一种基于深度学习的FDD大规模MIMO系统CSI反馈方法

作     者：廖勇 姚海梅 花远肖 赵砚 LIAO Yong;YAO Hai-mei;HUA Yuan-xiao;ZHAO Yan

作者机构：重庆大学通信与测控中心重庆400044 中国人民解放军61212部队北京100043 

出 版 物：《电子学报》 (Acta Electronica Sinica)

年 卷 期：2020年第48卷第6期

页      面：1182-1189页

核心收录：

学科分类：0711[理学-系统科学] 0808[工学-电气工程] 0809[工学-电子科学与技术（可授工学、理学学位）] 07[理学] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 

基　　金：国家自然科学基金(No.61501066) 重庆市自然科学基金(No.cstc2019jcyjmsxmX0017) 

主　　题：频分双工 大规模多入多出 信道状态信息 深度学习 压缩反馈 空间相关性 

摘      要：针对频分双工(Frequency Division Duplexing,FDD)大规模多入多出(Multiple-Input Multiple-Output,MIMO)系统中现有信道状态信息(Channel State Information,CSI)反馈方法复杂度高、反馈精度低的问题,本文提出一种基于深度学习的CSI压缩反馈方法.该方法首先采用卷积神经网络(Convolutional Neural Network,CNN)提取信道特征矢量,然后利用最大池化(Maxpooling)网络压缩CSI,最后考虑到大规模MIMO信道存在空间相关性的特点,分别对单用户和多用户场景使用双向长短期记忆(Bidirectional Long Short-Term Memory,Bi-LSTM)网络和双向卷积长短期记忆(Bidirectional Convolutional Long Short-Term Memory,Bi-ConvLSTM)网络对CSI进行重构.本文利用大规模MIMO信道数据对所提的深度学习网络进行离线训练,该网络学习到的信道信息能充分表征信道的状态.仿真结果表明,与已有的典型CSI反馈方法相比,本文所提方法反馈精度更高,运行时间更短,系统性能提升明显.