基于解耦表示学习的双极化 Massive MIMO 信道深度 CSI 压缩
信息论
2024-03-29 v1 信号处理
math.IT
摘要
信道状态信息 (CSI) 反馈对于实现大规模多输入多输出 (MIMO) 无线通信系统中提升频谱效率和能量效率的预期优势至关重要。基于深度学习 (DL) 的方法已被证明能有效减少 CSI 反馈所需的信令开销。在实际的双极化 MIMO 场景中，垂直和水平极化方向的信道往往表现出较高的极化相关性。为了充分利用双极化信道内固有的传播相似性，我们提出了一种用于 CSI 反馈的解耦表示神经网络 (NN)，称为 DiReNet。所提出的 DiReNet 将双极化 CSI 解耦为三个分量：极化共享信息、垂直极化特定信息和水平极化特定信息。这种对双极化 CSI 的解耦使得能够最小化由极化相关性引起的信息冗余，并提高了 CSI 压缩和恢复的性能。此外，还设计了灵活的量化和网络扩展方案。因此，我们的方法为 CSI 反馈提供了一种实用的解决方案，将物理 MIMO 极化作为先验信息加以利用。实验结果表明，我们提出的 DiReNet 的性能超越了现有的基于 DL 的网络，同时还将网络参数数量有效减少了近三分之一。
引用
@article{arxiv.2403.19185,
title = {Deep CSI Compression for Dual-Polarized Massive MIMO Channels with Disentangled Representation Learning},
author = {Suhang Fan and Wei Xu and Renjie Xie and Shi Jin and Derrick Wing Kwan Ng and Naofal Al-Dhahir},
journal= {arXiv preprint arXiv:2403.19185},
year = {2024}
}