基于深度学习的具有时间相关性的 RIS 辅助大规模 MIMO 系统 CSI 反馈
信号处理
2024-03-20 v1
摘要
本文考虑了一个可重构智能表面（Reconfigurable Intelligent Surface, RIS）辅助的频分双工（Frequency Division Duplex, FDD）大规模多输入多输出（Multiple-Input Multiple-Output, MIMO）下行链路系统。在 FDD 系统中，下行链路信道状态信息（Channel State Information, CSI）需要通过反馈链路发送到基站。然而，在 RIS 辅助的通信系统中，CSI 反馈的开销占据了大量的上行链路带宽资源。在这项工作中，我们提出了一种基于深度学习（Deep Learning, DL）的方案，通过压缩级联 CSI 来减少 CSI 反馈的开销。在实际的 RIS 辅助通信系统中，相邻时隙的级联信道不可避免地具有时间相关性。我们使用长短期记忆网络（Long Short-Term Memory, LSTM）来学习时间相关性，这有助于神经网络提高压缩 CSI 的恢复质量。此外，还引入了注意力机制以进一步提高 CSI 恢复质量。仿真结果表明，我们提出的基于 DL 的方案在 CSI 恢复质量方面可以显著优于其他基于 DL 的方法。
引用
@article{arxiv.2403.12453,
title = {Deep Learning-Based CSI Feedback for RIS-Aided Massive MIMO Systems with Time Correlation},
author = {Zhangjie Peng and Zhaotian Li and Ruijing Liu and Cunhua Pan and Feiniu Yuan and Jiangzhou Wang},
journal= {arXiv preprint arXiv:2403.12453},
year = {2024}
}