基于信道预测的大规模MIMO CSI反馈：如何在UE端避免机器学习？
信息论
2024-03-21 v1 信号处理
math.IT
摘要
在文献中，机器学习(ML)已在基站(BS)和用户设备(UE)上实现，用于提高下行信道状态信息(CSI)的精度。然而，由于UE功耗等原因，UE端的ML实现可能不可行。针对此问题，我们提出一种在BS端的CSI学习机制，称为CSILaBS，以避免UE端的ML。为此，利用BS端的信道预测器(CP)，在UE端考虑一种轻量级预测函数(PF)用于反馈评估。CSILaBS减少了空中反馈开销，提高了CSI质量，降低了UE的计算成本。此外，在多用户环境中，我们提出了各种机制，以利用PF进行反馈选择，旨在提高CSI精度。我们也解决了各种基于ML的CP问题，如NeuralProphet(NP)，这是一种受ML启发的统计算法。进一步地，受统计模型和ML结合使用的启发，我们提出一种新型混合框架，由循环神经网络和NP组成，优于单个模型。通过在诺基亚贝尔实验室记录的实证数据集评估CSILaBS的结果表明，UE端的ML消除可以保留性能收益，例如，预测质量。
引用
@article{arxiv.2403.13363,
title = {Massive MIMO CSI Feedback using Channel Prediction: How to Avoid Machine Learning at UE?},
author = {Muhammad Karam Shehzad and Luca Rose and Mohamad Assaad},
journal= {arXiv preprint arXiv:2403.13363},
year = {2024}
}
备注
14 pages, 11 figures