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

• 学术论文 • 上一篇    下一篇

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. 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. 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: 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: