面向大规模MIMO高效CSI反馈的深度学习：适应新环境与小数据集
信息论
2023-11-07 v2 信号处理
math.IT
摘要
基于深度学习(DL)的信道状态信息(CSI)反馈在大规模MIMO系统中已展现出提升频谱效率的良好潜力。然而，实用的DL方法需要为每个场景提供相当规模的CSI数据集，并且需要较大的存储或多模型更新带宽。为克服这一高昂壁垒，我们开发了一种基于DL的CSI反馈高效训练与部署增强方案，利用轻量级翻译模型应对新的CSI环境，并基于领域知识提出新颖的数据集增强方法。具体而言，我们首先开发了深度展开CSI反馈网络SPTM2-ISTANet+，其采用球面归一化以应对路径损耗变化的挑战。我们还在SPTM2-ISTANet+中引入可训练测量矩阵与残差CSI恢复模块，以提升效率与精度。以SPTM2-ISTANet+作为基准反馈模型，我们提出了一种高效的场景自适应CSI反馈架构。该新架构CSI-TransNet利用由稀疏对齐函数与轻量级DL模块组成的插件式CSI翻译模块，在未知环境中复用预训练模型。为适配小数据集，我们提出了一种基于领域知识的轻量级通用增强策略。测试结果表明，在未知CSI环境下给定有限测量时，所提方案在精确CSI反馈上的有效性与高效性。
引用
@article{arxiv.2211.14785,
title = {Deep Learning for Efficient CSI Feedback in Massive MIMO: Adapting to New Environments and Small Datasets},
author = {Zhenyu Liu and Li Wang and Lianming Xu and Zhi Ding},
journal= {arXiv preprint arXiv:2211.14785},
year = {2023}
}
备注
13 pages, 11 figures, 6 tables