一种用于大规模MIMO CSI反馈的可学习优化与正则化方法
信息论
2022-10-03 v1 信号处理
math.IT
摘要
信道状态信息(CSI)在实现大规模多输入多输出(MIMO)系统潜在优势中起着关键作用。在频分双工(FDD)大规模MIMO系统中，基站(BS)依赖来自用户的持续且准确的CSI反馈。然而，由于大规模MIMO系统中被服务天线与用户数量庞大，反馈开销可能成为瓶颈。本文提出一种用于CSI反馈的模型驱动深度学习方法，称为可学习优化与正则化算法(LORA)。LORA中引入可学习正则化模块以自动适应CSI特征，而非使用l1范数作为正则项。我们将传统迭代收缩阈值算法(ISTA)展开为神经网络，并通过端到端训练学习优化过程与正则项。我们表明LORA提升了CSI反馈精度与速度。此外，提出一种新颖的可学习量化方法及相应训练方案，并表明LORA能在不同比特率下成功运行，在CSI反馈开销方面提供灵活性。通过数值仿真考虑了多种现实场景以证明LORA的有效性与鲁棒性。
引用
@article{arxiv.2209.15340,
title = {A Learnable Optimization and Regularization Approach to Massive MIMO CSI Feedback},
author = {Zhengyang Hu and Guanzhang Liu and Qi Xie and Jiang Xue and Deyu Meng and Deniz Gunduz},
journal= {arXiv preprint arXiv:2209.15340},
year = {2022}
}