AI+无线通信总结——初赛赛题

​

赛题任务

大赛将提供真实无线通信场景下采集的信道数据，鼓励参赛选手采取数据驱动的思路和采用机器学习的方法来设计符合真实信道数据的低复杂度神经网络结构和鲁棒的AI算法，以此提升在不同压缩尺度下的信道信息恢复的准确度。

针对真实大规模天线阵列通信信道，采集到的数据是32万个信道数据样本，每个样本是一个矩阵（可以把单个样本视为一张图片）。在此给定数据的条件下，选手需要设计合理的神经网络结构来进行信道数据（等同于图片）的压缩和恢复。

本赛题规定压缩后的单个样本大小为128比特，即压缩后传输的管道容量为128比特。本赛题主要考察信道经过压缩和重建后的信息和原来信道信息之间的误差。

数据简介

信道数据来源于真实无线信道，频段为3.5GHz，子载波个数为256。 采集信道样本32万个。数据已经过一些预处理（包括去噪、DFT 转化、时延域稀疏剪裁、时间去相关等）。最终提供给参赛者们的数据集是32万组矩阵数据，可以看作32万张图片。

数据说明

​

提交要求

参赛选手需要按照如下环境要求以及模板准备提交结果，然后将各类文档、源代码压缩打包后，通过竞赛平台提交。
编程语言：Python 3.6
调用宏包：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：文件上传不得超过500M

1、TensorFlow版本

a.结果模板

（1）Model_define_tf
设计网络结构，设计Encoder与Decoder函数。

• Encoder函数，定义编码器模型。输入原始信道状态信息（x）与反馈比特量(feedback_bits)，输出为比特流编码向量。
• Decoder函数，定义解码器模型。输入比特流编码向量（x）与反馈比特量(feedback_bits)，输出为重建的CSI。
• get_custom_objects()函数，返回自定义层字典，用于Model_evaluation文件中模型的载入。
• 参赛者搭建模型时需要选择data_format =‘channel_last’；NMSE与Score函数不可修改。

（2）Model_train
模型训练，调用Model_define中的Encoder和Decoder函数来搭建自编码器网络。

• 数据导入地址：‘./data/Hdata.mat’，在当前文件夹下创建子目录‘data/’，下载数据集Hdata.mat到‘data’文件夹即可。
• 模型的保存是解耦的，即分别保存encoder与decoder模型；模型权重与结构保存在一个*.h5文件中，即保存为encoder.h5与decoder.h5文件；
• 模型存储地址：’./Modelsave/XXX.h5’，在当前文件夹下创建子目录‘Modelsave/’，保存encoder.h5与decoder.h5文件。
• 参赛者可设置与调整训练参数，但不可修改模型保存方式（包括存储的相对路径、文件名称encoder.h5与decoder.h5）

（3）Model_evaluation_encoder
这是大赛用于重现选手提交结果的文件，该文件测试encoder模型，保存encoder输出为encoder_output.npy文件，保存地址在‘/Modelsave/’中。参赛者需要确保此文件与Model_evaluation_decoder文件按照顺序均能够正常运行后，才可提交结果。此文件不可改写，也不需提交。

（4）Model_evaluation_decoder
这是大赛用于重现选手提交结果的文件，该文件调用储存结果encoder_output.npy，来测试decoder模型，包含计算评价指标NMSE与分数。参赛者需要确保Model_evaluation_encoder与此文件按照顺序均能够正常运行后，才可提交结果。此文件不可改写，也不需提交。

参数介绍：feedback_bits=128（反馈比特量），img_height = 16（CSI图像高），img_width = 32（CSI图像宽），img_channels= 2（CSI图像通道数）

b.提交示例
参赛选手需要提交的结果文件为：

参赛者将上述三个文件打包压缩，以自己的ID编号命名，压缩包结构为：
ID Number>>

• Model_define_tf.py
• Modelsave>>
  * encoder.h5
  * decoder.h5

2、pytorch 版本

a.结果模板

（1）Model_define_pytorch
设计网络结构，设计Encoder与Decoder函数。

• Encoder函数，定义编码器模型。输入原始信道状态信息（x）与反馈比特量(feedback_bits)，输出为比特流编码向量。
• Decoder函数，定义解码器模型。输入比特流编码向量（x）与反馈比特量(feedback_bits)，输出为重建的CSI。
• 参赛者搭建模型时class Autoencoder不可修改。

（2）Model_train
模型训练，调用Model_define中的Encoder和Decoder函数来搭建自编码器网络。

• 数据导入地址：‘./data/Hdata.mat’，在当前文件夹下创建子目录‘data/’，下载数据集Hdata.mat到‘data’文件夹即可。
• 模型的保存是解耦的，即分别保存encoder与decoder模型；模型权重与结构保存在一个*.pth.tar文件中，即保存为encoder.pth.tar与decoder.pth.tar文件；
• 模型存储地址：’./Modelsave/XXX.pth.tar’，在当前文件夹下创建子目录‘Modelsave/’，保存encoder.pth.tar与decoder.pth.tar文件。
• 参赛者可设置与调整训练参数，但不可修改模型保存方式（包括存储的相对路径、文件名称encoder.pth.tar与decoder.pth.tar）

（3）Model_evaluation_encoder
这是大赛用于重现选手提交结果的文件，该文件测试encoder模型，保存encoder输出为encoder_output.npy文件，保存地址在‘/Modelsave/’中。参赛者需要确保此文件与Model_evaluation_decoder文件按照顺序均能够正常运行后，才可提交结果。此文件不可改写，也不需提交。

（4）Model_evaluation_decoder
这是大赛用于重现选手提交结果的文件，该文件调用储存结果encoder_output.npy，来测试decoder模型，包含计算评价指标NMSE与分数。参赛者需要确保Model_evaluation_encoder与此文件按照顺序均能够正常运行后，才可提交结果。此文件不可改写，也不需提交。

参数介绍：feedback_bits=128（反馈比特量）、img_height = 16（CSI图像高）、img_width = 32（CSI图像宽）、img_channels= 2（CSI图像通道数）

b.提交示例
参赛选手需要提交的结果文件为：

参赛者将上述三个文件打包压缩，以自己的ID编号命名，压缩包结构为：
ID Number>>

• Model_define_pytorch.py
• Modelsave>>
  * encoder.pth.tar
  * decoder.pth.tar

提交样例

a.参赛选手需要提交的结果文件，格式参考“提交要求”部分。

b.主观评测的提交材料（具体通知时再向组委会提交，可提前准备）：

• 应当包含必要的代码级样例展示；
• 应当包含详细的解题思路说明、项目运行环境和运行办法等信息，方便大赛专家评委进行成绩有效性核实；

c.参赛项目模型和工程文件（具体通知时再向组委会提交，可提前准备）：

• 建议保留从工程创建至截止日期所有的 commit，以便展现项目迭代过程；
• 如有版本迭代，建议保留所有 tag 与 release；
• 应当包含所有的模型和工程文件，保证模型和成绩可复现；
• 最终代码以 master 分支为准，请适当合并分支；
• 成绩需要可以成功复现，选手有义务及时响应技术委员会的复现要求；
• 其他技术委员会视情况指定的审核要求；

评测标准

初赛评测根据 NMSE结果排名，最终score越高排名越高，其中NMSE 是指归一化均方误差Normalized mean squared error.

​

score = 1 -NMSE

注意：评审说明

• 在评测阶段，每个队伍每天最多可提交3次结果文件参与评测，平台实时评测出分，在阶段内各团队最高分参与排名，排行榜实时更新；
• 主观评审包含代码审核、模型审核，具体规则将由组委会统一发布；

​