用于 TDD 和 FDD 大规模 MIMO 的深度学习：空间与频率上的信道映射
信息论
2019-08-15 v2 信号处理
math.IT
摘要
我们能否将一组天线和一段频带上的信道映射到另一组天线——可能位于不同位置且处于不同频带——上的信道？如果这种信道到信道的映射是可能的，我们可以预期大规模 MIMO 系统获得显著的增益。例如，在 FDD 大规模 MIMO 中，上行信道可以映射到下行信道，或者一组天线子集上的下行信道可以映射到所有其他天线上的下行信道。这可以显著减少（甚至消除）下行训练/反馈开销。在去蜂窝/分布式大规模 MIMO 系统的背景下，这种信道映射可用于减少前传信令开销，因为只需将分布式终端子集上的信道馈送到中央单元，中央单元便可将其映射到所有其他终端上的信道。这种映射还可以在毫米波波束预测、MIMO 雷达和基于大规模 MIMO 的定位中找到有趣的应用。在本文中，我们引入了空间与频率上信道映射的新概念，其中一组天线和一段频带上的信道被映射到另一组天线和频带上的信道。首先，我们证明该信道到信道映射函数在从候选用户位置到第一组天线上信道的映射为双射的条件下存在；该条件在若干实际 MIMO 通信场景中可以以高概率实现。接着，我们注意到信道到信道映射函数即使存在，通常也未知且极难解析刻画，因为它严重依赖于周围环境的各种因素。基于此动机，我们提议利用深度神经网络的强大学习能力……
引用
@article{arxiv.1905.03761,
title = {Deep Learning for TDD and FDD Massive MIMO: Mapping Channels in Space and Frequency},
author = {Muhammad Alrabeiah and Ahmed Alkhateeb},
journal= {arXiv preprint arXiv:1905.03761},
year = {2019}
}
备注
An extended version of an (invited) Asilomar paper; the dataset and code files are available online at http://deepmimo.net/DeepMIMO_applications.html