Mar, 2024

基于深度学习的海量 MIMO 系统中的矢量量化 CSI 反馈

PDF
TL;DR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。
发现论文，激发创造
  • 基于位级深度学习的大规模 MIMO CSI 反馈量化适配器

    本文提出了一种适配器辅助的量化策略，通过深度学习技术和专家知识对海量 MIMO 系统中的 CSI 信息进行压缩和恢复，实现反馈成本的大幅降低，并在实验中证明了优异的量化准确性和重构性能。

    Nov, 2022

  • 用于多天线信道量化的比特级优化神经网络

    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

  • 基于卷积神经网络的多速率压缩感知用于大规模 MIMO CSI 反馈：设计，仿真和分析

    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

  • 大规模 MIMO CSI 反馈的深度卷积压缩

    本文提出基于深度学习的 CSI 压缩方案，DeepCMC，它包括卷积层和量化熵编码块，能够显著提高频道状态矩阵的重构质量，并且在相同的压缩率下优于现有的压缩方案。

    Jul, 2019

  • 基于深度学习的时变大规模 MIMO 信道 CSI 反馈方法

    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

  • PolarDenseNet：MIMO 系统中 CSI 反馈的深度学习模型

    本文提出了一种基于自编码器架构的基于 AI 的 CSI 反馈方法，通过将 CSI 编码成低维度潜空间并在 BS 处解码回来来有效地减少反馈开销，同时最小化恢复期间的损失，仿真结果表明，该 AI-based 建议的架构优于采用 5G New Radio（NR）系统中采用的 DFT 基础上的最先进的高分辨率线性组合码书。

    Feb, 2022

  • 大规模 MIMO CSI 反馈的深度学习

    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

  • 无线通信和传感器网络中多模态数据融合的优化

    本文提出了一种基于向量量化变分自编码器架构的多模态数据融合新方法，可以在 MNIST-SVHN 数据和 WiFi 光谱数据之间以及 5G 通信场景下实现卓越的重构性能，并通过端到端 CSI 反馈系统来压缩基站（eNodeB）和用户设备（UE）之间传输的数据，为各种类型的输入数据（CSI，光谱图，自然图像等）学习一个具有区分性的压缩特征空间，是针对计算资源有限的应用的一个合适的解决方案。

    Feb, 2023

  • 使用深度递归网络进行 MIMO 信道信息反馈

    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

  • 基于低开销的整合 - 外推的少样本 CSI 反馈框架用于大规模 MIMO 系统

    在本文中，我们提出了一种低开销的基于 IEFSF 的少样本 CSI 反馈框架来应对大规模 MIMO 系统中的 CSI 反馈开销问题，通过在用户设备和基站之间进行合并和外推处理，形成低维特征向量的 CSI 矩阵，并利用领域知识和生成模型实现了少样本 CSI 反馈，实验结果表明，相比于现有方法，所提出的框架在几百个样本的情况下能够将 CSI 反馈开销降低 16 倍且保持较高的准确性。

    Dec, 2023