基于AI的信道信息反馈性能提升Baseline分享

今天老肥和大家分享一个和通信相关的人工智能比赛，有不少朋友在这个赛题上遇到了很多问题，导致无法正常提交或者无法得到有效的分数，我搜集了一些与赛题相关的论文资料，并会给出目前排名前十的Baseline方案，帮助大家更快上手。

赛题介绍

背景

对于当前通信系统来说，物理层是通信服务得到保障的基础；而对于物理层来说，MIMO则是基本的支撑技术；对于MIMO来说，准确地确定信道质量并做有效反馈及利用又是必不可少的关键问题。

基于AI的信号检测、信道估计、反馈机制的探索可以对于上述问题带来全新的思考维度，例如借助神经网络的非线性还原优势，最大程度地在基站侧还原UE实际信道特征，并有效利用上述全信道特征后，可期望在物理层新的突破[1]。

任务

本赛题考虑利用AI的信息压缩性能，将全信道信息作为待压缩信息进行处理，并在接收端做信息恢复，以供基站调整相应参数，做出最佳数据调度方案。

简单来说，要求我们设计一组自编码器，包括Encoder和Decoder，前者进行信息压缩，后者进行信息恢复。

数据

赛题数据来自多小区多用户的4T4R 的MIMO信道，数据通过H_4T4R.mat文件提供，数据样本数量为60万例样本，每例样本大小为768，按照24*16*2的顺序排列，其中分别对应24条传输径，4*4的收发天线对，以及实部和虚部。

评价指标

本赛题得分的公式为

score = (1000 -反馈比特数N) / 1000 + (1/1000) * (1-NMSE)

其中NMSE要求低于0.1，不然便是无效提交，排行榜上的0.000001便是属于这种情况。换句话说，本题的目标就是在NMSE低于0.1的情况下尽可能的减少反馈比特数，反馈比特数越小，得分越高。

Baseline方案

本方案基于赛题官方给出的PyTorch版示例程序、上届AI无线通信大赛的开源方案[2]、Zhilin Lu et al提出的CRNet[3]，能够在本次比赛中顺利完成有效提交，获得排行榜前十的得分。

这是CRNet的网络结构图，CRBlock使用残差连接来加深Decoder网络，本方案的结构与上图基本相同，仅仅是输入的数据维度不同，32 * 32 替换为 24 * 16, 全连接层的维度更改为768，。与该文章不同，我们使用NMSE指标作为损失函数而不是MSE，Adam作为优化器。为了收敛更快更稳定，训练时前一小部分的epoch不进行量化。

经过训练试验，本模型对于768反馈比特数是可以做到NMSE在0.1以内（线上线下同时），意味着通过该模型可以直接得到0.23以上的线上得分。

我们可以设计更宽更深的网络来获得更低的反馈比特数是可行的方案，也可以更改优化器的优化策略，设计不同的训练方案，前沿的论文也给了我们很多思路来设计自编码器。

最后，按照惯例我已上传了Baseline代码以及多篇最新的国内国外参考论文，在后台回复「通信」即可，祝大家比赛顺利，奖金多多！

参考资料

[1] https://www.datafountain.cn/competitions/494

[2] https://github.com/seefun/NAIC_baseline_pytorch

[3] https://arxiv.org/pdf/1910.14322.pdf