基于深度学习的大规模MIMO信道状态信息反馈
MIMO系统
MIMO系统利用多个天线在发送端和接收端之间建立多条独立的信道，从而使得同一时间可以传输多个数据流，从而使得同一之间可以传输多个数据流，提高数据传输速率。
优势
增加传输速率和容量，提高信号覆盖范围和抗干扰能力，增加频谱利用率。
MIMO需要解决的问题
- 依赖于精确的信道状态信息（CSI）
- 下行链路CSI在训练期间从用户处获得并通过反馈链路返回给基站
- 系统中有许多天线，反馈信道矩阵会很大并且因此会导致过量的开销
- FDD的低互换性：（1）各个信道使用不同的频率（2）每个频率信道需要专门设计硬件来调制和解调，各个信道的设备不能互换使用
- 基站需要知道下行链路的信道状态信息，依赖于用户根据基站发送的导频信号(CSI-RS)进行信道估计，然后将估计的信道状态信息通过反馈链路发送给基站。然而反馈信道矩阵会很大导致过量的开销，需要找到一种方法来减少反馈链路的反馈数据。
系统模型
考虑一个天线的用户的基站的FDD大规模MIMO系统。在这个系统中，采用 N c N_c Nc个子载波的OFDM。因此，第n个载波的用户的下行信号为：
y n = h n ∼ H v n x n + z n y_n = h_n \sim^H v_n x_n + z_n yn=hn∼Hvnxn+zn
其中 h ~ n ∈ C N t × 1 \tilde{h}_n \in \mathbb{C}^{N_t \times 1} h~n∈CNt×1是信道频率响应向量， V n ∈ C N t × 1 V_n \in \mathbb{C}^{N_t \times 1} Vn∈CNt×1是预编码向量， x n x_n xn是发射符号， z n z_n zn是加性噪声和干扰， ( ) H ()^H ()H表示共轭转置。
假设基站配备有均匀线性阵列，响应向量为：
a ( ϕ ) = [ 1 , e − j 2 π d λ sin ϕ , … , e − j 2 π d λ ( N t − 1 ) sin ϕ ] \mathbf{a}(\phi) = \left[1, e^{-j \frac{2\pi d}{\lambda} \sin \phi}, \ldots, e^{-j \frac{2\pi d}{\lambda} (N_t - 1) \sin \phi} \right] a(ϕ)=[1,e−jλ2πdsinϕ,…,e−jλ2πd(Nt−1)sinϕ]
其中 ϕ \phi ϕ是出发角， d d d是相邻天线的距离， λ \lambda λ是载波波长，信道可以表示为：
h ~ n = N t L ∑ l = 1 L α l e − j 2 π τ l f s n N c a ( ϕ ) \tilde{h}_n = \sqrt{\frac{N_t}{L}} \sum_{l=1}^{L} \alpha_l e^{-j 2 \pi \tau_l f_s \frac{n}{N_c}} \mathbf{a}(\phi) h~n=LNtl=1∑Lαle−j2πτlfsNcna(ϕ)
其中， L L L是下行多路径的数量， a l a_l al代表传播增益， τ l \tau_l τl表示响应的延迟， f s f_s fs是抽样频率，在空间频率整个CSI矩阵可以表示为：
H ~ = [ h ~ 1 , h ~ 2 , … , h ~ N c ] H ∈ C N c × N t . \mathbf{\tilde{H}} = [\tilde{\mathbf{h}}_1, \tilde{\mathbf{h}}_2, \ldots, \tilde{\mathbf{h}}_{N_c}]^H \in \mathbb{C}^{N_c \times N_t}. H~=[h~1,h~2,…,h~Nc]H∈CNc×Nt.
通过导频训练获得CSI
下行信道一般将CSI-RS序列当做导频序列
导频训练的基本原理
- 发送导频信号：发送端发送已知的导频信号序列。这些导频信号可以是特定的符号或序列，它们在发送端和接收端都是已知的。
- 接收导频信号：接收端接收到通过信道传输后的导频信号。由于信道的影响，接收端的导频信号会包含信道的增益和相位变化。
- 信道估计：接收端利用已知的导频和接收到的导频符号，通过比较和计算，估计出信道的特性，即CSI
导频训练过程
基于深度学习的CSI反馈
传统方法
采用压缩感知技术（CS）:LASSO l1-solver、TVAL3等
存在缺点：
- 严重依赖于信道是稀疏的假设
- 迭代重建方法有很大的复杂性并因此会消耗大量的计算资源
CsiNet方法
使用深度学习方法构建CsiNet。包括CSI感知（编码器）和恢复网络（解码器）两个部分
- 编码器：CsiNet通过训练数据从原始的信道矩阵中学习转换来压缩表示（码字）
- 解码器：CsiNet学习将码字转换成原始信道
- 优点：相比于传统压缩感知能以更好的恢复质量来恢复CSI,在高压缩率下保持良好性能
相关论文
论文1
- 2018 IEEE Wireless Communications Letters
- 首次将深度学习引入CSI反馈领域
- 提出CSiNet模型
论文2
- 2020，IEEE Transactions on Wireless Communications
- 对2018年模型进行了改进
- 提出CSiNet+模型
论文3
- 2021，IEEE Wireless Communications Letters
- 对2020年模型进行了改进
- 提出CSiNet+DNN模型
之后的各种基于深度学习的CSI反馈基本上是这些模型架构的变体，都是编码器和解码器，包含卷积网络，全连接网络和各种其他网络。
系统预设
CSI反馈机制
网络设计
下面三个深度学习网络为三篇论文中的CSI反馈网络
CsiNet
编码器
解码器
CsiNet+
CsiNet+DNN
训练策略
CsiNet+DNN仿真场景设置
不同方法比较
重构准确性比较
方法复杂度分析
