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
- 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]	吴靖, 叶晓晶, 黄峰, 陈丽琼, 王志锋, 刘文犀. 基于深度学习的单帧图像超分辨率重建综述[J]. 电子学报, 2022, 50(9): 2265-2294.
[2]	李雪莹, 王田路, 梁鹏, 王翀. 基于系统模型的用户评论中非功能需求的自动分类[J]. 电子学报, 2022, 50(9): 2079-2089.
[3]	琚长瑞, 秦晓燕, 袁广林, 李豪, 朱虹. 尺度敏感损失与特征融合的快速小目标检测方法[J]. 电子学报, 2022, 50(9): 2119-2126.
[4]	张志昌, 于沛霖, 庞雅丽, 朱林, 曾扬扬. SMGN：用于对话状态跟踪的状态记忆图网络[J]. 电子学报, 2022, 50(8): 1851-1858.
[5]	张亚洲, 俞洋, 朱少林, 陈锐, 戎璐, 梁辉. 一种量子概率启发的对话讽刺识别网络模型[J]. 电子学报, 2022, 50(8): 1885-1893.
[6]	王飞扬, 冀鹏欣, 孙笠, 危倩, 李根, 张忠宝. 一种基于深度学习的动态社交网络用户对齐方法[J]. 电子学报, 2022, 50(8): 1925-1936.
[7]	徐兴荣, 刘聪, 李婷, 郭娜, 任崇广, 曾庆田. 基于双向准循环神经网络和注意力机制的业务流程剩余时间预测方法[J]. 电子学报, 2022, 50(8): 1975-1984.
[8]	欧阳与点, 谢鲲, 谢高岗, 文吉刚. 面向大规模网络测量的数据恢复算法：基于关联学习的张量填充[J]. 电子学报, 2022, 50(7): 1653-1663.
[9]	裴炤, 邱文涛, 王淼, 马苗, 张艳宁. 基于Transformer动态场景信息生成对抗网络的行人轨迹预测方法[J]. 电子学报, 2022, 50(7): 1537-1547.
[10]	彭闯, 王伦文, 胡炜林. 融合深度特征的电磁频谱异常检测算法[J]. 电子学报, 2022, 50(6): 1359-1369.
[11]	杨伟超, 杜宇, 文伟, 侯舒维, 徐常志, 张建华. 基于多重分形谱智能分析的卫星信号调制识别研究[J]. 电子学报, 2022, 50(6): 1336-1343.
[12]	张波, 陆云杰, 秦东明, 邹国建. 一种卷积自编码深度学习的空气污染多站点联合预测模型[J]. 电子学报, 2022, 50(6): 1410-1427.
[13]	李政伟, 李佳树, 尤著宏, 聂茹, 赵欢, 钟堂波. 基于异质图注意力网络的miRNA与疾病关联预测算法[J]. 电子学报, 2022, 50(6): 1428-1435.
[14]	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.
[15]	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.

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