基于模型剪枝动态调整压缩率的CSI反馈方法

作者：邵凯^*; 杜自群; 王光宇

来源：系统工程与电子技术, 2023, 45(08): 2615-2622.

• 信道状态信息
• 深度学习
• 模型剪枝
• 通道注意力

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?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。

• 单位
  通信与信息工程学院; 重庆邮电大学