注意力增强的自编码器用于大规模 MIMO 信道状态信息压缩

随着多输入多输出 (MIMO) 天线数量在向6G系统发展过程中大幅增加，信道状态信息 (CSI) 压缩对于减轻反馈开销至关重要。近年来，已有研究针对 CSI 压缩开发学习模型，如自编码器 (AE)，旨在消除模型假设并降低压缩损失。然而，当前学习方法通常为单个信道场景设计和训练，跨场景泛化性有限，而信道特征差异显著。为此，我们提出一种名为注意力增强自编码器网络 (AiANet) 的新型 AE 基于方法，可平行自适应提取 CSI 的信道特征和空间特征，利用注意力融合机制。此外，开发了一种局部感知自注意力机制，以提取全局和局部分辨模式，更好地捕获不同场景下的独特 CSI 特征。此外，引入混合训练方案，使提出的 AiANet 能在室内外场景之间获得通用性。结果表明，在同一场景下训练和测试时，AiANet 在归一化均方误差 (NMSE) 上可显著优于现有的 AE 方法，如 ACRNet，提升最高可达 3.42 dB。采用混合训练方案后，AiANet 在跨场景通用性方面优于基准方法，这些方法是在一个场景中训练后被错误地用于另一个场景。