新质生产力人工智能+系列2：6G时代AI研究-CSI压缩反馈（含任务、数据集、代码、解题思路PPT资源）

        在新质生产力高质量发展的要求下，中国移动在“人工智能+”和 “数据要素X”方面不断发力，持续发布高质量电信数据集。围绕网元智能、运维智能、服务智能三大方向建设，涵盖无线信道、基站、云网、核心网、哑资源等多领域，支持感知、诊断、预测、决策、大模型等多类网络AI能力研发的标志性数据集。相关数据集均由智慧网络开放创新平台承载。

中国移动 - 智慧网络新一代人工智能开放创新平台https://jiutian.10086.cn/open/

CSI压缩反馈

CSI压缩反馈数据任务环境算力https://jiutian.10086.cn/open/#/taskParticulars/720004/?cid=114&platform=OpenInnovation复杂信道环境的无线信道状态信息数据及实测数据集，数据量级达到60万条。无论5G、5G-A还是后续的6G都需要考虑利用AI技术进行更高效率的压缩。该数据集可用于训练CSI压缩反馈等网元智能模型，压缩UE侧的信道特征信息，并实现信道状态信息的无损还原， 实现快速准确的CSI压缩反馈能力， 提升反馈精度、降低反馈开销。

下面详细介绍引自智慧网络开放创新平台官网  首赛季打榜活动：CSI压缩反馈介绍页面

任务、数据集、代码资源

特色优势

CSI 压缩反馈任务是一项针对 UE 侧信道特征矩阵数据进行压缩的挑战，研究者需通过信道传输和接收端的信息恢复，力求无损地还原信道状态信息。加入本任务的探索，它将引领研究者踏上信道自适应传输的优化之旅。

背景介绍

在 5G 技术中，MIMO 通过在基站部署大规模天线阵列，成倍提高频谱效率和能量效率。为了获取大规模 MIMO 技术的潜在性能增益，基站需要获取下行信道状态信息（Channel State Information, CSI）来进行预编码等信道自适应传输优化。
传统的压缩感知（Compressed Sensing, CS）方法严重依赖于信道结构的先验假设，而 CSI 矩阵在角度时延域只是近似稀疏，且大多数相邻元素间的变化存在关联，需要复杂的先验假设且无法保证恢复性能。因此产学界致力于利用深度学习技术强大的优化拟合能力，通过神经网络充分学习信道结构信息，获得更好的重建性能，并实现从低压缩率的反馈信息中快速、准确的恢复 CSI。

主题任务

本任务旨在使用 AI 的特征提取及信息的压缩反馈能力，利用信道特征信息训练 AI 模型，将 UE 侧的信道特征信息进行压缩，压缩后的信息经信道传输并在接收端进行信息恢复，希望在固定的压缩比特要求下尽可能无损的还原信道状态信息。压缩的比特越小，传输占用的资源就越少，但同时会导致模型还原的精度越小，反馈性能更低。因此本任务要求在给定的信道数据集下，分别对 36bit 反馈向量和 128bit 反馈向量进行模型设计，两种 bit 的反馈向量分别对应了低反馈比特场景和高反馈比特场景，最终成绩由上述两个场景得分加权获得。
注：禁止使用除给定数据集以外的其他数据。

数据来源

本任务提供的数据为仿真数据，仿真参数如下表所示：

数据文件说明

数据集文件名称为 CSI压缩反馈数据集.zip，包括训练数据 train 和测试数据 test，训练数据样本量为 50 万条，包括信道模型为 LOS 场景和 NLOS 场景各 25 万条数据，分别通过 uma_los_train.mat 和 uma_nlos_train.mat 提供，数据维度均为 250000 * 12 * 32，即样本数量 25 万，子带数 12 和发送天线数 32，实部和虚部由一个复数表示。
注意：测试数据混合了 LOS 和 NLOS 两种场景，共 10 万样本的信道特征向量矩阵，因此要求研究者尽量训练泛化性较高的模型，能在多种场景的混合数据上达到较好效果。

CSI压缩反馈数据集.zip/

• train/
  • uma_los_train.mat
  • uma_nlos_train.mat
• test/
  • uma_test.mat

样例数据说明

1. 信道特征矩阵数据

一个子带的信道特征格式为数组，大小为 32，示例如下：

运行环境

以虚拟环境 pytorch1.8 为例，主要包括 Python 3.9.7、numpy 1.20.3、scipy 1.11.1 和 torch 1.8.0 等。

代码示例

1. 原始数据读取

使用第三方库 scipy 读取本任务提供的 .mat 格式数据，示例代码如下：

import os
import scipy.io as sc
import numpy as np

datadir = '/root/mydata'
train_data_path = '/root/mydata/train'
test_data_path = '/root/mydata/test/uma_test'
los_train_path = os.path.join(train_data_path,'uma_los_train.mat')
nlos_train_path = os.path.join(train_data_path,'uma_nlos_train.mat')
los_train_data = sc.loadmat(los_train_path)['HCSI_down_all']
los_train_data = np.array(los_train_data)
nlos_train_data = sc.loadmat(nlos_train_path)['HCSI_down_all']
nlos_train_data = np.array(nlos_train_data)
train_data = np.concatenate((los_train_data, nlos_train_data), axis=0)
test_data = sc.loadmat(test_data_path)['HCSI_down_all']
test_data = np.array(test_data)

读入信道特征矩阵数据的具体格式请参考数据介绍中的样例数据说明部分。

2. 预测结果输出

以 36bit 反馈场景为例，输出模型预测结果的样例和代码示例如下：

import scipy.io as sc
import numpy as np

pred_path = '/root/teamshare/pred_res_36.mat'
pred_res_data = sc.loadmat(pred_path)['HCSI_down_all']
pred_res_data = np.array(pred_res_data)
print(f"example of pred_res for a subband:\n{pred_res_data[0, 0, :]}")

测评方案

本任务要求针对 36bit 反馈向量和 128bit 反馈向量分别设计模型，对于每一种反馈比特场景，最终测评分数为反馈得到的信道特征向量矩阵和输入的原始信道特征向量矩阵之间的余弦相似度，即：

N_{sp}Nsp​ 表示测试样本数，N_{sb}Nsb​ 是每个样本的子带数，w_{ij}wij​ 和 w'_{i,j}wi,j′​ 分别表示输入的原始信道特征向量和反馈恢复的信道特征向量，(\cdot)^H(⋅)H 表示 Hermitian 转置。最终得分为两个反馈比特场景的平均分。

有关任务的讨论欢迎大家在评论区交流

有任何问题可添加平台小助手微信 cmri_open 交流

开放创新平台小助手