阅读文献《DCRNet：Dilated Convolution based CSI Feedback Compression for Massive MIMO Systems》

2023-04-28 16:59 由 tanyuyang 发表于 #其他

这篇文章的作者是广州大学的范立生老师和他的学生汤舜璞，于2022年10月发表在 IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY。

文献提出了一种基于空洞卷积（Dilated Convolution）的CSI反馈网络，即空洞信道重建网络(Dilated Channel Reconstruction Network, DCRNet)。还设计了编码器和解码器块，提高了重建性能并降低计算复杂度。

1 研究背景

在下行MIMO系统中，利用信道状态信息(CSI)是BS完成预编码设计的前提。在时分双工(TDD)模式下，由于信道的互易性，BS可以直接获得下行链路的CSI。然而在频分双工(FDD)模式下，因为BS由于弱互易而难以获得CSI信息，下行链路的CSI必须由UE来估计。但在大规模MIMO系统中，反馈CSI矩阵的开销随着天线数量的增加而增加，也受到用户的发射功率和上行带宽的限制。因此，需要对反馈CSI进行压缩。

传统基于CS的方法如LASSO和BM3D-AMP算法等存在一些局限性，如假设CSI是理想稀疏的，在随机工程中忽略了信道统计，迭代处理导致了较大的延迟等。

基于深度学习的方法如CsiNet等，优于传统的基于CS的算法，而且可以有效地减小网络参数。这类算法的主要限制是网络架构不能提供足够的感受野(receptive field, RecF)*，表明深层神经元不能表示原始输入的足够区域。为了克服这种限制，一些论文提出了设计更大的RecF以增加卷积大小来提高CSI重建性能，代价是增加网络的复杂度。因此，设计一种轻量级的网络架构，在较低计算复杂度下提高RecF的同时，又能保持CSI重构的性能，是非常重要的。

文章的主要贡献有：

提出了一种基于扩展卷积的CSI反馈网络DCRNet，该网络在有效压缩CSI反馈的同时降低了计算复杂度；
在不增加卷积大小的情况下，利用扩展卷积增强RecF网络，重新设计了一种先进的编码器和解码器块，以提高重构性能，降低计算复杂度。

*感受野：CNN中每一层输出的特征图上的像素点映射回输入图像上的区域大小。通俗点的解释是，特征图上一点，相对于原图的大小，也是卷积神经网络特征所能看到输入图像的区域。

2 CSI反馈系统

考虑频分双工MIMO下行链路，在BS上有$Nt>>1$根天线，在每个UE上有1根天线，在OFDM中有${N}_{\mathrm{c}}$个子载波，第n个子载波的复值接收信号为：

\[y_n={\mathbf{h}}_n^H \mathbf{b}_n x_n+z_n, \]

${\mathbf{h}}_n \in \mathbb{C}^{N_{\mathrm{t}} \times 1}, (·)^H,\mathbf{b}_n \in \mathbb{C}^{N_{\mathrm{t}} \times 1}, x_n \in \mathbb{C} \text {, 和 } z_n \in \mathbb{C}$分别表示第$n$个子载波上的信道增益向量、共轭转置、波束成形向量、发射信号和加性高斯白噪声(AWGN)。所有子载波的CSI可表示为矩阵${\mathbf{H}}=\left[{\mathbf{h}}_1, {\mathbf{h}}_2, \ldots, {\mathbf{h}}_{{N}_c}\right] \in \mathbb{C}^{N_t \times {N}_c}$，其中共有$2N_cN_t$个元素。

BS的波束形成和预编码设计需要CSI矩阵H的反馈，但MIMO的天线数量导致巨大的开销。为了解决这个问题，需要将CSI矩阵H压缩后再反馈给BS，CSI反馈模型如图1所示。

图1 CSI反馈结构

CSI矩阵H首先通过离散傅里叶变换(DFT)从空间域和频域变换到角域和延迟域，即：

\[\tilde{H}=F_cHF_t^H, \]

其中，$F_c,F_t$分别为$Nc × Nc$和$Nt × Nt $的DFT变换矩阵。由于多径到达有延迟区间，矩阵$\tilde{H}$在角延迟域中是稀疏的，它可以分为两部分，一部分是$H_a$，其中有$N_a$行由非零元素组成($N_a < N_c$)，另一部分其余$N_c−N_a$行由近零元素组成。把信道矩阵$H$压缩为$H_a$，而且信息损失可以忽略不计。

为了进一步压缩CSI矩阵，还要应用基于深度学习的自编码压缩和恢复模块，如图1所示，通过编码器压缩CSI矩阵输出较小的码字向量：

\[\begin{align*} \boldsymbol{v}=\mathcal {E}(\theta _{1},\boldsymbol{H}_{\boldsymbol{a}}), \tag{3} \end{align*} \]

其中，$\mathcal {E}(·)$代表压缩操作，$\theta_1$代表编码器的参数。压缩后的CSI矩阵通过专用的信道反馈给BS，然后BS通过解码器恢复CSI矩阵：

\[\begin{align*} \hat{\boldsymbol{H}}_{\boldsymbol{a}}=\mathcal {D}(\theta _{2},\boldsymbol{v}), \tag{4} \end{align*} \]

其中，$\mathcal {D}(·)$代表压缩操作，$\theta_2$代表解码器的参数。CSI反馈的目的是为了最小化平均重构误差：

\[\begin{align*} \min _{(\theta _{1},\theta _{2})} \mathbb {E}||\boldsymbol{H}_{\boldsymbol{a}}-\hat{\boldsymbol{H}}_{\boldsymbol{a}}||_{2}, \tag{5} \end{align*} \]

3 基于空洞卷积的CSI反馈

3.1 DCRNet的结构

基于卷积神经网络的自编码器可以有效地提取CSI矩阵的空间局部相关性，基于空洞卷积的DCRNet结构如图2所示。

图2 DCRNet的网络结构

在(a)编码器中，输入$H_a$的维度为$2×N_a×N_t$，两个独立的通道分别代表CSI矩阵的实部和虚部，首先使用5×5的头卷积来提取和融合CSI矩阵实部和虚部的特征信息；然后通过一个编码块来提取深度的抽象信息，与ACRNet不同，为了减少复杂度， DCRNet 中的编码器只需要一个单元就可以得到17 × 17的 RecF，只比ACRNet中RecF的小一点；随后利用全连接层来把$2×N_a×N_t$的矩阵压缩成一维的码字向量，压缩比$\mathcal {η}∈(0,1)$；最后码字通过无线信道传输到BS的解码器。

在(b)解码器中，输入码字经过全连接层进行重塑操作；随后5×5的头卷积用来增强信道恢复性能；之后两个空洞卷积解压块来恢复压缩的信息。其中批归一化和参数整流线性单元（parametric rectified linear unit，PReLU）激活函数应用到每一层卷积之中，带有可学习参数$α$的PReLU为：

\[\begin{align*} \text{PReLU}(x)=\left\lbrace \begin{array}{ll}x, & x \geq 0 \\ \alpha x, & x< 0. \end{array}\right. \tag{6} \end{align*} \]

3.2 空洞编码解码块的设计

与传统卷积不同，空洞卷积带有特定的间隔$d$，也称作空洞率。二维空洞卷积运算可以写作：

\[\begin{align*} (\boldsymbol{I}\circledast \boldsymbol{K})[i,j]=\sum _{u}\sum _{v} {\boldsymbol{I}[i+du,j+dv]\cdot \boldsymbol{K}[u,v]}, \tag{7} \end{align*} \]

其中$\circledast,\boldsymbol{I},\boldsymbol{K}$分别表示空洞卷积操作、二维输入和卷积核，$u,v$为卷积核$\boldsymbol{K}$的指数，空洞率为$d$的空洞卷积有效卷积核大小表示为：

\[\begin{align*} k_{i}^{\prime }=k_{i}+(k_{i}-1)(d-1), \tag{8} \end{align*} \]

其中$k_i,{k^{'}}_i$为当前使用的卷积核大小和有效的卷积核大小。图3展示了空洞率不同的空洞卷积，在同样的卷积核大小下，当$d>1$时，空洞卷积比普通卷积能够提供更大的感受野，可以实现块稀疏CSI矩阵的稀疏采样。

图3 空洞率为1、2、3时的空洞卷积

1）编码块设计

虽然随着空洞率的增加RecF会变大，但连续使用相同空洞率的空洞卷积会造成网格效应和信息损失。根据混合空洞卷积和非对称卷积技术，在编码器块中采用了d = 1、d = 2和d = 3的非对称3×3卷积，如图2所示。可以验证编码块可以获得大小为13 × 13的RecF，等于CsiNet+的大小。这不仅可以帮助编码块提取大规模信息，关注局部细节而不产生网格效应，还可以降低计算复杂度。

由于连接不同卷积的特征可以产生CSI的多分辨率以提高系统性能，因此对编码块执行连接操作，如图2（c）所示。采用标准3 × 3滤波器作为空洞卷积的补充，编码块的输入将通过两个并行分支，一个是空洞卷积，另一个是标准3 × 3卷积。然后将它们的输出进行连接，通过1 × 1卷积将通道数量减少到2。最后根据残差学习的思想，使编码块的输入添加到1 × 1卷积的输出中。

2）解码块设计

在图2（d）中，与编码块的设计原则类似，在第一个分支中，使用d = 2的3 × 3空洞卷积将特征维数增加到$8ρ$，其中$ρ≥1$为网络宽度扩展率。通过调整扩展率$ρ$，可以使DCRNet-$ρ$ x适用于不同计算能力的模块，然后使用3×1和1×3且d=3的空洞卷积代替标准9×9的卷积，可以有效的减少计算复杂度。随后使用3×3的卷积来减少特征通道数到2。

在第二个分支中，不像在编码块中只使用一个标准卷积，这里使用了分组卷积和宽度扩展运算，因为BS的计算资源不像UE是有限的，而且宽度扩展运算对于CSI反馈同样重要。其中，1 × 3和3 × 1滤波器分别用于增加和减少特征维数，5 × 1和1 × 5分组卷积作用与第一个分支中的相似。两个分支的输出将被连接在一起，并通过1 × 1的卷积。

由于使用了空洞卷积和多分辨率思想，DCRNet比ACRNet的感受野宽得多，而且FLOPs更低，在性能和计算复杂度之间取得了很好的平衡。

4 实验结果分析

4.1 实验设置

1）数据

根据COST2100实现室内5.3GHz和室外300MHz的训练和测试场景，BS处有$N_t=32$个均匀线性天线阵列和$N_c=1024$个子载波，原始大小为$2×32×1024$的CSI矩阵在转换到角延迟域处理之后，得到$2×32×32$的CSI矩阵，训练集、验证集和测试集分别为100000、30000和20000。

2）训练

使用Kaiming initialization来产生每个卷积层和全连接层的权重，还采用了余弦退火学习率来增强网络性能，初始学习率的范围在$\gamma _{min}=5×10^{-5}$到$\gamma _{max}=2×10^{-3}$之间，学习率可以表示为：

\[\begin{align*} \gamma _{t} =\gamma _{min}+\frac{1}{2}(\gamma _{max}-\gamma _{min})\left(1+\cos \left({\frac{t-T_{w}}{T-T_{w}}\pi }\right)\right), \tag{9} \end{align*} \]

其中，$t$是第$t$个训练时期，$γ_t$是当前的学习率，$T_w$和$T$分别是预热时期和总时期的数量，分别设置为30和2500。

3）评估标准

使用归一化均方误差（NMSE）来评估输入CSI矩阵${\boldsymbol{H}_{\boldsymbol{a}}}$和输出CSI矩阵$\hat{\boldsymbol{H}_{\boldsymbol{a}}}$的区别，由下式给出：

\[\text{NMSE}=\mathbb {E}\left\lbrace {\left\Vert \boldsymbol{H}_{\boldsymbol{a}}-\hat{\boldsymbol{H}_{\boldsymbol{a}}}\right\Vert _{2}^{2}}\Big/{\left\Vert \boldsymbol{H}_{\boldsymbol{a}}\right\Vert _{2}^{2}}\right\rbrace, \]

4.2 DCRnet的性能

将DCRNet与基于DL的CSI反馈网络进行比较，分为低复杂度网络组：CsiNet、CRNet、ACRNet和DCRNet，和高复杂度且高性能组：DCRNet10×、DS-NLCsiNet、SOTA CsiNet+和ACRNet10×。

表1列出了上述几种CSI反馈网络的性能比较，其中压缩率$η$分别设置为1/4、1/8、1/16和1/32，最佳结果以粗体显示。从表1中，可以发现DCRNet-1×具有最低的计算复杂度和最少的参数，而且可以在室内场景下实现了不同压缩率下的SOTA性能，在室外场景下，DCRNet-1×仍然可以以最低的FLOP实现几乎相同的SOTA性能。

表1 不同网络的NMSE比较

5 结论

文献提出了DCRNet，网络采用空洞卷积来增加RecF，同时降低计算复杂度。仿真结果表明了DCRNet1×在计算资源有限的情况下优于其它轻量级网络，而且DCRNet-10×以比传统网络低得多的计算复杂度实现了几乎相同的重建性能。