CAnet：基于深度学习的FDD大规模MIMO中上行辅助下行信道获取

在频分双工系统中，下行信道状态信息（CSI）获取方案导致较高的训练与反馈开销。本文提出一种利用深度学习的上行辅助下行信道获取框架以降低这些开销。与多数仅关注信道估计或反馈模块的现有工作不同，据我们所知，这是首个考虑完整下行CSI获取过程（包括下行导频设计、信道估计与反馈）的研究。首先，我们利用角域中双向信道在幅度上的相关性提出自适应导频设计模块以改善信道估计。接着，为避免反馈模块中的比特分配问题，我们将复信道拼接并将上行信道幅度嵌入基站处的信道重建。最后，我们结合上述两模块并比较两种流行的下行信道获取框架。前者在用户设备处依次估计并反馈信道；后者中用户设备直接将接收的导频信号反馈至基站。我们的结果表明，在上行辅助下，直接反馈导频信号可节省约20%的反馈比特，为未来研究提供了指导。