分別提供於該接收端的實部矩陣及該虛部矩陣以矩陣大小為KxK的核進行卷積運算，並執行線性整流函數以生成二特徵圖譜，該第二層由該二特徵圖譜中取得矩陣大小為Nx1的反饋參數，並將該反饋參數轉換成一M維向量的編碼字，該通道狀態資訊的一數據壓縮比，其中，K≧3，N=NcxNtx2，N表示為該特徵圖譜的長度、
寬度及數量的乘積，Nc表示為由OFDM系統取得的子載波數量，且≧Nc≧1。如此，相較於習知壓縮感知的方式無法充分利用通道狀態資訊中所擁有的特徵值，本發明可以由該通道狀態資訊中取得作為該編碼字的特徵值，係具有提升編碼字的可識別性的效果。
其中，該解壓縮訓練模型包含至少一第一層及二提煉網路層，該解碼訓練模型的第一層將該編碼字轉變回該反饋參數，以取得矩陣大小分別為NcxNt的一初估實部矩陣及一初估虛部矩陣，各該提煉網路層包含至少一輸入層及三卷積層，該二提煉網路層中的第一個提煉網路層的輸入層係用以輸入該初估實部矩陣及該初估虛部矩陣，該第一個提煉網路層的第一個卷積層對該初估實部矩陣及該初估虛部矩陣，以矩陣大小為KxK的核進行卷積運算，並執行線性整流函數以產生8個特徵圖譜，第二
個卷積層對該8個特徵圖譜以矩陣大小為KxK的核進行卷積運算，並執行線性整流函數以產生16個特徵圖譜，第三個卷積層對該16個特徵圖譜以矩陣大小為KxK的核進行卷積運算，並執行線性整流函數以產生2個特徵圖譜，將第三個卷積層所產生的2個特徵圖譜執行零填充，使該2個特徵圖譜的矩陣大小與輸入至該輸入層的初估實部矩陣及該初估虛部矩陣的矩陣大小相同，再將該2個特徵圖譜的矩陣分別與該初估實部矩陣及該初估虛部矩陣相加作為該二提煉網路層中的第二個提煉網路層之輸入層的輸入，並再依序透過第二個提煉網路層的三個卷積層進行卷積運算及執行線性整流函數，使該初估實部矩陣及該初估虛部矩陣轉變回該實部矩陣及該虛部矩陣。如此，相較於習知壓縮感知的方式，本發明透過深度學習不需經過多次疊代就可以還原該通道狀態資訊，係具有降低時間複雜度的效果。
其中，該接收端以該編碼訓練模型將該通道狀態資訊以二維離散傅立葉轉換計算，使該通道狀態資訊由空間頻率轉換成以角度及時間為基底，該編碼訓練模型保留該通道狀態資訊中前Nc列不為零的數值，以產生一截斷矩陣，並將該截斷矩陣拆分成該實部矩陣及該虛部矩陣，以產生該編碼字。如此，可以減少該接收端所需回饋的資訊量，係具有降低通道狀態資訊反饋開銷的效果。
其中，該數據壓縮比為1/4、1/16、1/32或1/64。如此，相較於習知壓縮感知的方式，本發明透過深度學習可以大幅壓縮該通道狀態資訊，係具有進一步減少通道狀態資訊反饋開銷的效果。
其中，該數據壓縮比為1/4或1/32。如此，相較於習知壓縮感知的方式，本發明透過深度學習可以在通道狀態資訊不是稀疏矩陣的情況下進行壓縮，可以適用於不同天線結構，係具有提升使用範圍的效果。
S1‧‧‧編碼步驟
S2‧‧‧解碼步驟
S3‧‧‧稀疏步驟
L11‧‧‧第一層
L12‧‧‧第二層
L21‧‧‧第一層
L22‧‧‧提煉網路層
L221‧‧‧輸入層
L222‧‧‧卷積層
L223‧‧‧卷積層
L224‧‧‧卷積層
第1圖：本發明一實施例的方法流程圖。
第2圖：執行本發明一實施例的系統架構示意圖。
為讓本發明之上述及其他目的、特徵及優點能更明顯易懂，下文特舉本發明之較佳實施例，並配合所附圖式，作詳細說明如下：請參照第1圖，其係本發明基於深度學習作為通道狀態資訊之回饋方法的一較佳實施例的方法流程圖，係包含：一編碼步驟S1及一解碼步驟S2。
該編碼步驟S1係於一接收端將一通道狀態資訊簡化成一編碼字，該接收端再將該編碼字反饋至一傳送端。在本實施例中，該通道狀態資訊係由該傳送端的基地台傳送至該接收端的使用者設備，即一下行鏈路的通道狀態資訊。具體而言，該接收端係能以一編碼訓練模型將該通道狀態資訊拆分成一實部矩陣及一虛部矩陣，以產生一編碼字，該接收端再將該編碼字反饋至該傳送端。其中，該通道狀態資訊係以空間頻率為基底，且矩陣大小可以為xNt，表示為本發明所採用的OFDM系統原有的子載波數量，且≧1，Nt表示為基地台的發射天線數量，且Nt≧1。
其中，該編碼訓練模型係以深度學習的卷積神經網路(Convolutional Neural Networks,CNNs)進行訓練學習。舉例而言，該卷積神經網路係可以包含至少一第一層L11及一第二層L12，該第一層L11及該第二層L12分別可以為一卷積層(Convolutional Layer)、一池化層(Pooling Layer)或一全連接層(Fully-Connected Layer)，在本實施例中，該第一層L11係可以為一卷積層，該第二層L12可以係為一全連接層。該第一層L11具有二通道，該二通道分別提供於該接收端的實部矩陣及該虛部矩陣以矩陣大小為KxK的核(Kernel)進行卷積運算，並執行線性整流
函數(Rectified Linear Unit,ReLU)以生成二特徵圖譜(Feature Map)，其中，K≧3。該第二層L12由該二特徵圖譜中取得矩陣大小為Nx1的反饋參數，並將該反饋參數轉換成一M維向量的編碼字。該通道狀態資訊的數據壓縮比，其中，N表示為特徵圖譜的長度、寬度及數量的乘積，且N=NcxNtx2，Nc表示為由OFDM系統取得的子載波數量，且≧Nc≧1；M表示為該編碼字的維度，且MN。
該解碼步驟S2係能以該傳送端取得該編碼字，並將該編碼字轉變回該通道狀態資訊。具體而言，該傳送端能以一解碼訓練模型將該編碼字轉變回該實部矩陣及該虛部矩陣，該解碼訓練模型再將該實部矩陣及該虛部矩陣轉變回該通道狀態資訊，以完成該解碼步驟S2。在本實施例中，該解碼訓練模型係可以包含至少一第一層L21及二提煉網路層(RefineNet)L22，該解碼訓練模型的第一層L21係可以將該編碼字轉變回該反饋參數，以取得矩陣大小分別為NcxNt的一初估實部矩陣及一初估虛部矩陣。該解碼訓練模型的第二層L22再將該初估實部矩陣及該初估虛部矩陣轉變回該該實部矩陣及該虛部矩陣，在本實施例中，該第一層L21可以為一全連接層。
具體而言，各該提煉網路層L22可以包含至少一輸入層L221及三卷積層L222~L224。該二提煉網路層L22中的第一個提煉網路層的輸入層L221係用以輸入該初估實部矩陣及該初估虛部矩陣。隨後，該第一個提煉網路層L22的第一個卷積層L222對該初估實部矩陣及該初估虛部矩陣，以矩陣大小為3x3的核進行卷積運算，並執行線性整流函數以產生8個特徵圖譜，第二個卷積層L223對該8個特徵圖譜以矩陣大小為KxK的核進行卷積運算，並執行線性整流函數以產生16個特徵圖譜，第三個卷積層L224對該16個特徵圖譜以矩陣大小為KxK的核進行卷積運算，並執行線性整流函數以產生2個特徵圖譜，將第三個卷積層L224所產生的2個特
徵圖譜執行零填充(Zero Padding)，使該2個特徵圖譜的矩陣大小與輸入至該輸入層L221的初估實部矩陣及該初估虛部矩陣的矩陣大小相同。隨後，再以該2個特徵圖譜分別與該初估實部矩陣及該初估虛部矩陣的和作為該二提煉網路層L22中的第二個提煉網路層之輸入層L221的輸入，並再依序透過第二個提煉網路層的三個卷積層L222~L224進行卷積運算及執行線性整流函數，使該初估實部矩陣及該初估虛部矩陣轉變回該實部矩陣及該虛部矩陣。
較佳地，本發明還可以包含一稀疏步驟S3。該稀疏步驟S3係由該接收端以該編碼訓練模型將該通道狀態資訊以二維離散傅立葉轉換進行計算，使該通道狀態資訊由空間頻率轉換成以角度及時間為基底，使該通道狀態資訊依據正交分頻多工多輸入多輸出(MIMO-OFDM)與通道的空間頻率相關性，能夠在角度延遲域(Angular-Delay Domain)中呈現出稀疏的特性。
詳言之，在時間延遲的維度上，由於多路徑到達之間的時間延遲係在一定的時間段內，因此，可以不需要該通道狀態資訊中的所有時間點。該編碼訓練模型保留該通道狀態資訊中前Nc列不為零的數值，以產生一截斷矩陣H，並將該截斷矩陣H拆分成該實部矩陣及該虛部矩陣，以產生該編碼字。如此，可以減少該接收端所需回饋的資訊量，係具有降低通道狀態資訊反饋開銷(feedback overhead)的效果。
舉例而言，本發明基於深度學習作為通道狀態資訊之回饋方法，係可以應用於以大規模頻分雙工多輸入多輸出(FDD Massive MIMO)系統為基礎，並結合運用正交分頻多工技術的系統。首先，該系統為了訓練該編碼步驟S1的編碼訓練模型，以及該解碼步驟S2的解碼訓練模型，本發明能夠透過The COST 2100 Channel Model(請參閱L.Liu et al.,“The COST 2100 Channel Model”IEEE Wireless Commun.,vol.19,no.6,pp.92-99,
Dec.2012.)建立二通道，該二通道其中之一通道為5.3GHz頻段的室內環境，該二通道其中之另一通道為300MHz頻段的室外環境，該二通道各以100,000樣本資料、30,000樣本資料及20,000樣本資料作為該編碼訓練模型及該解碼訓練模型的訓練集、驗證集及測試集，該二通道各自於一傳送端設有32個發射天線，且OFDM系統將頻段分割為1024個子載波數量。
在本實施例中，透過該稀疏步驟S3將該通道狀態資訊轉換成以角度及時間為基底後，保留該通道狀態資訊中，其數值不為零的前32行，使產生32x32矩陣大小的二特徵圖譜。該編碼訓練模型的第二層L12依據該二特徵圖譜產生矩陣大小為2048x1的反饋參數，並將該反饋參數轉換成一M維向量的編碼字，以完成該編碼訓練模型的訓練學習。此外，該解碼訓練模型則係將該編碼字轉變為該反饋參數，以取得矩陣大小分別為32x32的一初估實部矩陣及一初估虛部矩陣，該初估實部矩陣及該初估虛部矩陣再透過該二提煉網路層L22進行卷積運算，使該初估實部矩陣及該初估虛部矩陣轉變回該實部矩陣及該虛部矩陣。該解碼訓練模型再將該實部矩陣及該虛部矩陣轉變回該通道狀態資訊。
本發明基於深度學習作為通道狀態資訊之回饋方法與習知LASSO、TVAL3、BM3D-AMP及CsiRecovNet等方法進行比較。在本發明中，係將該通道矩陣與重建後的通道矩陣以正規化均方誤差(NMSE)測量編碼前與解碼後的通道狀態資訊的差異，並以餘弦相似性ρ(Consine Similarity)來比較反饋的通道狀態資訊，比較結果可如表一所示。其中，該正規化均方誤差與該餘弦相似性的公式可分別如下式所示：
其中，H是原先的截斷矩陣，是重建後的截斷矩陣。
上述表一記載本發明以及習知方法，分別在該通道狀態資訊的數據壓縮比為1/4、1/16、1/32及1/64時所相對應的正規化均方誤差及餘弦相似性，並將最好的結果以粗體顯示。舉例而言，當壓縮比為1/4時，該通道狀態資訊係轉換成512維向量的編碼字。由表一可以得知，本發明均獲得最低的正規化均方誤差以及最高的餘弦相似性，故本發明均明顯優於上述習知方法。再者，本發明的平均運行時間係為0.0035s，亦優於習知LASSO的0.1828s，TVAL3的0.5717s及BM3D-AMP的0.3155s。此外，當處於室外環境，且傳送端的基地台發射天線分別為16個及48個時，其比較結果可如表二所示，可以得知本發明亦優於上述習知方法。
另一方面，由表三可以得知，相對於對該通道狀態資訊執行該稀疏步驟S3，使該通道狀態資訊由空間頻率轉換成以角度及時間為
基底，在不執行該稀疏步驟S3的情況下，當該通道狀態資訊的數據壓縮比分別在1/4及1/32時，不論是在室內環境或是在室外環境，本發明效能均優於執行該稀疏步驟S3。
雖然本發明已利用上述較佳實施例揭示，然其並非用以限定本發明，任何熟習此技藝者在不脫離本發明之精神和範圍之內，相對上述實施例進行各種更動與修改仍屬本發明所保護之技術範疇，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
Claims (6)
- 一種基於深度學習作為通道狀態資訊之回饋方法，係包含下列步驟：於一接收端以一編碼訓練模型將一通道狀態資訊拆分成一實部矩陣及一虛部矩陣，以產生一編碼字，該通道狀態資訊的矩陣大小為xNt，表示為採用的OFDM系統原有的子載波數量，且≧1，Nt表示為該傳送端的基地台發射天線數量，且Nt≧1；及該接收端將該編碼字反饋至一傳送端；該傳送端取得該編碼字，且以一解碼訓練模型將該編碼字轉變回該實部矩陣及該虛部矩陣；及以該解碼訓練模型將於該傳送端的實部矩陣及虛部矩陣轉變回該通道狀態資訊。
- 如申請專利範圍第1項所述之基於深度學習作為通道狀態資訊之回饋方法，其中，該編碼訓練模型的卷積神經網路包含至少一第一層及一第二層，該第一層具有二通道，且分別提供於該接收端的實部矩陣及該虛部矩陣以矩陣大小為KxK的核進行卷積運算，並執行線性整流函數以生成二特徵圖譜，該第二層由該二特徵圖譜中取得矩陣大小為Nx1的反饋參數，並將該反饋參數轉換成一M維向量的編碼字，該通道狀態資訊的一數據壓縮比，其中，K≧3，N=NcxNtx2，N表示為特徵圖譜的長度、寬度及數量的乘積，Nc表示為由OFDM系統取得的子載波數量，且≧Nc≧1。
- 如申請專利範圍第2項所述之基於深度學習作為通道狀態資訊之回饋方法，其中，該解壓縮訓練模型包含至少一第一層及二提煉網路層，該解碼訓練模型的第一層將該編碼字轉變回該反饋參數，以取得矩陣大小分別為NcxNt的一初估實部矩陣及一初估虛部矩陣，各該提煉網路層包含至少一輸入層及三卷積層，該二提煉網路層中的第一個提煉網 路層的輸入層係用以輸入該初估實部矩陣及該初估虛部矩陣，該第一個提煉網路層的第一個卷積層對該初估實部矩陣及該初估虛部矩陣，以矩陣大小為KxK的核進行卷積運算，並執行線性整流函數以產生8個特徵圖譜，第二個卷積層對該8個特徵圖譜以矩陣大小為KxK的核進行卷積運算，並執行線性整流函數以產生16個特徵圖譜，第三個卷積層對該16個特徵圖譜以矩陣大小為KxK的核進行卷積運算，並執行線性整流函數以產生2個特徵圖譜，將第三個卷積層所產生的2個特徵圖譜執行零填充，使該2個特徵圖譜的矩陣大小與輸入至該輸入層的初估實部矩陣及該初估虛部矩陣的矩陣大小相同，再將該2個特徵圖譜的矩陣分別與該初估實部矩陣及該初估虛部矩陣相加作為該二提煉網路層中的第二個提煉網路層之輸入層的輸入，並再依序透過第二個提煉網路層的三個卷積層進行卷積運算及執行線性整流函數，使該初估實部矩陣及該初估虛部矩陣轉變回該實部矩陣及該虛部矩陣。
- 如申請專利範圍第3項所述之基於深度學習作為通道狀態資訊之回饋方法，其中，該接收端以該編碼訓練模型將該通道狀態資訊以二維離散傅立葉轉換計算，使該通道狀態資訊由空間頻率轉換成以角度及時間為基底，該編碼訓練模型保留該通道狀態資訊中前Nc列不為零的數值，以產生一截斷矩陣，並將該截斷矩陣拆分成該實部矩陣及該虛部矩陣，以產生該編碼字。
- 如申請專利範圍第4項所述之基於深度學習作為通道狀態資訊之回饋方法，其中，該數據壓縮比為1/4、1/16、1/32或1/64。
- 如申請專利範圍第3項所述之基於深度學習作為通道狀態資訊之回饋方法，其中，該數據壓縮比為1/4或1/32。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW107113743A TWI669921B (zh) | 2018-04-23 | 2018-04-23 | 基於深度學習作為通道狀態資訊之回饋方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW107113743A TWI669921B (zh) | 2018-04-23 | 2018-04-23 | 基於深度學習作為通道狀態資訊之回饋方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI669921B true TWI669921B (zh) | 2019-08-21 |
| TW201944745A TW201944745A (zh) | 2019-11-16 |
Family
ID=68316352
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW107113743A TWI669921B (zh) | 2018-04-23 | 2018-04-23 | 基於深度學習作為通道狀態資訊之回饋方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI669921B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI741619B (zh) * | 2020-05-26 | 2021-10-01 | 國立中山大學 | 多輸入輸出系統之參數估測方法 |
| CN114691627A (zh) * | 2020-12-30 | 2022-07-01 | 财团法人工业技术研究院 | 深度学习加速芯片的数据压缩方法、数据压缩系统及运算方法 |
| TWI895365B (zh) * | 2020-02-24 | 2025-09-01 | 美商高通公司 | 通道狀態資訊（ｃｓｉ）學習的方法、裝置、使用者設備，以及基地站 |
| US12499357B2 (en) | 2020-12-30 | 2025-12-16 | Industrial Technology Research Institute | Data compression method, data compression system and operation method of deep learning acceleration chip |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI870179B (zh) * | 2023-12-25 | 2025-01-11 | 財團法人工業技術研究院 | 神經網路模型的深度學習編譯方法及儲存對應程式之非暫態電腦可讀取媒體 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1991019359A1 (en) * | 1990-06-07 | 1991-12-12 | Stanford Telecommunications, Inc. | Interference detection and characterization method and apparatus |
| JPH0410819A (ja) * | 1990-04-27 | 1992-01-16 | Masakazu Sengoku | セルラー移動通信のチャネル割当方式 |
| EP0682420A1 (fr) * | 1994-05-11 | 1995-11-15 | Alcatel Mobile Communication France | Dispositif d'estimation de la qualité d'un canal de transmission dans un récepteur numérique |
| US6574280B1 (en) * | 1998-07-28 | 2003-06-03 | Conexant Systems, Inc. | Method and apparatus for detecting and determining characteristics of a digital channel in a data communication system |
| JP2007049647A (ja) * | 2005-08-12 | 2007-02-22 | ▲い▼榮科技股▲ふん▼有限公司 | 無線通信方法および無線通信システム |
| CN101627672A (zh) * | 2007-01-05 | 2010-01-13 | 高通股份有限公司 | 用于在无线站处理数据的方法和装置 |
-
2018
- 2018-04-23 TW TW107113743A patent/TWI669921B/zh active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0410819A (ja) * | 1990-04-27 | 1992-01-16 | Masakazu Sengoku | セルラー移動通信のチャネル割当方式 |
| WO1991019359A1 (en) * | 1990-06-07 | 1991-12-12 | Stanford Telecommunications, Inc. | Interference detection and characterization method and apparatus |
| EP0682420A1 (fr) * | 1994-05-11 | 1995-11-15 | Alcatel Mobile Communication France | Dispositif d'estimation de la qualité d'un canal de transmission dans un récepteur numérique |
| US6574280B1 (en) * | 1998-07-28 | 2003-06-03 | Conexant Systems, Inc. | Method and apparatus for detecting and determining characteristics of a digital channel in a data communication system |
| JP2007049647A (ja) * | 2005-08-12 | 2007-02-22 | ▲い▼榮科技股▲ふん▼有限公司 | 無線通信方法および無線通信システム |
| CN101627672A (zh) * | 2007-01-05 | 2010-01-13 | 高通股份有限公司 | 用于在无线站处理数据的方法和装置 |
| CN101627672B (zh) | 2007-01-05 | 2014-11-12 | 高通股份有限公司 | 用于在无线站处理数据的方法和装置 |
Non-Patent Citations (5)
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI895365B (zh) * | 2020-02-24 | 2025-09-01 | 美商高通公司 | 通道狀態資訊（ｃｓｉ）學習的方法、裝置、使用者設備，以及基地站 |
| TWI741619B (zh) * | 2020-05-26 | 2021-10-01 | 國立中山大學 | 多輸入輸出系統之參數估測方法 |
| CN114691627A (zh) * | 2020-12-30 | 2022-07-01 | 财团法人工业技术研究院 | 深度学习加速芯片的数据压缩方法、数据压缩系统及运算方法 |
| US12499357B2 (en) | 2020-12-30 | 2025-12-16 | Industrial Technology Research Institute | Data compression method, data compression system and operation method of deep learning acceleration chip |
Also Published As
| Publication number | Publication date |
|---|---|
| TW201944745A (zh) | 2019-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109672464B (zh) | 基于fcfnn的大规模mimo信道状态信息反馈方法 | |
| CN110311718B (zh) | 一种大规模mimo信道状态信息反馈中的量化和逆量化方法 | |
| CN108390706B (zh) | 一种基于深度学习的大规模mimo信道状态信息反馈方法 | |
| Lu et al. | Bit-level optimized neural network for multi-antenna channel quantization | |
| JP4608124B2 (ja) | 帰還機能を持つ無線受信装置及び無線通信方法 | |
| TWI669921B (zh) | 基於深度學習作為通道狀態資訊之回饋方法 | |
| Yin et al. | Deep CSI compression for massive MIMO: A self-information model-driven neural network | |
| EP1568155A2 (en) | Low complexity beamformers for multiple transmit and receive antennas | |
| CN101304300A (zh) | 基于有限反馈的多用户mimo系统信道量化方法和装置 | |
| CN116155333B (zh) | 一种适用于大规模mimo系统的信道状态信息反馈方法 | |
| CN114884549A (zh) | 基于深度学习的大规模mimo信道状态信息反馈方法 | |
| CN116248156A (zh) | 基于深度学习的大规模mimo信道状态信息反馈及重建方法 | |
| Fan et al. | Fully convolutional neural network-based CSI limited feedback for FDD massive MIMO systems | |
| CN110289898A (zh) | 一种大规模mimo系统中基于1比特压缩感知的信道反馈方法 | |
| CN105162556B (zh) | 基于空时相关性的大规模mimo系统信道反馈方法 | |
| CN114157331A (zh) | 基于伪复值输入的大规模mimo信道状态信息反馈方法 | |
| WO2020042108A1 (en) | Frequency time domain channel hardening and overhead reduction | |
| WO2023030538A1 (zh) | 信道状态信息的处理方法、终端、基站、计算机可读存储介质 | |
| CN103929281B (zh) | Mimo系统中基于向量自回归的贝叶斯压缩感知反馈方法 | |
| CN114553280A (zh) | 一种基于深度学习大规模mimo系统的csi反馈方法 | |
| Shen et al. | MixerNet: Deep learning for eigenvector-based CSI feedback | |
| Sadeghi et al. | Deep learning-based massive MIMO channel estimation with reduced feedback | |
| CN117318774A (zh) | 信道矩阵处理方法、装置、终端及网络侧设备 | |
| CN115865150A (zh) | 一种预编码处理方法及相关装置 | |
| Liu et al. | CSI feedback based on complex neural network for massive MIMO systems |