基于深度学习的海量 MIMO 信道状态信息获取用于 5G 演进与 6G
信号处理
2022-06-16 v2 信息论
机器学习
网络与互联网体系结构
math.IT
摘要
近来，受诸多领域成功应用的启发，用于信道状态信息（CSI）获取的深度学习（DL）技术引起了学术界与工业界的广泛研究兴趣。考虑到第五代（5G）新空口（NR）网络的实际反馈机制，我们分别提出了人工智能用于 CSI（AI4CSI）的两种实现方案：基于 DL 的接收机与端到端设计。所提出的 AI4CSI 方案在 5G NR 网络中就频谱效率（SE）、反馈开销与计算复杂度进行了评估，并与传统方案比较。为论证这些方案能否用于真实场景，我们的研究中同时使用了基于模型的信道数据与实测信道。当基于 DL 的 CSI 获取仅应用于接收机（对空口影响很小）时，其在中等反馈开销水平下可提供约 25% 的 SE 增益，在 5G 演进期间部署于当前 5G 网络是可行的。对于端到端基于 DL 的 CSI 增强，评估亦显示其在 SE 上的额外性能增益：相较基于 DL 的接收机为 6%–26%，相较传统 CSI 方案为 33%–58%。考虑到其对空口设计的较大影响，它将成为第六代（6G）网络的候选技术，其中可采用由人工智能设计的空口。
引用
@article{arxiv.2206.04967,
title = {Deep Learning-based Massive MIMO CSI Acquisition for 5G Evolution and 6G},
author = {Xin Wang and Xiaolin Hou and Lan Chen and Yoshihisa Kishiyama and Takahiro Asai},
journal= {arXiv preprint arXiv:2206.04967},
year = {2022}
}
备注
To be published on IEICE Transactions on Communications