基于深度学习的海量MIMO信道建模与估计技术综述
信息论
2020-01-22 v2 信号处理
math.IT
摘要
文献为何将信道状态信息(CSI)视为2/3维图像？这种考量在精度-复杂度权衡上有何利弊？下一代无线通信需要众多学科保障低时延、低流量、高吞吐、高频谱效率与低能耗。为此，海量多输入多输出(MaMIMO)原理正崭露头角，并便利地部署于毫米波(mmWave)频段。然而，实用而真实的MaMIMO收发机在设计上受困于大量挑战性瓶颈，其中多数属于信道估计问题。MaMIMO中的信道建模与预测尤其因天线阵列与支撑用户数量庞大而饱受计算复杂度之苦。该复杂度主要源于反馈开销，其甚至恶化了上行(UL)/下行(DL)设计中的导频-数据权衡。本综述研究了文献近期提出的、解决上述挑战的深度学习(DLg)驱动新技术——此为首次。此外，我们进而提出7个开放趋势，例如在MaMIMO检测中缺乏Q-learning的背景下——对此我们探讨了基于Stackelberg博弈场景中2维导频-数据轴上鞍点的可能解。
引用
@article{arxiv.1910.03390,
title = {A Survey on Deep-Learning based Techniques for Modeling and Estimation of MassiveMIMO Channels},
author = {Makan Zamanipour},
journal= {arXiv preprint arXiv:1910.03390},
year = {2020}
}
备注
IEEE Journals