基于位级深度学习的大规模 MIMO CSI 反馈量化适配器
通过有限速率的深度学习通道状态信息反馈方法,本文提出了在大规模多输入多输出系统中,基于矢量量化变分自动编码器框架实现有限位表示的潜在矢量,同时利用形状增益的矢量量化减少计算复杂性。该方法通过适当的变换函数,将潜在矢量的幅度用非均匀标量码书量化,同时使用可训练的 Grassmann 码书量化潜在矢量的方向。同时,引入码字选取规则和损失函数设计,开发了一种多速率码书设计策略。仿真结果表明,所提出的方法在给定的反馈开销下,减少了与 VQ-VAE 相关的计算复杂性,同时改善了通道状态信息重建性能。
Mar, 2024
本文提出了一种基于深度学习的方案,以改进基于压缩感知技术的叠加信道状态信息反馈,包括频分双工、大规模 MIMO、1 比特压缩感知、模型驱动方法和干扰消除技术等方面。该方案能够显著提高用户上联信息和下联信道状态信息的恢复精度,并具有对参数变化的鲁棒性。
Mar, 2022
通过开发具有位级量化性能优势的联合卷积残差网络(JCResNet),我们提出了一种基于深度学习的 CSI 量化方法,以从多输入多输出(MIMO)信道特征提取和恢复角度来帮助降低 CSI 反馈的开销并提高性能。实验证明,我们提出的方法显著提高了性能。
Sep, 2019
本文提出了一种多速度压缩感知神经网络框架来压缩和量化 CSI,从而提高重建精度、减少存储空间,增强系统可行性,并通过可视化参数研究了基于深度学习的 CSI 反馈方法的压缩和重建机制,提供了随后的研究指导。
Jun, 2019
使用深度学习技术,本文提出了一种新型的频分双工模式下的 CSI 感知和恢复机制 CsiNet,将 CSI 转换为一组最佳表示,具有比现有压缩感知方法更好的重建质量和有效的波束成形增益。
Dec, 2017
本文提出了一种基于深度学习的信道状态反馈 (CSI) 网络,通过低复杂度轻量级的 CSI 反馈网络实现了有效 CSI 反馈,该网络在重构性能方面表现更好,并且维持了较少的参数和参数复杂度,具有可行性和潜力。
May, 2020
本文提出了一种名为 CRNet 的新型反馈网络,通过在多个分辨率上提取 CSI 特征,实现更好的性能,并介绍了一种先进的训练方案以进一步提高网络性能。仿真结果表明,所提出的 CRNet 在相同计算复杂度下优于最先进的 CsiNet,且不需要额外的信息。
Oct, 2019
本文提出了一种基于深度学习的实时 CSI 反馈架构 CsiNet-LSTM,通过直接从大规模 MIMO 信道的时变训练样本中学习空间结构和时间相关性,大大提高了恢复质量并改善了压缩比与复杂度之间的权衡。模拟结果表明,CsiNet-LSTM 优于现有的压缩感知和 DL 方法,并且在压缩比减小的情况下具有明显的鲁棒性。
Jul, 2018
该研究介绍了一种新的神经网络架构,使用卷积神经网络压缩和反馈信道状态信息,加入长短期记忆模块以实现多路径输入多路径输出(MIMO)通信的量化 CSI 反馈性能提高,实验结果表明该 NN 架构在 CSI 压缩和恢复准确性方面表现更好。
Nov, 2018
利用离散傅里叶变换位移定理和多径互易的物理原理,本研究引入了一种新的基站下行信道状态信息上采样框架作为解决低密度导频放置导致的欠采样间隙的后处理解决方案,并结合迭代收缩阈值算法网络(ISTA-Net)架构。通过数值实验结果表明,本研究所提出的基于规则和深度学习的方法在性能上明显优于传统插值技术和现有最先进方法。
Mar, 2024