一种基于深度学习的FDD大规模MIMO系统CSI反馈方法

• 作者: 姚海梅 廖勇 花远肖 赵砚
• 来源期刊: 电子学报
• 学科: 工学
• 关键词: 频分双工 大规模多入多出 信道状态信息 深度学习 压缩反馈 空间相关性
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 学术论文
• 页码范围: 1182-1189
• 页数: 8页
• 分类号: TN911.72
• 字数: 6537字
• 语种: 中文
• DOI: 10.3969/j.issn.0372-2112.2020.06.020

摘要

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反馈方法相比,本文所提方法反馈精度更高,运行时间更短,系统性能提升明显.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	廖勇	重庆大学通信与测控中心	170	2920	28.0	50.0
2	姚海梅	重庆大学通信与测控中心	8	11	2.0	3.0
3	花远肖	重庆大学通信与测控中心	6	9	2.0	3.0