CSI フィードバック圧縮のための自己符号化器の学習

R2022b 以降

この例では次を使用します。

この例では、クラスター遅延線 (CDL) チャネルによってダウンリンクチャネル状態情報 (CSI) を圧縮するための自己符号化器ニューラルネットワークの学習を行う方法を示します。

この例では、次のことを行います。

CSI フィードバック自己符号化のためのニューラルネットワークモデルの定義と学習。
前処理、符号化、復号化、および後処理を含む、完全な CSI 圧縮システムの学習済みネットワークのテスト。
システムの性能に対する量子化済みコードワードの影響のテスト。

CSI フィードバックのための AI ワークフロー

AI ベースの CSI フィードバックワークフローの手順には、データの生成、データの準備、モデルの学習、およびモデルのテストが含まれます。各ステップを個別に実行することも、ステップを順番に実行することもできます。この例では "モデルの学習" に焦点を当てます。

CSI フィードバックプロセスと AI ワークフローの説明については、AI-Based CSI Feedbackを参照してください。概要として、ワークフローの手順は以下のとおりです。

1. データの生成 - Generate MIMO OFDM Channel Realizations for AI-Based Systemsの例に従って、チャネル推定データを生成します。

2. データの準備 - Preprocess Data for AI-Based CSI Feedback Compressionの例に従って、データの準備を行います。

3. モデルの学習 - モデルの学習では、この例のニューラルネットワークモデルの定義と学習セクションで説明されているように、前処理されたチャネル推定データをニューラルネットワークに入力し、CSI データを再構成します。

4. モデルのテスト - モデルのテストは、Test AI-based CSI Compression Techniques for Enhanced PDSCH Throughputの例で重点的に説明されています。

自己符号化器モデルの学習、圧縮、テストを行うその他の例の一覧については、その他の調査セクションを参照してください。

ニューラルネットワークモデルの定義と学習

必要なデータがワークスペースに存在しない場合は、データを生成して準備します。データを前処理した後、prepareData 関数の出力 (inputData、systemParams、dataOptions、channel、および carrier) を調べることで、システムの構成を確認できます。

if ~exist("inputData","var") || ~exist("systemParams","var") ...
        || ~exist("dataOptions","var") || ~exist("channel","var") ...
        || ~exist("carrier","var")
    numSamples = 1000;
[inputData,systemParams,dataOptions,channel,carrier] = ...
prepareData(numSamples);
end

Starting channel realization generation
6 worker(s) running
00:00:13 - 100% Completed
Starting CSI data preprocessing
6 worker(s) running
00:00:02 - 100% Completed

ニューラルネットワークモデルの変数の定義

ニューラルネットワークモデルを定義する変数を初期化します。inputData 変数には、 $D_{m a x}$ × $N_{t x}$ ×2 の配列から成る $N_{s a m p l e s}$ 個のサンプルが含まれています。

[maxDelay,nTx,Niq,Nsamples] = size(inputData)

maxDelay = 
28

nTx = 
8

Niq = 
2

Nsamples = 
2000

systemParams.MaxDelay = maxDelay;

データを学習セット、検証セット、テストセットに分割します。

N = size(inputData, 4);
numTrain = floor(N*10/15)

numTrain = 
1333

numVal = floor(N*3/15)

numVal = 
400

numTest = floor(N*2/15)

numTest = 
266

inputDataT = inputData(:,:,:,1:numTrain);
inputDataV = inputData(:,:,:,numTrain+(1:numVal));
inputDataTest = inputData(:,:,:,numTrain+numVal+(1:numTest));

この例では、[1] で推奨されている自己符号化器ニューラルネットワークの修正版を使用します。

inputSize = [maxDelay nTx 2]; % 3rd dim for real and imaginary
nLinear = prod(inputSize);
nEncoded = 64;

autoencoderNet = dlnetwork([ ...
    % Encoder
    imageInputLayer(inputSize, ...
        "Normalization","none","Name","Enc_Input")

    convolution2dLayer([3 3],2, ...
        "Padding","same","Name","Enc_Conv")
    batchNormalizationLayer("Epsilon",0.001,"Name","Enc_BN")
    leakyReluLayer(0.3,"Name","Enc_leakyRelu")

    flattenLayer("Name","Enc_flatten")

    fullyConnectedLayer(nEncoded,"Name","Enc_FC")

    sigmoidLayer("Name","Enc_Sigmoid")

    % Decoder
    fullyConnectedLayer(nLinear,"Name","Dec_FC")

    functionLayer(@(x)dlarray(reshape(x,maxDelay,nTx,2,[]),'SSCB'), ...
      "Formattable",true,"Acceleratable",true,"Name","Dec_Reshape")
    ]);

autoencoderNet = ...
  helperCSINetAddResidualLayers(autoencoderNet, "Dec_Reshape");

autoencoderNet = addLayers(autoencoderNet, ...
    [convolution2dLayer([3 3],2,"Padding","same","Name","Dec_Conv") ...
    sigmoidLayer("Name","Dec_Sigmoid")]);
autoencoderNet = ...
  connectLayers(autoencoderNet,"leakyRelu_2_3","Dec_Conv");

figure
plot(autoencoderNet)
title('CSI Compression Autoencoder')

Figure contains an axes object. The axes object with title CSI Compression Autoencoder contains an object of type graphplot.

ニューラルネットワークの学習

自己符号化器ニューラルネットワークの学習オプションを設定し、trainnet (Deep Learning Toolbox)関数を使用してネットワークに学習させます。学習は、Intel® Xeon® W-2133 CPU @ 3.60GHz と NVIDIA GeForce RTX 3080 GPU を使用して 13 分未満で完了します。事前学習済みのネットワークを読み込むには、trainNow を false に設定します。保存済みのネットワークは次の設定で動作することに注意してください。これらの設定を変更する場合は、trainNow を true に設定します。

txAntennaSize = [2 2 2 1 1]; % rows, columns, polarizations, panels
rxAntennaSize = [2 1 1 1 1]; % rows, columns, polarizations, panels
rmsDelaySpread = 300e-9;     % s
maxDoppler = 5;              % Hz
nSizeGrid = 52;              % Number resource blocks (RB)
                             % 12 subcarriers per RB
subcarrierSpacing = 15;

trainNow = false;

miniBatchSize = 1000;
trainOptions = trainingOptions("adam", ...
InitialLearnRate=0.01, ...
LearnRateSchedule="piecewise", ...
LearnRateDropPeriod=138, ...
LearnRateDropFactor=0.7456, ...
Epsilon=1e-7, ...
MaxEpochs=1000, ...
MiniBatchSize=miniBatchSize, ...
Shuffle="every-epoch", ...
ValidationData={inputDataV,inputDataV}, ...
ValidationFrequency=20, ...
ValidationPatience=20, ...
Metrics="rmse", ...
Verbose=true, ...
OutputNetwork="best-validation-loss", ...
ExecutionEnvironment="auto", ...
Plots='none')

trainOptions = 
  TrainingOptionsADAM with properties:

             GradientDecayFactor: 0.9000
                       MaxEpochs: 1000
                InitialLearnRate: 0.0100
               LearnRateSchedule: 'piecewise'
             LearnRateDropFactor: 0.7456
             LearnRateDropPeriod: 138
                   MiniBatchSize: 1000
                         Shuffle: 'every-epoch'
         CheckpointFrequencyUnit: 'epoch'
        PreprocessingEnvironment: 'serial'
                         Verbose: 1
                VerboseFrequency: 50
                  ValidationData: {[28×8×2×400 single]  [28×8×2×400 single]}
             ValidationFrequency: 20
              ValidationPatience: 20
                         Metrics: 'rmse'
             ObjectiveMetricName: 'loss'
            ExecutionEnvironment: 'auto'
                           Plots: 'none'
                       OutputFcn: []
                  SequenceLength: 'longest'
            SequencePaddingValue: 0
        SequencePaddingDirection: 'right'
                InputDataFormats: "auto"
               TargetDataFormats: "auto"
         ResetInputNormalization: 1
       ResetInverseNormalization: 1
                NormalizeTargets: 0
    BatchNormalizationStatistics: 'auto'
                   OutputNetwork: 'best-validation-loss'
                    Acceleration: "auto"
                  CheckpointPath: ''
             CheckpointFrequency: 1
        CategoricalInputEncoding: 'integer'
       CategoricalTargetEncoding: 'auto'
                L2Regularization: 1.0000e-04
         GradientThresholdMethod: 'l2norm'
               GradientThreshold: Inf
      SquaredGradientDecayFactor: 0.9990
                         Epsilon: 1.0000e-07

lossFunc = @(x,t) nmseLossdB(x,t);

ネットワークの入力と出力との間の dB 単位の正規化平均二乗誤差 (NMSE) を学習損失関数として使用し、自己符号化器に最適な重みのセットを見つけます。

if trainNow
  [net,trainInfo] = ...
    trainnet(inputDataT,inputDataT,autoencoderNet,lossFunc,trainOptions); %#ok<UNRCH>
  save("csiTrainedNetwork_" ...
    + string(datetime("now","Format","dd_MM_HH_mm")), ...
    'net','trainInfo','systemParams','dataOptions','trainOptions')
else
  systemParamsCached = systemParams;
load("csiTrainedNetwork202507",'net','trainInfo','systemParams','trainOptions')
  if ~checkSystemCompatibility(systemParams,systemParamsCached)
    error("CSIExample:Missmatch", ...
      "Saved network does not match settings. Set trainNow to true.")
  end
end

学習済みネットワークのテスト

predict (Deep Learning Toolbox)関数を使用してテストデータを処理します。

Hhat = predict(net,inputDataTest);

自己符号化器ネットワークの入力と出力との間のコサイン類似度と NMSE を計算します。コサイン類似度は次のように定義されます。

$s = \frac{{h_{}^{ˆ}}_{m}^{H} . h_{n}}{\sqrt{({h_{}^{ˆ}}_{m}^{H} . {h_{}^{ˆ}}_{m}) (h_{n}^{H} . h_{n})}}$

ここで、 $h_{n}$ は自己符号化器の入力におけるチャネル推定で、 ${h_{}^{ˆ}}_{n}$ は自己符号化器の出力におけるチャネル推定です。コサイン類似度の詳細については、「Cosine Similarity As a Channel Estimate Quality Metric」の例を参照してください。NMSE は次のように定義されます。

$N M S E = E {\frac{{‖ H - H_{}^{ˆ} ‖}_{2}^{2}}{{‖ H ‖}_{2}^{2}}}$

ここで、 $H$ は自己符号化器の入力におけるチャネル推定で、 $H_{}^{ˆ}$ は自己符号化器の出力におけるチャネル推定です。

cossim = zeros(numTest,1);
nmse = zeros(numTest,1);
for n=1:numTest
    in = inputDataTest(:,:,1,n) + 1i*(inputDataTest(:,:,2,n));
    out = Hhat(:,:,1,n) + 1i*(Hhat(:,:,2,n));

    % Calculate correlation
    cossim(n) = helperComplexCosineSimilarity(in,out);

    % Calculate NMSE
    mse = mean(abs(in-out).^2,'all');
    nmse(n) = 10*log10(mse / mean(abs(in).^2,'all'));
end
figure
tiledlayout(3,1)
nexttile
histogram(abs(cossim),"Normalization","probability")
grid on
title(sprintf("Cosine Similarity Magnitude (Mean = %1.2f)", ...
mean(abs(cossim),'all')))
xlabel("Cosine Similarity Magnitude"); ylabel("PDF")
nexttile
histogram(angle(cossim),"Normalization","probability")
grid on
title(sprintf("Cosine Similarity Angle (Mean = %1.2f)", ...
mean(angle(cossim),'all')))
xlabel("Cosine Similarity Angle"); ylabel("PDF")
nexttile
histogram(nmse,"Normalization","probability")
grid on
title(sprintf("NMSE (Mean NMSE = %1.2f dB)", ...
mean(nmse,'all')))
xlabel("NMSE (dB)"); ylabel("PDF")

完全な CSI フィードバックシステム

次の図は、CSI フィードバックのチャネル推定に関する全体の処理を示しています。UE によって、CSI-RS 信号を使用して 1 つのスロットのチャネル応答 $H_{e s t}$ が推定されます。自己符号化器の符号化器部分を使用して、前処理されたチャネル推定 $H_{t r}$ が符号化され、1 行 $N_{e n c}$ 列の圧縮された配列が生成されます。自己符号化器の復号化器部分によって、圧縮された配列が圧縮解除され、 ${H_{t r}}_{}^{ˆ}$ が取得されます。 ${H_{t r}}_{}^{ˆ}$ を後処理することで、 ${H_{e s t}}_{}^{ˆ}$ が生成されます。

End-to-end CSI compression

符号化された配列を取得するには、自己符号化器を符号化器ネットワークと復号化器ネットワークの 2 つの部分に分割します。

[encNet,decNet] = helperCSINetSplitEncoderDecoder(net,"Enc_Sigmoid");
plotNetwork(net,encNet,decNet)

Figure contains 3 axes objects. Axes object 1 with title Autoencoder contains an object of type graphplot. Axes object 2 with title Encoder contains an object of type graphplot. Axes object 3 with title Decoder contains an object of type graphplot.

チャネル推定を生成します。

numFrames = 100;
nRx = prod(systemParams.RxAntennaSize);

Hest = helper3GPPChannelRealizations(...
  numFrames, ...
  channel, ...
  carrier, ...
  UseParallel           = false, ...
  SaveData              = false, ...
  Verbose               = false, ...
  ResetChannelPerFrame  = true, ...
  NumSlotsPerFrame      = 1);

チャネル推定を符号化および復号化します。

codeword = helperCSINetEncode(encNet,Hest,systemParams);
Hhat = helperCSINetDecode(decNet,codeword,systemParams);

完全な CSI フィードバックシステムについて、コサイン類似度と NMSE を計算します。

H = squeeze(mean(Hest,2));
nmseE2E = zeros(nRx,numFrames);
cossimE2E = zeros(nRx,numFrames);
for rx=1:nRx
    for n=1:numFrames
        out = Hhat(:,rx,:,n);
        in = H(:,rx,:,n);
        cossimE2E(rx,n) = mean(helperComplexCosineSimilarity(in,out));
        nmseE2E(rx,n) = helperNMSE(in,out);
    end
end
figure
tiledlayout(3,1)
nexttile
histogram(abs(cossimE2E),"Normalization","probability")
grid on
title(sprintf("Complete Cosine Similarity Magnitude (Mean = %1.2f)", ...
mean(abs(cossimE2E),'all')))
xlabel("Cosine Similarity Magnitude"); ylabel("PDF")
nexttile
histogram(angle(cossimE2E),"Normalization","probability")
grid on
title(sprintf("Complete Cosine Similarity Angle (Mean = %1.2f)", ...
mean(angle(cossimE2E),'all')))
xlabel("Cosine Similarity Angle"); ylabel("PDF")
nexttile
histogram(nmseE2E,"Normalization","probability")
grid on
title(sprintf("Complete NMSE (Mean NMSE = %1.2f dB)", ...
mean(nmseE2E,'all')))
xlabel("NMSE (dB)"); ylabel("PDF")

量子化されたコードワードの効果

実際のシステムでは、符号化されたコードワードを少ないビット数で量子化しなければなりません。[2,10] ビットの範囲で量子化の影響をシミュレーションします。結果は、6 ビットで単精度のパフォーマンスを近似するのに十分であることを示しています。

CSI compression with autoencoder and quantization

maxVal = 1;
minVal = -1;
idxBits = 1;
nBitsVec = 2:10;
rhoQ = zeros(nRx,numFrames,length(nBitsVec));
nmseQ = zeros(nRx,numFrames,length(nBitsVec));
for numBits = nBitsVec
disp("Running for " + numBits + " bit quantization")

    % Quantize between 0:2^n-1 to get bits
    qCodeword = uencode(double(codeword*2-1), numBits);

    % Get back the floating point, quantized numbers
    codewordRx = (single(udecode(qCodeword,numBits))+1)/2;
    Hhat = helperCSINetDecode(decNet,codewordRx,systemParams);
    H = squeeze(mean(Hest,2));
    for rx=1:nRx
        for n=1:numFrames
            out = Hhat(:,rx,:,n);
            in = H(:,rx,:,n);
            rhoQ(rx,n,idxBits) = helperCSINetCorrelation(in,out);
            nmseQ(rx,n,idxBits) = helperNMSE(in,out);
        end
    end
    idxBits = idxBits + 1;
end

Running for 2 bit quantization
Running for 3 bit quantization
Running for 4 bit quantization
Running for 5 bit quantization
Running for 6 bit quantization
Running for 7 bit quantization
Running for 8 bit quantization
Running for 9 bit quantization
Running for 10 bit quantization

figure
tiledlayout(2,1)
nexttile
plot(nBitsVec,squeeze(mean(rhoQ,[1 2])),'*-')
title("Correlation (Codeword-" + size(codeword,3) + ")")
xlabel("Number of Quantization Bits"); ylabel("\rho")
grid on
nexttile
plot(nBitsVec,squeeze(mean(nmseQ,[1 2])),'*-')
title("NMSE (Codeword-" + size(codeword,3) + ")")
xlabel("Number of Quantization Bits"); ylabel("NMSE (dB)")
grid on

$Figure contains 2 axes objects. Axes object 1 with title Correlation (Codeword-64), xlabel Number of Quantization Bits, ylabel \rho contains an object of type line. Axes object 2 with title NMSE (Codeword-64), xlabel Number of Quantization Bits, ylabel NMSE (dB) contains an object of type line.$

その他の調査

自己符号化器は、[624 8] の単精度複素チャネル推定配列を、平均相関係数が 0.99 で NMSE が -19.55 dB である [64 1] 単精度配列に圧縮します。6 ビットの量子化を使用すると、必要な CSI フィードバックデータは 384 ビットのみとなり、圧縮率は約 800:1 になります。

display("Compression ratio is " + (624*8*32*2)/(64*6) + ":" + 1)

    "Compression ratio is 832:1"

truncationFactor がシステムのパフォーマンスに与える影響を調査します。5G システムのパラメーター、チャネルのパラメーター、符号化されたシンボルの数を変更し、定義されたチャネルに最適な値を見つけます。

チャネル状態情報フィードバックを使用した NR PDSCH のスループットの例では、チャネル状態情報 (CSI) フィードバックを使用して物理ダウンリンク共有チャネル (PDSCH) のパラメーターを調整し、スループットを測定する方法を示しています。CSI フィードバックアルゴリズムを CSI 圧縮自己符号化器に置き換えて、パフォーマンスを比較します。

この例では、CSI の圧縮および再構成のための自己符号化器の設計、学習、および評価を行う方法を示します。タスクに固有のその他のプロセスについては、以下の例を参照してください。

CSI Feedback with Transformer Autoencoder — CSI の圧縮と再構成のためのトランスフォーマー自己符号化器を設計、学習、および評価します。
Optimize CSI Feedback Autoencoder Training Using MATLAB Parallel Server and Experiment Manager — MATLAB® Parallel Server™ と実験マネージャーアプリを使用して、チャネル状態情報 (CSI) の圧縮をシミュレーションする自己符号化器モデルの最適な学習ハイパーパラメーターの決定を高速化します。
CSI Feedback with Autoencoders Implemented on an FPGA (Deep Learning HDL Toolbox) — Deep Learning HDL Toolbox™ を使用して、実装済みの CSI 自己符号化器を FPGA に展開します。

MATLAB 上で動作する PyTorch ベースおよび Keras ベースのニューラルネットワークの学習とテストの方法についても学ぶことができます。

補助関数

補助関数を調べて、システムの詳細な実装を確認します。

学習データの生成

helper3GPPChannelRealizations

ネットワークの定義と操作

helperCSINetDLNetwork

helperCSINetAddResidualLayers

helperCSINetSplitEncoderDecoder

CSI の処理

helperPreprocess3GPPChannelData

helperPostprocess3GPPChannelData

helperCSINetEncode

helperCSINetDecode

パフォーマンスの測定

helperComplexCosineSimilarity

helperNMSE

付録: 実験マネージャーを使ったハイパーパラメーターの最適化

最適なパラメーターを見つけるには、実験マネージャーアプリを使用します。CSITrainingProject.mlproj は事前構成されたプロジェクトです。プロジェクトを抽出します。

projectName = "CSITrainingProject";
if ~exist(projectName,"dir")
  projRoot = helperCSINetExtractProject(projectName);
else
  projRoot = fullfile(exRoot(),projectName);
end

プロジェクトを開くには、実験マネージャーアプリを起動し、次のファイルを開きます。

disp(fullfile(".","CSITrainingProject","CSITrainingProject.prj"))

.\CSITrainingProject\CSITrainingProject.prj

ハイパーパラメーター最適化時に使用する入力データと自己符号化器オプションを保存します。

dataDir = fullfile(pwd,"Data","processed");
if ~isfolder(dataDir)
  mkdir(dataDir)
end
save(fullfile(dataDir,"nr_channel_preprocessed.mat"), ...
    "inputData","systemParams")
save('data_folder.mat', "dataDir");

ハイパーパラメーターの最適化実験では、次の図のように、ハイパーパラメーターの検索範囲が指定されたベイズ最適化が使用されます。プロジェクトを開いたら、実験設定関数 CSIAutoEncNN_setup を使用できます。カスタムメトリクス関数は E2E_NMSE です。

最適なパラメーターは、初期学習率が 0.01、学習率低下期間が 156 回の反復、学習率低下係数が 0.5916 です。最適なハイパーパラメーターを見つけたら、同じパラメーターを使ってネットワークを複数回学習させ、学習結果が最も良いネットワークを見つけます。

9 回目の試行で最適な E2E_NMSE が得られました。この例では、この学習済みのネットワークを保存済みのネットワークとして使用します。

バッチモードの構成

実行の [モード] が Batch Sequential または Batch Simultaneous に設定されている場合、学習データは、[Prepare Data in Bulk] セクションの dataDir 変数によって定義された場所にあるワーカーにアクセスできなければなりません。dataDir を、ワーカーがアクセスできるネットワークの場所に設定してください。詳細については、Offload Experiments as Batch Jobs to a Cluster (Deep Learning Toolbox)を参照してください。

ローカル関数

function [inputData,systemParams,dataOptions,channel,carrier] = prepareData(numSamples)
carrier = nrCarrierConfig;
nSizeGrid = 52;                                         % Number resource blocks (RB)
systemParams.SubcarrierSpacing = 15;  % 15, 30, 60, 120 kHz
carrier.NSizeGrid = nSizeGrid;
carrier.SubcarrierSpacing = systemParams.SubcarrierSpacing;
waveInfo = nrOFDMInfo(carrier);
systemParams.TxAntennaSize = [2 2 2 1 1];   % rows, columns, polarization, panels
systemParams.RxAntennaSize = [2 1 1 1 1];   % rows, columns, polarization, panels
systemParams.MaxDoppler = 5;                % Hz
systemParams.RMSDelaySpread = 300e-9;       % s
systemParams.DelayProfile = "CDL-C"; % CDL-A, CDL-B, CDL-C, CDL-D, CDL-D, CDL-E
systemParams.NumSubcarriers = carrier.NSizeGrid*12;
channel = nrCDLChannel;
channel.DelayProfile = systemParams.DelayProfile;
channel.DelaySpread = systemParams.RMSDelaySpread;     % s
channel.MaximumDopplerShift = systemParams.MaxDoppler; % Hz
channel.RandomStream = "Global stream";
channel.TransmitAntennaArray.Size = systemParams.TxAntennaSize;
channel.ReceiveAntennaArray.Size = systemParams.RxAntennaSize;
channel.ChannelFiltering = false;
channel.SampleRate = waveInfo.SampleRate;
samplesPerSlot = ...
  sum(waveInfo.SymbolLengths(1:waveInfo.SymbolsPerSlot));
channel.NumTimeSamples = samplesPerSlot; % 1 slot worth of samples
systemParams.NumSymbols = 14;
useParallel = true;
saveData =  true;
dataDir = fullfile(pwd,"Data");
dataFilePrefix = "nr_channel_est";
numSlotsPerFrame = 1;
resetChannel = true;
sdsChan = helper3GPPChannelRealizations(...
  numSamples, ...
  channel, ...
  carrier, ...
  UseParallel=useParallel, ...
  SaveData=saveData, ...
  DataDir=dataDir, ...
  dataFilePrefix=dataFilePrefix, ...
  NumSlotsPerFrame=numSlotsPerFrame, ...
  ResetChannelPerFrame=resetChannel);

dataOptions.DataDomain = "Frequency-Spatial (FS)";
dataOptions.TruncationFactor = 10;
Tdelay = 1/(systemParams.NumSubcarriers*carrier.SubcarrierSpacing*1e3);
rmsDelaySpreadSamples = channel.DelaySpread/Tdelay;
[data,dataOptions] = helperPreprocess3GPPChannelData( ...
  sdsChan, ...
  TrainingObjective          = "autoencoding", ...
  AverageOverSlots           = true, ...
  TruncateChannel            = true, ...
  ExpectedDelaySpreadSamples = rmsDelaySpreadSamples, ...
  TruncationFactor           = dataOptions.TruncationFactor, ...
  DataComplexity             = "real (2D)", ...
  IQDimension                = 3, ...
  DataDomain                 = dataOptions.DataDomain, ...
  UseParallel                = useParallel, ...
  SaveData                   = false);
meanVal = mean(data{1},'all');
stdVal = std(data{1},[],'all');
inputData = (data{1}-meanVal) / stdVal;
targetStd = 0.0212;
inputData = inputData*targetStd+0.5;
systemParams.Normalization = "mean-variance";
systemParams.MeanValue = meanVal;
systemParams.StandardDeviationValue = stdVal;
systemParams.TargetStandardDeviation = targetStd;
systemParams.ExpectedDelaySpreadSamples = dataOptions.ExpectedDelaySpreadSamples;
end

function compatible = checkSystemCompatibility(systemParams,systemParamsCached)
compatible = false;
if systemParams.SubcarrierSpacing ~= systemParamsCached.SubcarrierSpacing
  return
end
if any(systemParams.TxAntennaSize ~= systemParamsCached.TxAntennaSize)
  return
end
if any(systemParams.RxAntennaSize ~= systemParamsCached.RxAntennaSize)
  return
end
if systemParams.MaxDoppler ~= systemParamsCached.MaxDoppler
  return
end
if systemParams.RMSDelaySpread ~= systemParamsCached.RMSDelaySpread
  return
end
if systemParams.DelayProfile ~= systemParamsCached.DelayProfile
  return
end
if systemParams.NumSubcarriers ~= systemParamsCached.NumSubcarriers
  return
end
if systemParams.NumSymbols ~= systemParamsCached.NumSymbols
  return
end
if abs(systemParams.MeanValue - systemParamsCached.MeanValue) > 3e-2
  return
end
if (systemParams.StandardDeviationValue - systemParamsCached.StandardDeviationValue) > 3e-2
  return
end
if systemParams.TargetStandardDeviation ~= systemParamsCached.TargetStandardDeviation
  return
end
if systemParams.ExpectedDelaySpreadSamples ~= systemParamsCached.ExpectedDelaySpreadSamples
  return
end
if systemParams.MaxDelay ~= systemParamsCached.MaxDelay
  return
end
compatible = true;
end

function plotNetwork(net,encNet,decNet)
%plotNetwork Plot autoencoder network
%   plotNetwork(NET,ENC,DEC) plots the full autoencoder network together
%   with encoder and decoder networks.
fig = figure;
t1 = tiledlayout(1,2,'TileSpacing','Compact');
t2 = tiledlayout(t1,1,1,'TileSpacing','Tight');
t3 = tiledlayout(t1,2,1,'TileSpacing','Tight');
t3.Layout.Tile = 2;
nexttile(t2)
plot(net)
title("Autoencoder")
nexttile(t3)
plot(encNet)
title("Encoder")
nexttile(t3)
plot(decNet)
title("Decoder")
pos = fig.Position;
pos(3) = pos(3) + 200;
pos(4) = pos(4) + 300;
pos(2) = pos(2) - 300;
fig.Position = pos;
end

function rootDir = exRoot()
%exRoot Example root directory
rootDir = fileparts(which("helperCSINetDLNetwork"));
end

function loss = nmseLossdB(x,xHat)
%nmseLossdB NMSE loss in dB
in = complex(x(:,:,1,:),x(:,:,2,:));
out = complex(xHat(:,:,1,:),xHat(:,:,2,:));
nmsePerObservation = helperNMSE(in,out);
loss = mean(nmsePerObservation);
end

参考文献

[1] Wen, Chao-Kai, Wan-Ting Shih, and Shi Jin. “Deep Learning for Massive MIMO CSI Feedback.” IEEE Wireless Communications Letters 7, no. 5 (October 2018): 748–51. https://doi.org/10.1109/LWC.2018.2818160.