基于AI的信道信息反馈性能提升比赛总结——赛题

短命女 2022-11-16 15:19 124阅读 0赞

**目录**

数据简介

提交要求

评测标准

--------------------

# 数据简介 #

比赛链接：[https://www.datafountain.cn/competitions/494][https_www.datafountain.cn_competitions_494]

本赛题提供在4发送天线4接收天线（4T4R）的MIMO信道环境下生成的信道信息数据集，期望选手们能够通过具体的模型设计与实验，获得较高的信道信息反馈增益、较低的信道信息反馈开销、较好的复杂信道下的模型泛化能力。

赛题数据来自多小区多用户的4T4R 的MIMO信道，数据通过H\_4T4R.mat文件提供，数据样本数量为60万例样本，每例样本大小为768，按照24\*16\*2的顺序排列，其中分别对应24条传输径，4\*4的收发天线对，以及实部和虚部。 赛题选手可以充分利用上述各个维度信息之间的相关特性，以期获得更好的比赛成绩。

训练集为H\_4T4R.mat，对外发布用于选手训练模型，线上测试集（共计8万例）不对外发布。  
**本次大赛不允许使用外部数据集，评测结束后，拟获奖团队在作品审核阶段需说明训练过程，必要情况下需复现训练过程。**

**数据集和官方给的示例：**

**链接：https://pan.baidu.com/s/12tNolcqAfpHuaaiDrEQ5Gg   
提取码：akey **  
注：如果失效请及时联系我。

# 提交要求 #

各参赛选手请按以下要求完成方案设计，并将结果的压缩包文件上传至竞赛平台评分系统：  
**1.编程语言版本参考：** Python 3.6；  
**2.调用宏包版本参考：** tensorflow 2.1.0；pytorch > 1.0.0；Numpy 1.18.1；matplotlib 3.1.2；h5py 2.10.0 ；Sklearn 0.23.2；  
**3.上传文件大小限制：** 文件大小（压缩上传之前）不得超过100M。  
**评测机器配置为16GB显存Tesla-T4显卡，限定评测推理时间不超过400s。**

本赛题支持TensorFlow及Pytorch两种版本结果的提交，大赛提供二者的结果模板作为基线供选手参考，两类版本均提供modelTrain.py、modelDesign.py 文件，其中：

**1. modelTrain.py：**  
用于搭建模型及进行训练，其中数据导入地址为‘./channelData/H\_4T4R.mat’；训练模型存储地址为‘./modelSubmit/\*.h5’（TensorFlow版本） 或 ‘./modelSubmit/\*.pth.tar’（Pytorch版本）；

**2. modelDesign.py：**  
用于网络结构的设计，其中Encoder函数（TensorFlow版本）或类（Pytorch版本）定义发送端编码器模型，即输入为全信道信息，输出为压缩后的比特流向量；Decoder函数（TensorFlow版本）或类（Pytorch版本）定义接收端解码器模型，即输入为接收到的比特流向量，输出为重构的信道信息；Encoder与Decoder耦合成Autoencoder模型，选手通过对Encoder及Decoder模型进行优化设计以提高性能比分；

进一步地，选手需将：  
1. modelDesign.py  
2. encoder.h5（TensorFlow版本）或 encoder.pth.tar（Pytorch版本）  
3. decoder.h5（TensorFlow版本）或 decoder.pth.tar（Pytorch版本）  
上传至平台评分系统，具体压缩打包规则见【提交示例】。

提交示例

TensorFlow版本需提交modelDesign.py、encoder.h5以及decoder.h5，请将文件以如下结构进行压缩打包,并以【submit\_tf】命名压缩包并上传，例如：submit\_tf.zip

submit\_tf（文件夹，压缩后上传）  
   ┣━ modelDesign.py  
   ┗━ modelSubmit（文件夹）  
      ┣━ encoder.h5  
      ┗━ decoder.h5

Pytorch版本需提交modelDesign.py、encoder.pth.tar以及decoder.pth.tar，请将文件以如下结构进行压缩打包,并以【submit\_pytorch】命名压缩包并上传，例如：submit\_pytorch.zip

submit\_pytorch（文件夹，压缩后上传）  
   ┣━ modelDesign.py  
   ┗━ modelSubmit（文件夹）  
      ┣━ encoder.pth.tar  
      ┗━ decoder.pth.tar

# 评测标准 #

**1. 对有效成绩的定义：** 反馈比特数不大于给定阀值1000比特，且性能增益不低于给定阀值NMSE<=0.1(信道恢复程度大于等于90%)，则此次提交的成绩有效，否则为无效成绩。

**2. 对于有效成绩：** 反馈比特数小的提交 **优于** 反馈比特数大的提交  
例如：选手甲和选手乙均取得有效成绩，选手甲反馈比特数为100bit，选手乙反馈比特数为200bit，则甲成绩优于乙

**3. 同等反馈比特数时，对于有效成绩：** 反馈性能高的提交 **优于** 反馈性能低的提交  
例如：选手丙和选手丁均取得有效成绩，选手丙反馈比特数为100bit，性能增益评估为98%信道恢复度，选手丁反馈比特数为100bit，性能增益评估为96%信道恢复度，则丙成绩优于丁

综合得分可表述为： **（1000 -反馈比特数N）/1000 + (1/1000) \* （1-NMSE）**

注意：  
1. 选手可在提交记录中查询每次提交的反馈比特数、NMSE、以及提交分数  
2. 对于有效成绩、无效成绩均占用当日提交次数  
3. 对于无效成绩，提交分数显示为0.000001  
4. encoder输出必须是一维的0/1比特流，比特数不超过1000bit。  
5. 提供线上评测系统的encoder/decoder推理代码，供选手排查提交文件潜在的运行错误问题。  
6. 排行榜上的“有效提交次数”指提交后顺利评测出分的次数，包含有效成绩和无效成绩的提交次数。  
7. 排行榜的分数按照四舍五入保留至小数点后8位。

[https_www.datafountain.cn_competitions_494]: https://www.datafountain.cn/competitions/494