一种基于流形学习的 FDD 大规模 MIMO 信道状态信息反馈框架
信息论
2024-08-27 v2 信号处理
math.IT
摘要
频分双工（FDD）模式下的海量多输入多输出（MIMO）系统因信道状态信息（CSI）反馈而承受沉重的开销。本文提出一种新颖的基于流形学习的 CSI 反馈框架（MLCF），以降低 FDD 大规模 MIMO 的反馈开销并提升频谱效率。流形学习（ML）是一种有效的降维方法。然而，大多数 ML 算法仅关注数据压缩，缺乏相应的恢复方法。此外，在处理增量数据时计算复杂度较高。考虑到利用 CSI 样本所处的内在流形结构，我们提出一种地标选择算法来描述该流形的拓扑骨架。基于学习到的骨架，增量 CSI 在流形上的局部块可通过其最近邻地标轻松确定。这促使我们提出一种增量 CSI 压缩与重构方案，通过保持与地标的局部几何关系不变来实现。我们从理论上证明了所提地标选择算法的收敛性，同时推导了用地标逼近 CSI 的误差上界。基于 3GPP 工业信道模型的仿真结果表明，所提 MLCF 优于现有的基于深度学习的算法。
引用
@article{arxiv.2304.14598,
title = {A manifold learning-based CSI feedback framework for FDD massive MIMO},
author = {Yandi Cao and Haifan Yin and Ziao Qin and Weidong Li and Weimin Wu and Mérouane Debbah},
journal= {arXiv preprint arXiv:2304.14598},
year = {2024}
}
备注
14 pages, 7 figures, 2 tables, to appear in IEEE Tans.Commun