基于小数据集的大规模 MIMO CSI 反馈深度学习模型训练增强
信息论
2022-05-10 v1 信号处理
math.IT
摘要
准确的下行信道状态信息（CSI）对于大规模 MIMO 系统实现高频谱效率至关重要。现有的 CSI 反馈深度学习（DL）模型研究已在频分双工（FDD）系统中展现出高效的压缩与恢复。然而，实用的 DL 网络在训练时需要相当规模的无线 CSI 数据集才能达到高模型精度。为解决这一劳动密集型问题，本工作利用复数 CSI 特征并基于领域知识增广 CSI 数据集，基于小规模数据集开发了 DL 反馈架构的高效训练增强方案。我们首先提出球形 CSI 反馈网络 SPTM2-ISTANet+，其采用球形归一化框架以缓解路径损耗变化的影响。我们利用可训练测量矩阵与残差恢复结构提升编码效率与恢复精度。针对有限 CSI 测量，我们提出一种基于解耦 CSI 幅度与相位信息、在角度-时延域施加循环移位并随机化 CSI 相位以逼近相位分布的模型驱动轻量通用增广策略。测试结果表明所提训练策略与反馈架构在有限测量下实现准确 CSI 反馈的有效性与高效性。
引用
@article{arxiv.2205.03533,
title = {Training Enhancement of Deep Learning Models for Massive MIMO CSI Feedback with Small Datasets},
author = {Zhenyu Liu and Zhi Ding},
journal= {arXiv preprint arXiv:2205.03533},
year = {2022}
}