AI+無線通信總結——初賽賽題

賽題任務

大賽将提供真實無線通信場景下采集的信道資料，鼓勵參賽選手采取資料驅動的思路和采用機器學習的方法來設計符合真實信道資料的低複雜度神經網絡結構和魯棒的AI算法，以此提升在不同壓縮尺度下的信道資訊恢複的準确度。

針對真實大規模天線陣列通信信道，采集到的資料是32萬個信道資料樣本，每個樣本是一個矩陣（可以把單個樣本視為一張圖檔）。在此給定資料的條件下，選手需要設計合理的神經網絡結構來進行信道資料（等同于圖檔）的壓縮和恢複。

本賽題規定壓縮後的單個樣本大小為128比特，即壓縮後傳輸的管道容量為128比特。本賽題主要考察信道經過壓縮和重建後的資訊和原來信道資訊之間的誤差。

資料簡介

信道資料來源于真實無線信道，頻段為3.5GHz，子載波個數為256。 采集信道樣本32萬個。資料已經過一些預處理（包括去噪、DFT 轉化、時延域稀疏剪裁、時間去相關等）。最終提供給參賽者們的資料集是32萬組矩陣資料，可以看作32萬張圖檔。

資料說明

資料名稱 資料描述 資料大小

訓練集 Hdata.mat，資料格式為320000×1024，其中320000為樣本數，1024是信道矩陣32×16×2變形為一維向量的維數 320000×1024

送出要求

參賽選手需要按照如下環境要求以及模闆準備送出結果，然後将各類文檔、源代碼壓縮打包後，通過競賽平台送出。

程式設計語言：Python 3.6

調用宏包：TensorFlow 2.1.0；pytorch > 1.0.0；Numpy 1.18.1；matplotlib 3.1.2；h5py 2.10.0 ；Sklearn 0.23.2

大小限制：檔案上傳不得超過500M

1、TensorFlow版本

a.結果模闆

（1）Model_define_tf

設計網絡結構，設計Encoder與Decoder函數。

Encoder函數，定義編碼器模型。輸入原始信道狀态資訊（x）與回報比特量(feedback_bits)，輸出為比特流編碼向量。

Decoder函數，定義解碼器模型。輸入比特流編碼向量（x）與回報比特量(feedback_bits)，輸出為重建的CSI。

get_custom_objects()函數，傳回自定義層字典，用于Model_evaluation檔案中模型的載入。

參賽者搭模組化型時需要選擇data_format =‘channel_last’；NMSE與Score函數不可修改。

（2）Model_train

模型訓練，調用Model_define中的Encoder和Decoder函數來搭建自編碼器網絡。

資料導入位址：‘./data/Hdata.mat’，在目前檔案夾下建立子目錄‘data/’，下載下傳資料集Hdata.mat到‘data’檔案夾即可。

模型的儲存是解耦的，即分别儲存encoder與decoder模型；模型權重與結構儲存在一個*.h5檔案中，即儲存為encoder.h5與decoder.h5檔案；

模型存儲位址：’./Modelsave/XXX.h5’，在目前檔案夾下建立子目錄‘Modelsave/’，儲存encoder.h5與decoder.h5檔案。

參賽者可設定與調整訓練參數，但不可修改模型儲存方式（包括存儲的相對路徑、檔案名稱encoder.h5與decoder.h5）

（3）Model_evaluation_encoder

這是大賽用于重制選手送出結果的檔案，該檔案測試encoder模型，儲存encoder輸出為encoder_output.npy檔案，儲存位址在‘/Modelsave/’中。參賽者需要確定此檔案與Model_evaluation_decoder檔案按照順序均能夠正常運作後，才可送出結果。此檔案不可改寫，也不需送出。

（4）Model_evaluation_decoder

這是大賽用于重制選手送出結果的檔案，該檔案調用儲存結果encoder_output.npy，來測試decoder模型，包含計算評價名額NMSE與分數。參賽者需要確定Model_evaluation_encoder與此檔案按照順序均能夠正常運作後，才可送出結果。此檔案不可改寫，也不需送出。

參數介紹：feedback_bits=128（回報比特量），img_height = 16（CSI圖像高），img_width = 32（CSI圖像寬），img_channels= 2（CSI圖像通道數）

b.送出示例

參賽選手需要送出的結果檔案為：

序号 結果檔案 說明事項

1 Model_define_tf.py代碼檔案 /

2 encoder.h5模型存儲檔案 大賽對模型大小有限制

3 decoder.h5模型存儲檔案 大賽對模型大小有限制

參賽者将上述三個檔案打包壓縮，以自己的ID編号命名，壓縮包結構為：

ID Number>>

Model_define_tf.py

Modelsave>>

* encoder.h5

* decoder.h5

2、pytorch 版本

（1）Model_define_pytorch

參賽者搭模組化型時class Autoencoder不可修改。

模型的儲存是解耦的，即分别儲存encoder與decoder模型；模型權重與結構儲存在一個*.pth.tar檔案中，即儲存為encoder.pth.tar與decoder.pth.tar檔案；

模型存儲位址：’./Modelsave/XXX.pth.tar’，在目前檔案夾下建立子目錄‘Modelsave/’，儲存encoder.pth.tar與decoder.pth.tar檔案。

參賽者可設定與調整訓練參數，但不可修改模型儲存方式（包括存儲的相對路徑、檔案名稱encoder.pth.tar與decoder.pth.tar）

參數介紹：feedback_bits=128（回報比特量）、img_height = 16（CSI圖像高）、img_width = 32（CSI圖像寬）、img_channels= 2（CSI圖像通道數）

1 Model_define_pytorch.py代碼檔案 /

2 encoder.pth.tar模型存儲檔案 大賽對模型大小有限制

3 decoder.pth.tar模型存儲檔案 大賽對模型大小有限制

Model_define_pytorch.py

* encoder.pth.tar

* decoder.pth.tar

送出樣例

a.參賽選手需要送出的結果檔案，格式參考“送出要求”部分。

b.主觀評測的送出材料（具體通知時再向組委會送出，可提前準備）：

應當包含必要的代碼級樣例展示；

應當包含詳細的解題思路說明、項目運作環境和運作辦法等資訊，友善大賽專家評委進行成績有效性核實；

c.參賽項目模型和工程檔案（具體通知時再向組委會送出，可提前準備）：

建議保留從工程建立至截止日期所有的 commit，以便展現項目疊代過程；

如有版本疊代，建議保留所有 tag 與 release；

應當包含所有的模型和工程檔案，保證模型和成績可複現；

最終代碼以 master 分支為準，請适當合并分支；

成績需要可以成功複現，選手有義務及時響應技術委員會的複現要求；

其他技術委員會視情況指定的稽核要求；

評測标準

初賽評測根據 NMSE結果排名，最終score越高排名越高，其中NMSE 是指歸一化均方誤差Normalized mean squared error.

score = 1 -NMSE

注意：評審說明

在評測階段，每個隊伍每天最多可送出3次結果檔案參與評測，平台實時評測出分，在階段内各團隊最高分參與排名，排行榜實時更新；

主觀評審包含代碼稽核、模型稽核，具體規則将由組委會統一釋出；