用于大规模 MIMO 系统中时空频率域 CSI 压缩的 SwinLSTM 自编码器

本研究提出了一种参数少、计算复杂度低的人工智能/机器学习（AI/ML）模型，通过联合利用时空频率（TSF）域相关性来增强无线系统中信道状态信息（CSI）的反馈。虽然传统框架在空间-频率（SF）域中使用自编码器进行 CSI 压缩（在用户设备侧）和重建（在网络侧），但大规模 MIMO 系统在低迁移场景下表现出强烈的时相关性、频相关性和空相关性。单一的自编码器架构不足以利用 TSF 域的相关性，还需要递归元素。为解决梯度消失问题，近期研究提出了结合递归网络用于时相关性利用与深度预训练自编码器处理 SF 域 CSI 压缩的专用 TSF 域 CSI 压缩架构，但该方法增加了参数数量和计算复杂度。为充分利用 TSF 域跨相关性，我们提出一种新型、参数少、计算复杂度低的 AI/ML 基于递归的自编码器架构，在用户设备侧压缩 CSI，在网络侧重建 CSI，同时最小化 CSI 反馈开销。