一种用于大规模MIMO CSI反馈的马尔可夫模型驱动深度学习框架
信号处理
2020-09-22 v1 信息论
机器学习
math.IT
摘要
前向信道状态信息（CSI）在大规模多输入多输出（MIMO）通信系统的调度和逼近容量的传输优化中往往起着至关重要的作用。在频分双工（FDD）大规模MIMO系统中，发射端的前向链路CSI重建关键依赖于来自接收节点的CSI反馈，且必须仔细权衡重建精度与反馈带宽。近期关于循环神经网络（RNN）应用的研究已展现出良好前景，尽管其计算与内存成本对大规模MIMO部署仍偏高。本工作中，我们利用信道的时间相干性来大幅提升反馈效率。借助马尔可夫模型，我们开发了基于深度卷积神经网络（CNN）的框架MarkovNet，以在时间上差分编码前向CSI，从而有效提升重建精度。此外，我们探索了重要的物理洞察，包括输入数据的球归一化以及用于反馈压缩的卷积层。我们证明所提出的MarkovNet在恢复前向CSI估计时，相较基于RNN的工作在性能上显著提升且复杂度降低。我们探讨了反馈量化中的额外实际考量，并表明MarkovNet以极少的计算代价优于基于RNN的CSI估计网络。
引用
@article{arxiv.2009.09468,
title = {A Markovian Model-Driven Deep Learning Framework for Massive MIMO CSI Feedback},
author = {Zhenyu Liu and Mason del Rosario and Zhi Ding},
journal= {arXiv preprint arXiv:2009.09468},
year = {2020}
}
备注
14 pages, 14 figures, 4 tables. Submitted to IEEE Transactions on Wireless Communications