Attention-Driven CNN-Transformer Fusion Network for End-to-End Hybrid Precoding in FDD Massive MIMO-OFDM
本仓库实现了一种基于注意力驱动的 CNN-Transformer 融合网络，用于 FDD 大规模 MIMO-OFDM 系统中的端到端混合预编码。目标是联合优化导频传输、CSI 反馈与混合预编码，以最大化系统频谱效率。
论文《Attention-Driven CNN-Transformer Fusion Network Architecture for End-to-End Hybrid Precoding in FDD Massive MIMO-OFDM Systems》指出：
- FDD 大规模 MIMO-OFDM 系统中，CSI 反馈开销极大，是性能瓶颈。
- 现有数据驱动 CSI 压缩方法大多基于 CNN，受限于局部感受野，难以捕获高维信道的全局相关性。
- 论文提出将 CNN 与 Transformer 融合的网络，利用注意力机制增强 CSI 压缩，并在基站端同时学习本地与全局通道结构。
当前代码实现了论文的核心思想，并结合实际训练流程：
- UE 端：基于注意力门控的 CNN 卷积网络（包含 CBAM 空间/通道注意力机制）对 CSI 进行压缩。
- BS 端：使用 RepVGG 风格卷积模块提取局部特征，再经 Transformer 编码器捕获全局频域相关性，用于生成混合预编码矩阵。
- 端到端训练：
train.py负责加载信道数据、训练 UE/BS 两端网络、计算频谱效率损失并保存最优模型。
Network_FDD_CBAM.py中的DNN_US_RF_OFDM实现用户端网络。- 输入：多子载波复数 CSI 的实部与虚部表示。
- 主要模块：
- 多天线导频映射
- 复数卷积与 CBAM 残差块
- 门控特征单元
- 量化层生成二进制反馈码字
Network_FDD_CBAM.py中的DNN_BS_hyb_OFDM实现基站端网络。- 输入：UE 端压缩后的比特流。
- 主要模块：
- 反量化层
- 全连接特征提取
- RepVGG 风格卷积块
- Transformer 编码器
- 生成射频与基带复数预编码矩阵
MyLoss_OFDM作为自定义频谱效率损失函数。- 直接基于信道矩阵和生成的预编码器计算信号与干扰，优化最终系统频谱效率。
- 信道数据生成脚本：
channel.py。 - 生成的训练/测试数据保存在
data/目录下，文件名形如：H_train_UPA{N}Lp_1.ptH_train_UPA{N}Lp_2.ptH_test_UPA{N}Lp.pt
- 数据格式为 PyTorch 张量，包含用户数、接收天线、子载波、复数通道实虚部。
- 主要训练脚本：
train.py - 处理流程：
- 加载训练/测试信道数据
- 初始化 UE/BS 两端网络
- 使用 Adam 优化器进行迭代训练
- 每轮评估测试集频谱效率
- 保存最佳模型到
saved_models/
- 天线配置：
Nc=32,Nt=64,Nr=1 - 用户数：
K=2 - 子载波数、反馈比特等参数可在
train.py中修改 - 反馈比特集合
B_values = [1, 3, 16, 24, 32, 48, 64]
python train.py如果需要使用其他模型变体，可修改 train.py 中的导入模块，例如：
import Network_FDD as FDD
# 或者
import Network_FDD_f as FDDtrain.py：训练主脚本，加载数据并执行端到端训练Network_FDD_CBAM.py：核心实现，包含 UE/BS 网络、CBAM 模块、RepVGG 与 Transformer 结构Network_FDD.py/Network_FDD_f.py/Network_FDD_Conformer.py：不同网络变体实现，可用于对比实验channel.py：信道生成与数据处理代码convert_to_npy.py：用于将.pt数据转换为.npy或其他格式的辅助脚本MO-BH/：基线仿真。详见仓库MO-AltMinsaved_models/：训练得到的模型权重文件data/：信道样本数据集
建议安装：
- Python 3.x
- PyTorch
- NumPy
- SciPy
- matplotlib
- torchvision
本项目聚焦于 FDD 大规模 MIMO-OFDM 的端到端混合预编码，目标是通过注意力驱动的网络结构压缩 CSI 并生成高效混合预编码矩阵，显著提升频谱效率。