基于深度学习的FDD大规模MIMO系统下行信道预测
信号处理
2019-08-27 v3 信息论
math.IT
摘要
在频分双工(FDD)大规模多输入多输出(MIMO)系统中，由于下行训练与上行的反馈所需开销巨大，在基站(BS)获取下行信道状态信息(CSI)是一项极具挑战的任务。本文中，我们揭示了当位置到信道的映射为双射时存在的确定性上行到下行映射函数。受通用逼近定理启发，我们随后提出一种稀疏复值神经网络(SCNet)来逼近该上行到下行映射函数。不同于在实域上运行的通用深度网络，SCNet构建于复域，并能够通过离线训练学习该复值映射函数。训练后，SCNet用于基于估计的上行CSI直接预测下行CSI，而无需下行训练或上行反馈。数值结果表明，SCNet在预测精度上优于通用深度网络，并在复杂无线信道下展现出显著鲁棒性，证明其在实际部署中的巨大潜力。
引用
@article{arxiv.1908.03360,
title = {Deep Learning based Downlink Channel Prediction for FDD Massive MIMO System},
author = {Yuwen Yang and Feifei Gao and Geoffrey Ye Li and Mengnan Jian},
journal= {arXiv preprint arXiv:1908.03360},
year = {2019}
}