随着万物互联和人工智能等概念的推进,第五代移动通信系统(5G)应运而生,5G因其高速度、多扩展、低时延以及万物互联等优势,迅速成为通信领域和学术界探讨的热点。大规模多输入多输出(MIMO)系统被认为是5G移动通信的关键技术之一,通过基站对用户设备传递过来的信道状态信息(CSI)进行预编码,可以实现无线通信系统的性能增益。然而,CSI反馈量与系统布设的天线数量成线性关系,面对大规模MIMO系统的庞大天线数量,过高的CSI反馈开销成为了亟待解决的问题。依托于计算力的持续发展,人工智能逐渐步入人们的视野。深度学习作为人工智能的关键技术,由于其在计算机视觉、个性化推荐以及生物医疗等领域取得的巨大成就,近年来备受各个领域研究人员的关注。目前深度神经网络已在无线通信领域快速前进,尤其在物理层,涌现了许多融合深度神经网络的研究成果。针对大规模MIMO系统中CSI反馈量过载问题,通过引入注意力机制和Inception架构的思想,本课题对原有的CSI压缩反馈与重构网络Csi Net进行改进,提出了混合驱动的CSI压缩反馈与重构网络Imp-Csi Net,该网络在不同压缩比的重构性能以及收敛速度均优于前者。结合本课题的技术路线,本文主要涵盖下述内容:(1)探讨目前先进的CSI压缩反馈与重构的解决方案,包括基于压缩感知理论的方法和基于深度神经网络的方法,以及阐述神经网络的相关知识,包括神经元模型、激活函数、反向传播算法等。(2)结合国内外研究成果,采用编码-解码结构,设计混合驱动的CSI压缩反馈与重构深度网络,其中编码器将信道矩阵压缩成码字,用于CSI数据的压缩反馈,而解码器将码字恢复成信道矩阵,用于CSI数据的重构。同时,本文采用端到端的方式,联立训练编码器和解码器,能有效提高深度网络的收敛速度。(3)Imp-Csi Net编码器:引入基于通道和空间的并行注意力机制,能够增强信道数据的高贡献信息,同时抑制冗余信息,从而提高压缩码字的质量。其中基于通道的注意力机制用于选择性地强调信息特征图,而基于空间的注意力机制有助于网络对于特征图局部信息的选择。(4)Imp-Csi Net解码器:受计算机领域Inception架构的启发,本文在解码器部分结合Inception架构,对输入特征图并行使用不同卷积核的卷积运算和池化操作,能够得到输入特征图的不同信息,并行结合所有结果将获得更好的数据表征。