一种基于深度学习的FDD大规模MIMO系统CSI反馈方法

发布时间：2022-01-14 12:08

　　针对频分双工（Frequency Division Duplexing,FDD）大规模多入多出（Multiple-Input Multiple-Output,MIMO）系统中现有信道状态信息（Channel State Information,CSI）反馈方法复杂度高、反馈精度低的问题,本文提出一种基于深度学习的CSI压缩反馈方法.该方法首先采用卷积神经网络（Convolutional Neural Network,CNN）提取信道特征矢量,然后利用最大池化（Maxpooling）网络压缩CSI,最后考虑到大规模MIMO信道存在空间相关性的特点,分别对单用户和多用户场景使用双向长短期记忆（Bidirectional Long Short-Term Memory,Bi-LSTM）网络和双向卷积长短期记忆（Bidirectional Convolutional Long Short-Term Memory,Bi-ConvLSTM）网络对CSI进行重构.本文利用大规模MIMO信道数据对所提的深度学习网络进行离线训练,该网络学习到的信道信息能充分表征信道的状态.仿真结果表明,与已有的典型CSI... 

【文章来源】：电子学报. 2020,48(06)北大核心EICSCD

【文章页数】：8 页

【文章目录】：
1 引言
2 系统模型
3 基于深度学习的大规模MIMO信道反馈方法
    3.1 网络结构
        (1)CNN网络与Maxpooling网络
        (2) Bi-LSTM网络与Bi-ConvLSTM网络
    3.2 信号处理数据流
        (1) 压缩处理
        (2) 解压处理
    3.3 离线模型训练和在线反馈
4 仿真和分析
    4.1 归一化均方误差
    4.2 运行时间
    4.3 误码率
    4.4 系统容量
5 结论


【参考文献】：
期刊论文
[1]Deep Learning for Wireless Physical Layer: Opportunities and Challenges[J]. Tianqi Wang,Chao-Kai Wen,Hanqing Wang,Feifei Gao,Tao Jiang,Shi Jin.  中国通信. 2017(11)



本文编号：3588481