通用大规模MIMO系统中用于上行/下行信道校准的深度学习
信息论
2019-05-14 v2 人工智能
机器学习
math.IT
摘要
实现大规模多输入多输出（MIMO）通信的根本挑战之一是在基站准确获取多个用户的信道状态信息。这通常利用时分双工模式在上行（UL）方向完成。在实际基站收发机中，不可避免地存在非线性硬件组件，如信号放大器和各种模拟滤波器，这使校准任务复杂化。为应对该挑战，我们设计了一个深度神经网络用于上行与下行（DL）方向间的信道校准。在初始训练阶段，深度神经网络由上行和下行信道测量值训练。随后我们利用训练好的深度神经网络与瞬时估计的上行信道来校准下行信道，而下行信道在上行传输阶段不可观测。我们的数值结果证实了所提方法的优点，并表明其可达到与传统方法（如Agros方法和基于最小二乘的方法）相当的性能，但后者假设线性硬件行为模型。更重要的是，考虑到上行与下行信道间通用的非线性关系，结果表明我们的深度神经网络方法即使训练序列数量有限也表现出鲁棒性能。
引用
@article{arxiv.1903.02875,
title = {Deep Learning for UL/DL Channel Calibration in Generic Massive MIMO Systems},
author = {Chongwen Huang and George C. Alexandropoulos and Alessio Zappone and Chau Yuen and Mérouane Debbah},
journal= {arXiv preprint arXiv:1903.02875},
year = {2019}
}
备注
6-pages, accepted by ICC WC Symposium 2019