基于压缩感知的MIMO-OFDM系统信道状态信息反馈方案研究

在MIMO-OFDM系统中,信道状态信息反馈技术是现在的研究热点。在研究了3GPP-LTE系统中使用的一些信道状态信息反馈方案的基础上,提出了一种基于最新的压缩感知技术的反馈方案。该方案中利用高速数字信道频域的稀疏性,通过压缩感知算法重建反馈的信道状态信息,有效减少了系统处理复杂度和传输的数据量。仿真证明,在反馈量相同的前提下,新方案的系统容量和误码率性能都优于传统的基于码本的反馈方案。

基于人工智能的大规模天线信道状态信息反馈研究

信道状态信息(channel state information,CSI)的精确获取是大规模天线发挥效能的关键。在现有的通信系统中,上下行链路互易性不理想时,基于码本进行下行链路的CSI反馈。随着天线规模的增大,码本CSI反馈所需要的开销也越来越大。给出了基于人工智能(artificial intelligence,AI)的CSI反馈压缩方法,分析了基于AI的CSI反馈的标准化影响、通信流程与面临的挑战,提供了评估结果。评估结果表明,相对于基于频域基向量压缩的码本CSI反馈,基于AI的CSI反馈在相同的反馈精度下可以显著地降低反馈开销。

有限CSI反馈MIMO系统下的快速码字搜索

针对传统多输入多输出(Multiple-Input Multiple-Output,MIMO)系统下信道反馈开销大、发送端的最优预编码设计难以实现的问题,研究有限信道状态信息(Channel State Information,CSI)反馈下的联合预编码设计与码字搜索技术,提出一种基于离散傅里叶变换(Discrete Fourier Transform,DFT)码本的快速码字搜索算法。该算法利用MIMO信道天然具有的信道硬化特性,将理论性能最优但是计算复杂度极高的遍历式码字搜索算法转化为求解多个简单优化问题的快速码字搜索算法。仿真结果显示,该算法能够在性能损失较小的情况下大幅度降低码字搜索的计算复杂度。

LTE系统中基于压缩感知的信道反馈方案研究

针对基于完全信道状态信息预编码的长期演进(LTE)多输入多输出-正交频分复用(MIMO-OFDM)系统面临反馈开销很大的问题,提出了基于压缩感知的反馈方案,该方案利用压缩感知技术在接收端对信道估计得到的信道信息进行观测,并将观测值反馈到发送端,在发送端通过梯度投影算法重构信道状态信息。通过仿真证明,该反馈方案在大幅减小反馈开销的同时达到了与完全信道状态信息反馈时非常接近的性能。

大规模MIMO系统基于深度学习的轻量级CSI反馈方法

在大规模多输入多输出(multiple-input multiple-output,MIMO)系统中,基站需根据用户反馈的信道状态信息(channel state information,CSI)调制自适应编码提升谱效率。针对现有基于深度学习(deep learning,DL)的CSI反馈方法在用户端实际部署时可行性较差的问题,在卷积神经网络的基础上提出了一种轻量级的CSI反馈网络,并利用深度可分离卷积技术来减少反馈网络的参数量与计算量。考虑用户端实际部署,设计了在不同压缩比条件下以及在不同环境条件下的多任务融合反馈网络。仿真将所提方法与基于DL的ConvCsiNet和ShuffleNet反馈网络在归一化均方误差和参数量与计算量等方面进行对比与分析。结果表明,所提的反馈网络在保持较高CSI重构精度的前提下,可以极大减少用户端在实际部署时所需的参数量和计算量。

大规模MIMO系统基于多分辨率深度学习网络的CSI反馈研究

快变信道环境下,采用频分双工模式下的大规模MIMO系统,用户通过反馈链路将信道状态信息(Channel State Information,CSI)发送给基站,为适应信道快速变化保证系统性能,要求降低反馈时延及减少反馈开销.提出一种基于深度学习的多分辨率信道状态信息网络(Multi-resolution Channel State Information Network,MCSINet),对反馈的信道状态信息进行压缩及预测,能够显著减少信道状态信息捕获与反馈开销,及降低时延.MCSINet模拟信道状态信息编解码系统,采用残差网络从信道样本中学习并完成信道预测,并通过多分辨率的卷积操作以及针对不同压缩率改变网络结构,从而更好预测信道状态.实验结果表明:与LASSO,TVAL3,CSINet等方法相比,MCSINet可以显著提高恢复信道状态信息,并且具有更低的误码率,复杂度和时延.

CLPNet:基于深度学习大规模MIMO的CSI反馈网络

在频分双工(Frequency Division Duplex,FDD)模式下,大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统的容量增益依赖于精确的信道状态信息(Channel State Information,CSI)。因此,终端(User Equipment,UE)需要准确地将CSI反馈给基站(Base Station,BS)。同时,天线数量的增多导致CSI反馈开销巨大,已经成为大规模MIMO系统的一个瓶颈。利用深度学习(Deep Learning,DL)在处理数据上的优势,提出了一种CSI反馈网络——CLPNet,该网络在CLNet的基础上进行了改进,利用注意力机制、多感受野与大卷积通道的相互结合,可以恢复更丰富的特征。仿真结果表明,CLPNet的收敛速度和恢复质量得到进一步提升。

LTE-A中协同多点传输的联合处理预编码方法

协同多点传输(CoMP)是围绕LTE-A的目标而提出的通过基站内不同远程射频单元(RRU)协作、基站和其所属中继协作和基站间协作等多种多点协作方式,减小小区边缘干扰、提高小区边缘频谱效率、增加有效覆盖的技术措施。CoMP中的联合处理技术(JP)对系统性能的提升最大,JP对性能提升的主要途径是基于信道信息的预编码技术。在不同的CoMP场景下,各种预编码方式各有优劣。越来越多的研究更集中于从压缩反馈量和优化码本设计两个角度来实现预编码的优化。

基于正交随机波束成型的多用户多波束选择策略

针对正交随机波束成型(ORBF)当系统用户少时性能下降严重的问题,提出一种基于ORBF的多用户多波束选择策略.其基本思想是针对ORBF选定的优化用户集再次反馈部分信道信息,使得在系统用户数较少时系统总速率得到有效提高,并对功率平均分配和自适应功率分配两种情况分别进行了分析.仿真结果表明,该策略在增加部分反馈信息和提高发射机复杂性的条件下,可极大地提高系统总速率.

基于跨层不等重功率分配的渐进图像传输方案

为了在无线衰落信道下鲁棒和高效地编码传输渐进图像,提出了基于跨层不等重功率分配的编码传输方案。和以往基于不等重功率分配的传输优化方案不同,该方案综合考虑了反馈信道提供的物理层信道状态信息、链路层自动重传信息和应用层压缩编码率失真特性,采用基于解析表达的数值优化算法,求得各个层上最优不等重功率分配策略,减小给定期望传输功率约束下的图像传输失真。实验表明,相对于以往方案,所提方案不但避免了启发式优化算法的高搜索复杂度;而且能大大提高接收端重建图像的峰值信噪比。

基于深度学习的IRS辅助MIMO通信系统的CSI压缩及恢复研究

智能反射面(IRS, Intelligent Reflecting Surface)因成本低、功耗低、可提升通信质量等优点被广泛研究。在采用正交频分复用作为多载波调制方案的IRS辅助频分双工多输入多输出(MIMO, Multiple input Multiple Output)通信系统中,为了提升系统的系统增益,用户端(UE, User Equipment)需要将多个信道的信道状态信息(CSI, Channel State Information)通过反馈链路发送至基站端(BS, Base Station)。因此,相比于传统的MIMO系统,该系统中CSI的数据量和反馈开销无疑将会是更加巨大的。针对此问题,本文提出了一种基于注意力机制的深度残差网络IARNet (Inception-Attention-Residual-Net)来对大数据量的CSI进行压缩重建。该网络在传统的Inception网络结构上结合了多卷积特征融合、混合注意力机制以及残差等子模块,这种混合结构可以有效地将大数据量的CSI进行压缩重建。仿真结果表明,与现有的2种深度学习网络相比,IARNet在基于热身法的模型训练方案加持下可以显著提高大数据量CSI的重建质量。