基于深度学习的FDD非平稳大规模MIMO下行信道重建
信息论
2020-02-25 v1 信号处理
math.IT
摘要
本文提出一种用于频分双工(FDD)大规模多输入多输出(MIMO)系统的模型驱动深度学习下行信道重建方案。考虑了作为未来极大孔径大规模MIMO系统关键特征的空间非平稳性。与信道矩阵不同，信道模型参数由神经网络学习，以节省开销并提高信道重建精度。通过将信道视为图像，我们引入功能强大的目标检测神经网络You Only Look Once (YOLO)来实现模型参数的快速估计过程，包括路径角度与时延的检测以及散射体可见区域的识别。该基于深度学习的方案避免了基于算法的参数提取方法所引入的复杂迭代过程。一种低复杂度基于算法的细化器进一步将YOLO估计细化至高精度。鉴于模型驱动深度学习的效率以及神经网络与算法的结合，所提方案能够快速且准确地重建非平稳下行信道。此外，该方案也适用于广受关注的平稳系统，并以大幅降低的耗时取得与基于算法的方法相当的重建精度。
引用
@article{arxiv.2002.09858,
title = {Deep Learning Based FDD Non-Stationary Massive MIMO Downlink Channel Reconstruction},
author = {Yu Han and Mengyuan Li and Shi Jin and Chao-Kai Wen and Xiaoli Ma},
journal= {arXiv preprint arXiv:2002.09858},
year = {2020}
}