近年来，人工智能（Artificial Intelligence，AI）在信号处理、信道估量、编码规划等通讯范畴取得了重大突破，打破了传统通讯体系的规划瓶颈，作为一项突破性技能使得智能通讯成为未来通讯体系研讨的抢手方向之一。根据深度学习（Deep Learning，DL）的信道状况信息（Channel State Information，CSI）反应技能因其杰出的功能优势得到了广泛重视，但现在相关研讨仅运用模仿生成的数据集来练习和测验，没办法确保AI算法在实践通讯体系中依然具有十分杰出的功能。

  为了探究AI在通讯体系中的实践功能，鹏城实验室等单位组织了全国人工智能大赛（NAIC）“AI+无线通讯”赛道，初赛赛题为“根据AI的无线通讯信道的紧缩及康复”。本文详细描述了该竞赛的信道数据收集进程，一起为该竞赛供给了一个根据DL的CSI反应参阅架构：QuanCsiNet，完成了实在信道场景收集的高维信道数据的紧缩、量化、反应和重建，为AI在未来通讯体系中的实践布置和运用奠定了根底。

  线所示的办公室场景，发射机在图中所示方位固定，接收机沿红点轨道运动。对丈量得到的线所示的预处理，得到终究运用的数据集。

  QuanCsiNet的网络结构如下图所示。编码器用于对CSI进行特征提取和紧缩，量化模块用于将紧缩丈量值用有限位表明，转化为比特流便于实践体系存储和传输；逆量化模块用于将比特流康复成紧缩丈量值，译码器用于特征解紧缩和信道康复。

  初次针对实测信道数据来进行处理，提出了一种实在信道场景下的CSI反应架构，为后续研讨供给了可扩展的参阅规划。

  引入了量化和逆量化模块，将反应丈量值转化为比特流，符合实践体系存储传输要求。

  评价了根据DL的CSI反应计划在实践信道环境中的功能，推进后续研讨和实践布置。

  整体而言，本文对实在信道场景下收集的信道数据做处理，规划了一种以比特流方式进行反应的根据DL的CSI反应架构，并衡量了其重建功能与复杂度，以期更多研讨者为智能通讯的实践使用作出贡献。