基于深度学习的可变速率与新型量化CSI反馈
信息论
2022-03-01 v1 信号处理
math.IT
摘要
基于深度学习(DL)的信道状态信息(CSI)反馈提升了频分双工模式下大规模多输入多输出(MIMO)系统的容量与能量效率。然而，时变带宽资源需要具有不同反馈开销长度的多个神经网络。用户设备(UE)和基站(BS)为这些模型所需的存储空间随模型数量线性增长。本文中，我们提出一种基于DL的可变速率框架与新型量化方案，以提升CSI反馈系统的效率与可行性。该框架可复用所有网络层实现开销可变的CSI反馈，以优化UE和BS侧的存储效率。该框架中设计的量化器可避免传统量化方案面临的归一化与梯度问题。具体而言，我们通过引入反馈开销控制单元提出两种基于DL的可变速率CSI反馈网络CH-CsiNetPro和CH-DualNetSph。随后，开发可插拔量化块(PQB)以端到端方式进一步提升CSI反馈的编码效率。与现有CSI反馈方法相比，所提框架以可变速率方案节省约50%存储空间，并通过量化模块提升编码效率。
引用
@article{arxiv.2202.13627,
title = {Changeable Rate and Novel Quantization for CSI Feedback Based on Deep Learning},
author = {Xin Liang and Haoran Chang and Haozhen Li and Xinyu Gu and Lin Zhang},
journal= {arXiv preprint arXiv:2202.13627},
year = {2022}
}