频谱高效导频分配与反馈下基于学习的MIMO信道估计

使用大规模MIMO收发器的无线链路对于下一代无线通信网络至关重要。Massive MIMO传输中的预编码需要准确的下行信道状态信息（CSI）。最近的许多工作有效地将深度学习（DL）应用于联合训练UE侧的时延域CSI压缩网络和BS侧的解码方案。至关重要的是，这些工作假设UE处具有完整的时延域CSI，但在实际中，UE必须基于有限数量的频域导频来估计时延域。在本工作中，我们提出了一种线性导频到时延（P2D）估计器，将稀疏频域导频转换为截断的时延域CSI。我们表明P2D估计器在频域下采样下是准确的，并证明P2D估计值可以有效地与现有的基于自编码器的CSI估计网络结合使用。除了考虑基于导频的下行CSI估计外，我们应用展开优化网络来模拟压缩感知（CS）的迭代求解，并展示了比先前基于自编码器的DL网络更好的估计性能。最后，我们研究了可训练CS网络在用于时变CSI估计的差分编码网络中的有效性，并提出了一种新网络MarkovNet-ISTA-ENet，它由用于初始CSI估计的CS网络和用于估计误差项的多个自编码器组成。我们证明这种异构网络比仅由单一类型网络组成的网络具有更好的渐近性能。