系统工程与电子技术

作者：邵凯, 杜自群, 王光宇

单位：1. 重庆邮电大学通信与信息工程学院, 重庆 400065；2. 教育部移动通信工程研究中心, 重庆 400065；3. 移动通信技术重庆市重点实验室, 重庆 400065

关键词：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$\ell^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。

来源：2023年第8期

《系统工程与电子技术》期刊编辑部

查看系统工程与电子技术杂志2023年第8期