基于深度学习 CSI 反馈的可扩展框架
信号处理
2022-10-19 v1
摘要
多输入多输出 (MIMO) 系统中基于深度学习 (DL) 的信道状态信息 (CSI) 反馈近期吸引了学术界与工业界的广泛关注。从实际角度看，为基站 (BS) 的每种参数配置训练、迁移与部署一个 DL 模型是巨大负担。本文中，我们提出一种用于基于 DL 的 CSI 反馈的可扩展且灵活框架，称为可扩展 CsiNet (SCsiNet)，以适配一族已配置参数，如反馈载荷、MIMO 信道秩、天线数。为减小模型规模与训练复杂度，SCsiNet 中带预处理与后处理的核心模块在不同参数配置间尽可能复用，这与面向配置的设计完全不同。预处理与后处理是为匹配输入/输出维度与概率分布而引入的可训练神经网络层。所提 SCsiNet 在系统级仿真中通过平方广义余弦相似度 (SGCS) 与用户吞吐量 (UPT) 度量进行评估。相较于现有方案（面向配置的 DL 方案与基于 3GPP Rel-16 Type-II 码本的方案），所提方案可显著减小模型规模，并为所有参数配置带来 2%–10% 的 UPT 提升。
引用
@article{arxiv.2210.09849,
title = {Scalable Framework For Deep Learning based CSI Feedback},
author = {Liqiang Jin and Qiuping Huang and Qiubin Gao and Yongqiang Fei and Shaohui Sun},
journal= {arXiv preprint arXiv:2210.09849},
year = {2022}
}
备注
6 pages,3 figures