基于模型剪枝动态调整压缩率的CSI反馈方法

摘要：

针对现有基于深度学习(deep learning,DL)的信道状态信息(channel state information,CSI)反馈方案只能以固定压缩率(compression rate,CR)进行压缩反馈的问题,提出了一种基于模型结构化剪枝动态调整CR的CSI反馈方案.首先设计了残差信道特性注意(residual channel characteristic attention,RCCA)机制,并搭建了CSI反馈网络RCCA-Net,充分利用复信道矩阵实部虚部间的幅度相位依赖关系,进一步提高CSI反馈-重建质量.其次设计了RCCA-Prune方案,并以(l)2范数评估各神经元对最终结果的贡献度,通过模型结构化剪枝技术删除贡献度较小的神经元以实现CR的动态调整.仿真结果表明,所提的动态调整CR方案在不同CR下均有较佳的反馈性能,且在不同的测试环境中具有良好的泛化性.

关键词：信道状态信息、深度学习、模型剪枝、通道注意力

所属期刊栏目：45

分类号：TN911.72

在线出版日期：2023-08-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：2615-2622