基于深度学习的海量 MIMO CSI 反馈中弥合时延差距的数据增强
信号处理
2023-08-02 v1
摘要
在频分双工（FDD）模式下的海量多输入多输出（MIMO）系统中，用户设备（UE）需将信道状态信息（CSI）反馈给基站（BS）。尽管深度学习方法在 CSI 反馈问题中大获成功，其在真实环境中是否仍能保持优异表现尚需进一步研究。在本文中，我们指出应用中的实时数据集常因时间延迟而与训练数据集存在域差距。为弥合该差距，我们提出气泡偏移（B-S）数据增强，试图通过尽可能改变延迟并保持信道信息来抵消性能退化。此外，针对室外场景信道分布复杂的特点，特别提出随机生成（R-G）数据增强。它泛化了信道矩阵的特征并缓解过拟合问题。仿真结果表明，所提数据增强提升了网络在室内与室外环境中的鲁棒性。开源代码见 https://github.com/zhanghy23/CRNet-Aug。
引用
@article{arxiv.2308.00478,
title = {Data Augmentation of Bridging the Delay Gap for DL-based Massive MIMO CSI Feedback},
author = {Hengyu Zhang and Zhilin Lu and Xudong Zhang and Jintao Wang},
journal= {arXiv preprint arXiv:2308.00478},
year = {2023}
}