一种基于深度学习的FDD大规模MIMO系统CSI反馈方法

doi:10.3969/j.issn.0372-2112.2020.06.020

电子学报 ›› 2020, Vol. 48 ›› Issue (6): 1182-1189.DOI: 10.3969/j.issn.0372-2112.2020.06.020

一种基于深度学习的FDD大规模MIMO系统CSI反馈方法

廖勇¹, 姚海梅¹, 花远肖¹, 赵砚²

1. 重庆大学通信与测控中心, 重庆 400044;
2. 中国人民解放军 61212部队, 北京 100043

收稿日期:2019-05-20 修回日期:2019-11-11 出版日期:2020-06-25 发布日期:2020-06-25
通讯作者: 廖勇
作者简介:姚海梅 女,1992年生于江西省吉安市.现为重庆大学微电子与通信工程学院研究生,主要研究方向为人工智能算法及其在无线通信中的应用. E-mail:meimei@cqu.edu.cn
花远肖 男,1994年生于四川省阆中市.现为重庆大学微电子与通信工程学院研究生,主要研究方向为人工智能算法及其在无线通信中的应用. E-mail:huayx@cqu.edu.cn
赵砚 男,1982年出生于山东省诸城市.现为中国人民解放军61212部队助理研究员,主要研究方向为通信信号处理与系统总体设计. E-mail:chym_zhaoyan@163.com
基金资助:
国家自然科学基金（No. 61501066）；重庆市自然科学基金（No.cstc2019jcyjmsxmX0017）

CSI Feedback Method Based on Deep Learning for FDD Massive MIMO Systems

LIAO Yong¹, YAO Hai-mei¹, HUA Yuan-xiao¹, ZHAO Yan²

1. Center of Communication and TT&C, Chongqing University, Chongqing 400044, China;
2. 61212 Unit of the People's Liberation Army, Beijing 100043, China

Received:2019-05-20 Revised:2019-11-11 Online:2020-06-25 Published:2020-06-25

摘要/Abstract

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.

关键词: 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

Abstract: Existing channel state information (CSI) feedback methods for frequency division duplexing (FDD) multiple-input multiple-output (MIMO) systems have high complexity and low feedback accuracy.In this paper,a deep learning-based CSI compression feedback method is proposed.The method first uses the convolutional neural network (CNN) to extract the channel feature vector,and then uses the maximum pooling (Maxpooling) network to compress the CSI.Finally,considering the spatial correlation of the massive MIMO channel,bidirectional long short-term memory (Bi-LSTM) network and bidirectional convolution long-term memory (Bi-ConvLSTM) network are used for single-user and multi-user scenarios respectively to recover the CSI.In this paper,the deep learning network is trained offline using massive MIMO channel data,the channel information learned by the network can fully characterize the states of the channel.The simulation results show that compared with the existing typical CSI feedback methods,the proposed method has higher feedback accuracy,shorter running time and better system performance.

Key words: FDD, massive MIMO, channel state information, deep learning, compression feedback, spatial correlation

中图分类号:

TN911.72

廖勇, 姚海梅, 花远肖, 赵砚. 一种基于深度学习的FDD大规模MIMO系统CSI反馈方法[J]. 电子学报, 2020, 48(6): 1182-1189.

LIAO Yong, YAO Hai-mei, HUA Yuan-xiao, ZHAO Yan. CSI Feedback Method Based on Deep Learning for FDD Massive MIMO Systems[J]. Acta Electronica Sinica, 2020, 48(6): 1182-1189.

参考文献

[1] Larsson E G,Edfors O,Tufvesson F,et al.Massive MIMO for next generation wireless systems[J].IEEE Communications Magazine,2014,52(2):186-195.
[2] Barriac G,Madhow U.Space-time communication for OFDM with implicit channel feedback[J].IEEE Transactions on Information Theory,2004,50(12):3111-3129.
[3] Tseng C C,Wu J Y,Lee T S.Enhanced compressive downlink CSI recovery for FDD massive MIMO systems using weighted block 1-minimization[J].IEEE Transactions on Communications,2016,64(3):1055-1067.
[4] Kuo P H,Kung H T,Ting P A.Compressive sensing based channel feedback protocols for spatially-correlated massive antenna arrays[A].Wireless Communications and Networking Conference[C].Shanghai,China:IEEE,2012.492-497.
[5] Min S S,Chae C B.Compressed channel feedback for correlated massive MIMO systems[A].Globecom Workshops[C].Austin,TX,USA:IEEE,2014.327-332.
[6] Ge A,Zhang T,Hu Z,et al.Principal component analysis based limited feedback scheme for massive MIMO systems[A].Personal,Indoor,and Mobile Radio Communications[C].Hong Kong:IEEE,2015.326-331.
[7] Wang T Q,Wen C K,Wang H Q,et al.Deep learning for wireless physical layer:opportunities and challenges[J].China Communications,2017,14(11):92-111.
[8] Liao Y,Hua Y X,Yao H M,Yang X Y.ChanEstNet:a deep learning based channel estimation for high-speed scenarios[A].International Conference on Communications[C].Shanghai,China:IEEE,2019.1-6.
[9] Ye H,Li G Y,Juang B H.Power of deep learning for channel estimation and signal detection in OFDM systems[J].IEEE Wireless Communications Letters,2018,7(1):114-117.
[10] Xu W,Zhong Z,Be'Ery Y,et al.Joint neural network equalizer and decoder[A].International Symposium on Wireless Communication Systems[C].Lisbon,Portugal:IEEE,2018.1-5.
[11] Wen C K,Shih W T,Jin S.Deep learning for massive MIMO CSI feedback[J].IEEE Wireless Communications Letters,2017,7(5):748-751.
[12] Iqbal R,Abhayapala T D,Lamahewa T A.Generalised clarke model for mobile-radio reception[J].IET Communications,2009,3(4):644-654.

[1]	廖勇, 李玉杰. 一种轻量化低复杂度的FDD大规模MIMO系统CSI反馈方法[J]. 电子学报, 2022, 50(5): 1211-1217.
[2]	冀振燕, 韩梦豪, 宋晓军, 冯其波. 面向激光光条图像修复的循环相似度映射网络[J]. 电子学报, 2022, 50(5): 1234-1242.
[3]	潘敏婷, 王韫博, 朱祥明, 高思宇, 龙明盛, 杨小康. 基于无标签视频数据的深度预测学习方法综述[J]. 电子学报, 2022, 50(4): 869-886.
[4]	杨曦, 张鑫, 郭浩远, 王楠楠, 高新波. 基于不变特征的多源遥感图像舰船目标检测算法[J]. 电子学报, 2022, 50(4): 887-899.
[5]	张浩, 胡昌华, 杜党波, 裴洪, 张建勋. 多状态影响下基于Bi‑LSTM网络的锂电池剩余寿命预测方法[J]. 电子学报, 2022, 50(3): 619-624.
[6]	崔亚奇, 何友, 唐田田, 熊伟. 一种深度学习航迹关联方法[J]. 电子学报, 2022, 50(3): 759-763.
[7]	骈纬国, 吴映波, 陈蒙, 蔡俊鹏. 一种基于时空动态图注意力网络的共享出行需求预测方法[J]. 电子学报, 2022, 50(2): 432-439.
[8]	李居朋, 王颖慧, 李刚. 医学图像关键点检测深度学习方法研究与挑战[J]. 电子学报, 2022, 50(1): 226-237.
[9]	张聿远, 张立民, 闫文君. 基于深度多级残差网络的低信噪比下空频分组码识别方法[J]. 电子学报, 2022, 50(1): 79-88.
[10]	席亮, 刘涵, 樊好义, 张凤斌. 基于深度对抗学习潜在表示分布的异常检测模型[J]. 电子学报, 2021, 49(7): 1257-1265.
[11]	谢佳龙, 张波涛, 吕强. 一种基于双流融合3D卷积神经网络的动态头势识别方法[J]. 电子学报, 2021, 49(7): 1363-1369.
[12]	罗会兰, 袁璞, 童康. 基于深度学习的显著性目标检测方法综述[J]. 电子学报, 2021, 49(7): 1417-1427.
[13]	程旭, 宋晨, 史金钢, 周琳, 张毅锋, 郑钰辉. 基于深度学习的通用目标检测研究综述[J]. 电子学报, 2021, 49(7): 1428-1438.
[14]	廖勇, 田肖懿, 蔡志镕, 花远肖, 韩庆文. 面向C-V2I的基于边缘计算的智能信道估计[J]. 电子学报, 2021, 49(5): 833-842.
[15]	王辉, 欧阳缮, 廖可非, 晋良念. 基于深度学习的GPR B-SCAN图像双曲线检测方法[J]. 电子学报, 2021, 49(5): 953-963.

一种基于深度学习的FDD大规模MIMO系统CSI反馈方法

CSI Feedback Method Based on Deep Learning for FDD Massive MIMO Systems

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics