Deep UL2DL：从上行链路到下行链路的信道知识迁移
信号处理
2019-12-03 v3 机器学习
机器学习
摘要
发送端的信道状态信息(CSI)是可被用于高效分配无线资源的主要信息源之一。在频分双工(FDD)系统中由上行链路(UL) CSI获取下行链路(DL) CSI不如时分双工(TDD)系统直接。因此，用户通常将DL-CSI反馈给发送端。为消除反馈需求(从而减少信令开销)，我们提出使用两种近期深度神经网络结构，即卷积神经网络与生成对抗网络(GAN)，通过观测UL-CSI来推断DL-CSI。我们数据驱动方案的核心思想是利用DL与UL信道共享相同传播环境这一事实。据此，我们从UL信道响应中提取环境信息至潜域，再将所得环境信息从潜域迁移以预测DL信道。为克服潜域不正确及过度简化假设的问题，本工作未使用任何特定参数化模型，而是采用数据驱动方法在无先验模型假设下发现数据的底层结构。为应对捕捉UL-DL联合分布的挑战，我们采用了一种基于均方误差的GAN变体，即具有改进收敛特性的边界平衡GAN(BEGAN)。训练与测试使用了扩展车载A(EVA)与扩展典型城市(ETU)模型的仿真数据。仿真结果验证了我们的方法能在FDD通信的不同多径环境下由上行链路CSI准确推断并预测下行链路CSI。
引用
@article{arxiv.1812.07518,
title = {Deep UL2DL: Channel Knowledge Transfer from Uplink to Downlink},
author = {Mohammad Sadegh Safari and Vahid Pourahmadi and Shabnam Sodagari},
journal= {arXiv preprint arXiv:1812.07518},
year = {2019}
}
备注
16 pages, 20 Figures