双传播特征融合增强的大规模 MIMO 神经 CSI 压缩
信息论
2023-06-13 v1 math.IT
摘要
凭借特征提取能力，基于深度学习（DL）的方法近期被应用于大规模多输入多输出（MIMO）系统中的信道状态信息（CSI）压缩反馈。现有基于 DL 的 CSI 压缩方法通常能有效提取 CSI 中某一类特征。然而，CSI 通常包含两类传播特征，即非视距（NLOS）传播路径特征与主导传播路径特征，尤其在富含散射体的信道环境中。为充分提取这两类传播特征并学习 CSI 的双特征表示，本文提出一种双特征融合神经网络（NN），称为 DuffinNet。所提 DuffinNet 采用卷积神经网络（CNN）与注意力增强神经网络（ANN）的并行结构，分别提取 CSI 中不同特征，随后通过融合 NN 探索其相互作用。基于所提 DuffinNet，构建了一种新的编码器-解码器框架，称为 Duffin-CsiNet，用于提升 CSI 压缩与重建的端到端性能。为便于 Duffin-CsiNet 的实际应用，本文还提出了一种用于 CSI 反馈码字量化的两阶段方法。此外，引入基于迁移学习的策略以提升 Duffin-CsiNet 的泛化能力，使网络可应用于新传播环境。仿真结果表明，所提 Duffin-CsiNet 在重建性能、编码器复杂度和网络收敛性方面显著优于现有基于 DL 的方法，验证了所提双特征融合设计的有效性。
引用
@article{arxiv.2306.06111,
title = {Dual-Propagation-Feature Fusion Enhanced Neural CSI Compression for Massive MIMO},
author = {Shaoqing Zhang and Wei Xu and Shi Jin and Xiaohu You and Derrick Wing Kwan Ng and Li-Chun Wang},
journal= {arXiv preprint arXiv:2306.06111},
year = {2023}
}