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...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。展开更多
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...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。展开更多
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...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。展开更多
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...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.展开更多
文摘信道状态信息(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。
文摘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。
文摘快变信道环境下,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.