FDD 大规模 MIMO 系统中用于下行信道估计的深度生成模型
信息论
2022-05-18 v2 机器学习
math.IT
摘要
人们普遍认为，在频分双工（FDD）大规模多输入多输出（MIMO）系统中，由于训练和反馈的大量开销，获取下行信道状态信息具有挑战性。在本文中，我们提出了一种基于深度生成模型（DGM）的技术来应对这一挑战。利用上下行信道的部分互易性，我们首先通过上行训练估计与频率无关的底层信道参数，即路径增益幅度、时延、到达角和出发角，因为这些参数在上下行中是共有的。然后，使用极短的训练信号通过下行训练来估计特定于频率的底层信道参数，即每条传播路径的相位。在第一步中，我们将信道参数的底层分布作为先验融入我们的信道估计算法。我们使用 DGM 来学习这一分布。仿真结果表明，我们提出的基于 DGM 的信道估计技术在实际的信噪比（SNR）范围内以巨大优势优于传统信道估计技术。此外，仅使用少量下行导频测量即可实现接近最优的性能。
引用
@article{arxiv.2203.04935,
title = {Deep Generative Models for Downlink Channel Estimation in FDD Massive MIMO Systems},
author = {Javad Mirzaei and Shahram ShahbazPanahi and Raviraj Adve and Navaneetha Gopal},
journal= {arXiv preprint arXiv:2203.04935},
year = {2022}
}
备注
To appear in IEEE Transactions on Signal Processing 2022