下行链路CSI压缩研究：神经网络是唯一的解决方案吗？
信号处理
2025-02-26 v1 机器学习
摘要
大规模多输入多输出（MIMO）系统通过形成窄波束实现空间复用，从而在下行链路（DL）中提供更高的数据速率。DL高数据速率的实现依赖于空间复用和波赋形技术的有效实施，而这取决于基站端DL信道状态信息（CSI）的可用性。对于频分双工（FDD）系统，DL CSI必须由用户设备（UE）传输至gNB，这构成了显著的信令开销，且该开销随发射天线数量和CSI粒度的增加而扩大。为解决这一开销问题，业界已研究了使用自编码器的AI/ML方法，其中UE端的编码器神经网络模型压缩CSI，gNB端的解码器神经网络模型重建CSI。然而，AI/ML方法的使用面临诸多挑战，主要涉及：（1）模型复杂性；（2）模型在不同信道场景下的泛化能力；（3）模型两端的不同厂商间兼容性。在本工作中，我们研究了一种更传统的降维方法，该方法使用主成分分析（PCA），因此不受上述挑战的影响。仿真结果表明，基于PCA的CSI压缩实际上实现了与常用深度神经网络模型相当的重构性能。
引用
@article{arxiv.2502.17459,
title = {Study on Downlink CSI compression: Are Neural Networks the Only Solution?},
author = {K. Sai Praneeth and Anil Kumar Yerrapragada and Achyuth Sagireddi and Sai Prasad and Radha Krishna Ganti},
journal= {arXiv preprint arXiv:2502.17459},
year = {2025}
}