基于提取上行路径增益的神经网络用于FDD多天线系统下行外推
信息论
2022-06-28 v1 信号处理
math.IT
摘要
当基站（BS）部署多根天线时，它们需要下行（DL）信道状态信息（CSI）以通过波束成形优化下行传输。DL CSI 通常由移动站（MS）通过 DL 训练测量并反馈至 BS（频分双工，FDD）。由于 MS 高速运动导致信道快速变化，当相干时间间隔不足时，DL 训练与上（UL）行反馈可能变得不可行。在没有 MS 反馈的情况下，BS 即便在 FDD 中也可利用 UL 与 DL 信道的内在关系直接获取 DL CSI，这称为 DL 外推。尽管确切关系高度非线性，先前研究表明神经网络（NN）可用于从 BS 处的 UL CSI 估计 DL CSI。此类研究大多使用全维 UL 和 DL 信道训练 NN；然而，随着 BS 天线数增加，NN 训练复杂度变得严峻。为降低训练复杂度并改善 DL CSI 估计质量，本文提出一种使用简化 NN 输入输出的新型 DL 外推技术。大量测量活动表明，FDD 中 UL 与 DL 信道仍共享路径延迟与角度等公共分量。所提技术首先从 UL 和 DL 信道提取这些公共系数，并仅使用随频带变化的路径增益训练 NN，其维度较全 UL 和 DL 信道降低。广泛仿真结果表明，无论 MS 速度如何，所提技术均优于依赖全 UL 和 DL 信道训练 NN 的传统方法。
引用
@article{arxiv.2004.01361,
title = {Downlink Extrapolation for FDD Multiple Antenna Systems Through Neural Network Using Extracted Uplink Path Gains},
author = {Hyuckjin Choi and Junil Choi},
journal= {arXiv preprint arXiv:2004.01361},
year = {2022}
}
备注
accepted for IEEE Access