面向大规模MIMO的深度CSI压缩：一种自信息模型驱动的神经网络
信息论
2022-04-26 v1 信号处理
math.IT
摘要
为了充分利用大规模多输入多输出（mMIMO）的优势，发射机准确获取信道状态信息（CSI）至关重要。基于深度学习（DL）的方法已被提出用于CSI压缩并反馈给发射机。尽管现有大多数基于DL的方法将CSI矩阵视为图像，但CSI图像的结构特征在神经网络设计中很少被利用。为此，我们从结构特征的角度提出一种自信息模型，动态度量CSI图像中每个图像块所包含的信息量。然后，通过应用该自信息模型，我们提出一种模型与数据联合驱动的CSI压缩与反馈网络，即IdasNet。IdasNet包括自信息删除与选择（IDAS）模块、信息特征压缩（IFC）编码器以及信息特征恢复（IFR）解码器的设计。特别地，模型驱动的IDAS模块基于自信息去除信息冗余，对CSI图像进行预压缩。随后，IFC编码器对预压缩的CSI图像进行特征压缩，生成包含两部分的特征码字，即码字数值与码字数值的位置索引。接着，IFR解码器对码字数值与位置索引进行解耦以恢复CSI图像。实验结果表明，所提出的IdasNet在各种压缩比下均显著优于现有基于DL的网络，同时其网络参数量相比多种现有方法降低了数个数量级。
引用
@article{arxiv.2204.11567,
title = {Deep CSI Compression for Massive MIMO: A Self-information Model-driven Neural Network},
author = {Ziqing Yin and Wei Xu and Renjie Xie and Shaoqing Zhang and Derrick Wing Kwan Ng and Xiaohu You},
journal= {arXiv preprint arXiv:2204.11567},
year = {2022}
}