无线通信系统中 AI 驱动的前传链路压缩：综述与方法设计
信号处理
2025-09-08 v1 人工智能
机器学习
摘要
现代无线系统中的前传链路必须在严格的带宽和延迟约束下传输高维信号，这使得压缩不可或缺。诸如压缩感知、标量量化和固定编解码器流水线等传统策略通常依赖于限制性先验，在高压缩比下性能急剧下降，且难以在不同信道和部署中进行调优。人工智能（AI）的最新进展带来了端到端学习的变换、向量与分层量化以及学习的熵模型，这些方法能更好地利用信道状态信息（CSI）、预编码矩阵、I/Q 采样和 LLR 的结构。本文首先调研了 AI 驱动的压缩技术，然后对两种具有代表性的高压缩路线进行了重点分析：端到端学习的 CSI 反馈，以及结合压缩的资源块（RB）粒度预编码优化。基于这些见解，我们提出了一种针对无蜂窝架构量身定制的前传压缩策略。该设计旨在实现高压缩比与可控的性能损失，支持 RB 级速率自适应，并适用于下一代网络中集中式协作传输的低延迟推理。
引用
@article{arxiv.2509.04805,
title = {AI-Driven Fronthaul Link Compression in Wireless Communication Systems: Review and Method Design},
author = {Keqin Zhang},
journal= {arXiv preprint arXiv:2509.04805},
year = {2025}
}