基于深度学习的方向图可重构大规模 MIMO 信道外推
信号处理
2023-04-07 v3
摘要
能够动态改变工作状态的可重构天线相比传统天线具有优异的适应性与灵活性,由多功能可重构天线(MRA)组成的 MIMO 阵列被预见为未来全息 MIMO 的一种有前景的解决方案。具体而言,在方向图可重构 MIMO(PR-MIMO)通信系统中,准确获取所有辐射模式的信道状态信息(CSI)是一项具有挑战性的任务,因为在 PR-MIMO 系统中使用传统的基于导频的信道估计技术会产生过高的导频开销。在本文中,我们利用深度学习方法设计了一个 PR 神经网络,其可使用对一个辐射模式估计得到的 CSI 来推断其他辐射模式的 CSI。为降低导频开销,我们提出了一种专用于 PR-MIMO 系统的新信道估计方法,该方法将 PR-MIMO 的发射天线分组,不同组中的天线采用不同辐射模式。与传统的全连接实值深度神经网络(DNN)相比,使用复值系数的 PR 神经网络可直接在复数域工作。实验结果表明,所提出的信道外推方法在外推精度上相比基准方案具有显著性能增益。
关键词
引用
@article{arxiv.2303.04432,
title = {Deep Learning-Based Channel Extrapolation for Pattern Reconfigurable Massive MIMO},
author = {Mu Liang and Ang Li},
journal= {arXiv preprint arXiv:2303.04432},
year = {2023}
}