算法在NMSE性能上的优化

本节将通过NMSE性能进行仿真分析，验证算法的性能。仿真过程中，训练集、验证集和测试集个数分别为100 000、30 000和20 000，batch_size为K=200，epochs为1 000，学习率为0.001。此外，在压缩和解压缩模块的LSTM-Attention模块中分别设置6个LSTM单元。

图9-11　LSTM-Attention CsiNet、Reduced LSTM-Attention CsiNet与主流算法的NMSE性能的比较（在室内条件下）(www.xing528.com)

此外，在相同的实验条件下，轻量级的Reduced LSTM-Attention CsiNet信道反馈系统的测试结果如图9-11和图9-12所示。对于室内场景，与其他主流算法相比，Reduced LSTM-Attention CsiNet的NMSE性能更好，其中曲线比CsiNet小1~3 d B。对于室外场景，Reduced LSTM-Attention CsiNet的性能也较好，比CsiNet的性能好0.5~2 d B。Reduced LSTM-Attention CsiNet的压缩和解压模块中的FCN作为一个跳转连接网络，保持LSTM-Attention模块输入和输出的维数不变，从而减少了网络中训练参数的数量，最终降低了反馈网络的计算复杂度。

图9-12　LSTM-Attention CsiNet、Reduced LSTM-Attention CsiNet与主流算法的NMSE性能的比较（在室外条件下）

LSTM-Attention CsiNet和轻量级Reduced LSTM-Attention CsiNet两种网络的性能相比，后者要次于前者。这是因为，FCN将提取的特征向量的大小从N维压缩到M维，导致一些特征信息丢失，所以轻量级网络Reduced LSTM-Attention CsiNet的性能不如LSTM-Attention CsiNet。