基于深度迁移学习的 FDD 大规模 MIMO 系统下行信道预测
信息论
2020-09-08 v4 机器学习
信号处理
math.IT
摘要
近年来，基于人工智能（AI）的频分双工（FDD）大规模多输入多输出（MIMO）系统下行信道状态信息（CSI）预测受到越来越多的关注。然而，现有工作聚焦于给定环境下用户的下行 CSI 预测，难以适应新环境中的用户，尤其在标注数据有限时。为解决此问题，我们将下行信道预测表述为一个深度迁移学习（DTL）问题，其中每个学习任务旨在从上行 CSI 预测单一环境下的下行 CSI。具体地，我们开发了基于全连接神经网络架构的直接迁移算法，该网络以经典深度学习方式在所有先前环境的数据上训练，随后针对新环境进行微调。为进一步提升迁移效率，我们提出元学习算法，通过交替执行任务内与跨任务更新来训练网络，并以少量标注数据适配新环境。仿真结果表明，直接迁移算法优于深度学习算法，意味着迁移学习有益于新环境中的下行信道预测。此外，元学习算法在预测精度与稳定性上均显著优于直接迁移算法，验证了其有效性与优越性。
引用
@article{arxiv.1912.12265,
title = {Deep Transfer Learning Based Downlink Channel Prediction for FDD Massive MIMO Systems},
author = {Yuwen Yang and Feifei Gao and Zhimeng Zhong and Bo Ai and Ahmed Alkhateeb},
journal= {arXiv preprint arXiv:1912.12265},
year = {2020}
}
备注
Accepted by IEEE Transactions on Communications