基于数据聚类的CSI反馈Transformer网络简化实现方法

为应对大规模多输入多输出（Multiple-input multiple-output，MIMO）系统中信道状态信息（Channel state information，CSI）反馈开销的日益增长，基于深度学习的CSI反馈网络（如Transformer网络）受到了广泛的关注，是一种非常有应用前景的智能传输技术。为此，本文提出了一种基于数据聚类的CSI反馈Transformer网络的简化方法，采用基于聚类的近似矩阵乘法（Approximate matrix multiplication，AMM）技术，以降低反馈过程中Transformer网络的计算复杂度。本文主要对Transformer网络的全连接层计算（等效为矩阵乘法），应用乘积量化（Product quantization，PQ）和MADDNESS等简化方法，分析了它们对计算复杂度和系统性能的影响，并针对神经网络数据的特点进行了算法优化。仿真结果表明，在适当的参数调整下，基于MADDNESS方法的CSI反馈网络性能接近精确矩阵乘法方法，同时可大幅降低计算复杂度。