Joint Channel Training and Feedback for FDD Massive MIMO Systems
大规模多输入多输出（MIMO）被广泛认为是用于未来5G无线通信系统的有前途的技术。为了在大规模MIMO系统中获得理论上的性能增益，发射端准确的信道状态信息（CSIT）至关重要。然而，由于压倒性的导频信令和信道反馈开销，传统的下行链路信道估计和上行链路信道反馈方案可能不适合于频分复用（FDD）大规模MIMO系统。此外，这两个主题通常在文献中单独考虑。在本文中，我们提出了一种联合信道训练和反馈方案的FDD大规模MIMO系统。具体来说，我们首先利用时变信道的时间相关性，提出了一种差分信道训练和反馈方案，同时减少了下行链路训练和上行链路反馈的开销。接下来，我们提出了一种结构化压缩采样匹配追踪（S-CoSaMP）算法，通过利用无线MIMO信道的结构稀疏性来获得可靠的CSIT。仿真结果表明，所提出的方案可以实现大幅减少的训练和反馈开销。
2015-12-10 cs.IT math.IT
Transformer-assisted Parametric CSI Feedback for mmWave Massive MIMO Systems
针对毫米波大规模MIMO系统CSI反馈开销大的问题，提出结合深度学习的参数化CSI反馈方法，将信道压缩为少量几何参数以降低开销，通过深度学习提取参数与重建信道抑制量化误差，在NMSE和BER上优于传统方法。
2024-10-09 cs.IT eess.SP math.IT
Analog Versus Hybrid Precoding for Multiuser Massive MIMO with Quantized CSI Feedback
在这封信中，我们研究了下行链路多用户大规模多输入多输出（MIMO）系统的子连接结构在有限的反馈信道的性能。理论上分析了纯模拟预编码和混合预编码系统的紧速率近似。量化的模拟和数字预编码的效果，其特征在于在派生的表达式。此外，它揭示了纯模拟预编码优于混合预编码使用最大比传输（MRT）或迫零（ZF）在一定的条件下，我们在理论上描述的条件在封闭形式的信噪比（SNR），用户数和反馈比特数。数值结果验证了瑞利信道和毫米波信道的推导结论。
2020-06-01 cs.IT eess.SP math.IT
Compressive sensing based differential channel feedback for massive MIMO
大规模多输入多输出（MIMO）正在成为未来5G无线通信的关键技术。由于MIMO信道矩阵维数的大幅增加，大规模MIMO的信道反馈具有挑战性。在这封信中，我们提出了一种基于压缩感知（CS）的差分信道反馈方案，以减少反馈开销。具体地说，时变信道的时间相关性被用来产生在相邻时隙中的两个CIR之间的差分信道脉冲响应（CIR），其具有比原始稀疏CIR更强的稀疏性。因此，基站可以在CS理论的框架下从高度压缩的差分CIR恢复差分CIR。仿真结果表明，与直接基于CS的方案相比，该方案的反馈开销减少了约20%.
2015-07-16 cs.IT math.IT
Enhancing Deep Learning Performance of Massive MIMO CSI Feedback
Nanyang Technological University（南洋理工大学）
CSI反馈是大规模多输入多输出（MIMO）技术的一个重要问题，因为反馈开销与子信道的数量和天线的数量成比例，这两者都与大规模MIMO系统的大小成比例。基于深度学习的CSI反馈方法由于其优越的性能最近被广泛采用。尽管取得了成功，但目前的方法尚未充分利用CSI数据的特征与深度学习框架之间的关系。在本文中，我们提出了一个拼图辅助训练策略（JPTS），以增强基于深度学习的大规模MIMO CSI反馈方法，通过最大化原始CSI和压缩CSI之间的互信息。我们在现有的最先进的方法之上应用JPTS。实验结果表明，采用该训练策略，室内和室外环境下的准确率平均分别提高了12.07%和7.01%。所提出的方法准备好采用大规模MIMO CSI反馈的现有深度学习框架。JPTS的代码可以在GitHub上使用。
2023-02-03 cs.AI cs.IT eess.SP
FDD Massive MIMO Without CSI Feedback
发射机信道状态信息（CSIT）对于大规模多输入多输出（MIMO）系统提供的频谱效率增益是必不可少的。在频分复用（FDD）大规模MIMO系统中，通常通过下行链路信道估计和用户反馈来获取CSIT，但是随着天线数量的增加，用于每个用户的CSI训练和反馈的开销增加，导致频谱效率的降低。在本文中，我们表明，在FDD中使用上行链路导频，下行链路和频谱效率增益与完美的下行链路CSIT是可以实现的，当在基站的天线数量是无限的一些温和的信道条件下。该方法的核心思想是利用上下行信道的几何互易性，提出了基于上行导频的均方误差最优下行信道重构方法。我们还提出了一个强大的下行链路预编码方法利用重建的信道与误差协方差矩阵。我们的系统级仿真结果表明，我们提出的预编码方法可以达到可比的总和频谱效率迫零预编码与完美的下行链路CSIT，没有CSI训练和反馈。
2023-02-09 cs.IT eess.SP math.IT
CSI Feedback with Model-Driven Deep Learning of Massive MIMO Systems
为了在频分双工（FDD）模式下实现大规模多输入多输出（MIMO）系统的高数据率的可靠通信，需要将接收端估计的信道状态信息（CSI）反馈到发射端。然而，随着天线数量的增加，反馈开销变得过高。针对毫米波（mmWave）大规模MIMO系统，提出了一种基于模型驱动深度学习的两级低秩（TSLR）CSI反馈方案，以降低反馈开销。此外，我们设计了一个深度迭代神经网络，命名为FISTA-Net，通过展开的快速迭代收缩阈值算法（FISTA），以实现更有效的CSI反馈。在FISTA-Net的基础上，基于注意力机制设计了一个收缩阈值网络（ST-Net），该网络能够自适应地选择阈值。仿真结果表明，所提出的TSLR CSI反馈方案和FISTA-Net优于现有的算法在各种情况下。
2021-12-13 cs.IT cs.LG eess.SP
Multiuser MIMO Achievable Rates with Downlink Training and Channel State Feedback
我们考虑一个MIMO衰落广播信道和计算可实现的遍历速率时，信道状态信息是通过下行链路训练在接收机获得的，它是由信道状态反馈提供给发射机。在各种假设条件下，分析和比较了非量化（模拟）和量化（数字）信道状态反馈方案。当反馈信道使用的每信道状态系数大于1时，数字反馈被示出为潜在的优越性。此外，我们表明，通过适当的数字反馈链路的设计，在反馈中的错误有轻微的影响，即使是简单的未编码调制的反馈信道上使用。我们首先讨论的情况下，一个未衰落的AWGN反馈信道与正交接入，然后衰落MIMO多址接入（MIMO-MAC）的情况下。我们表明，通过利用MIMO-MAC性质的上行链路信道，一个更好的缩放的反馈信道资源与基站天线的数量可以实现。最后，对于延迟反馈的情况下，我们表明，在现实的情况下，衰落过程具有（归一化）最大多普勒频移0 < F < 1/2，最佳复用增益的分数1 - 2F是可实现的。这项工作的一般结论是，非常显着的下行链路吞吐量是可以实现的简单而有效的信道状态反馈，只要反馈链路设计得当。
2009-05-08 cs.IT math.IT
Deep Joint CSI Feedback and Multiuser Precoding for MIMO OFDM Systems
提出一种基于深度学习的联合CSI反馈与多用户预编码方法，利用深度联合信源信道编码压缩CSI特征向量并联合调整预编码方向与功率，显著提升了低信噪比与低反馈开销下的下行和速率。
2024-04-25 cs.IT eess.SP math.IT
Multi-User MIMO with outdated CSI: Training, Feedback and Scheduling
传统的MU-MIMO技术，例如线性迫零波束成形（LZFB），需要在发射机处的足够准确的信道状态信息（CSIT），以便实现频谱高效传输（自由度增益）。然而，在实际设置中，CSIT准确性可能受到许多问题的限制，包括CSI估计、用户终端到基站之间的CSI反馈延迟以及信道的时间/频率相干性。CSIT反馈延迟和信道动态的后一方面可能导致高效MU-MIMO系统部署中的重大挑战。最近，Maddah-Ali和Tse（MAT）已经表明，即使CSIT的知识完全过时，也可以通过MU-MIMO实现自由度增益。具体来说，过时的CSIT，尽管是完美的CSIT，只有在传输发生后才被称为传输。对CSIT反馈延迟不敏感的这一方面特别令人感兴趣，因为它允许人们重新考虑动态信道条件下的MU-MIMO设计。事实上，如我们所示，通过适当的调度，甚至在CSI估计和反馈误差的上下文中，所提出的MAT方案在这种情况下可以具有优于传统MU-MIMO的性能优势。
2011-09-29 cs.IT math.IT
Deep Learning-Based Rate-Adaptive CSI Feedback for Wideband XL-MIMO Systems in the Near-Field Domain
针对宽带近场XL-MIMO系统中CSI反馈面临的表征与压缩挑战，提出带压缩比自适应模块的轻量级深度学习框架WideNLNet-CA，单模型可适配多反馈速率，性能优于现有方法且推理快、存储需求低。
2025-08-01 cs.IT eess.SP math.IT
Channel Feedback Based on AoD-Adaptive Subspace Codebook in FDD Massive MIMO Systems
信道反馈是频分复用（FDD）大规模多输入多输出（MIMO）系统中必不可少的环节。不幸的是，以前的多用户MIMO的工作已经表明，信道反馈的码本大小应该与基站（BS）的天线，这是大大增加在大规模MIMO系统的数量呈指数级。为了减少码本大小和反馈开销，我们提出了一种用于FDD大规模MIMO系统信道反馈的自适应子空间码本。我们的关键见解是利用观察路径AoD变化比路径增益更慢。在角度相干时间内，通过利用恒定的AoD信息，所提出的AoD自适应子空间码本能够以更准确的方式对信道矢量进行估计。我们还提供了性能分析的建议的码本在大的维度制度，在那里我们证明，以限制在一个可接受的水平内的容量退化，所需的反馈位数只与可分辨的（路径）AoD，这是远远小于BS天线的数量线性缩放。此外，我们比较量化的信道反馈使用建议的AoD自适应子空间码本与模拟信道反馈。提供了大量的模拟，验证了分析结果。
2017-04-03 cs.IT math.IT
FRFD MIMO Systems: Precoded V-BLAST with Limited Feedback Versus Non-orthogonal STBC MIMO
全速率（FR）和全分集（FD）是MIMO系统中具有吸引力的特征。我们将同时实现FR和FD的系统称为FRFD系统。非正交空时分组码可以在无反馈的情况下实现FRFD，但其ML译码复杂度较高。没有预编码的V-BLAST实现了FR而不是FD。FRFD可以在V-BLAST中通过在发射机处给定完整信道状态信息（CSIT）的情况下进行预编码来实现。然而，在有限反馈预编码的情况下，V-BLAST实现了FD，但是具有一些速率损失。我们在本文中的贡献是双重的：$i)$我们提出了一种有限反馈（LFB）预编码方案，其在$2\times 2$、$3\times 3$和$4\times 4$ V-BLAST系统中实现FRFD（我们将该方案称为FRFD-VBLAST-LFB方案），以及$ii)$比较FRFD-VBLAST-LFB方案和没有反馈的非正交STBC（例如，Golden码，完美码）在ML解码下，我们表明，在具有4-QAM/16-QAM的$2\times 2$ MIMO系统中，FRFD-VBLAST-LFB方案优于Golden码约0.6 dB;在$3\times 3$和$4\times 4$ MIMO系统中，FRFD-VBLAST-LFB方案的性能与完美码的性能相当。FRFD-VBLAST-LFB方案是有吸引力的，因为1）ML解码与非正交STBC的解码相比变得不那么复杂，2）实现上述性能所需的反馈比特的数…
2009-01-19 cs.IT math.IT
Learning-Based Phase Compression and Quantization for Massive MIMO CSI Feedback with Magnitude-Aided Information
大规模MIMO无线FDD系统经常面临有效获取下行链路信道状态信息（CSI）的挑战。先前的工作已经证明了通过利用它们的CSI幅度之间的上行链路/下行链路互易性在CSI编码和恢复中的潜力。然而，这样的框架单独地编码CSI相位和幅度。为了改进CSI编码，我们提出了一个基于学习的框架，基于有限的CSI反馈和幅度辅助信息。超越以前的工作，我们提出的框架与修改后的损失函数，使端到端的学习，共同优化CSI幅度和相位恢复性能。仿真结果表明，该框架优于替代方法的相位恢复在室内和室外场景中的整体CSI恢复。
2021-12-17 cs.IT eess.SP math.IT
Deep Learning-based CSI Feedback Approach for Time-varying Massive MIMO Channels
在频分双工（FDD）网络中，大规模多输入多输出（MIMO）系统依赖于信道状态信息（CSI）反馈来执行预编码并实现性能增益。然而，大量的天线对传统的CSI反馈减少方法提出了挑战，并导致过多的反馈开销。在这篇文章中，我们开发了一个实时CSI反馈架构，称为CsiNet-长短期记忆（LSTM），通过扩展一个新的基于深度学习（DL）的CSI感知和恢复网络。CsiNet-LSTM通过直接从时变大规模MIMO信道的训练样本中学习空间结构与时间相关性，大大提高了恢复质量，并改善了压缩比（CR）和复杂度之间的权衡。仿真结果表明，CsiNet-LSTM优于现有的基于压缩感知和基于DL的方法，并且对CR减少具有显著的鲁棒性。
2018-07-31 cs.IT math.IT
On the Minimum Differential Feedback for Time-Correlated MIMO Rayleigh Block-Fading Channels
在本文中，我们考虑了一般的多输入多输出（MIMO）系统的信道状态信息（CSI）反馈的时间相关的瑞利块衰落信道。具体来说，我们首先推导出的最小差分反馈速率的封闭形式的表达，以实现最大的Erdodic容量在存在信道估计误差和量化失真的接收机。在反馈信道传输速率受限的情况下，进一步研究了周期反馈系统中各态历经容量与微分反馈间隔的关系，通过理论分析发现存在一个最优微分反馈间隔，使得各态历经容量最大化.最后，通过仿真验证了分析结果在一个实际的周期微分反馈系统使用劳埃德的量化算法。
2011-11-30 cs.IT math.IT
Structure of Optimal Input Covariance Matrices for MIMO Systems with Covariance Feedback under General Correlated Fading
本文描述了单用户多输入/多输出（MIMO）通信系统的协方差反馈和一般相关衰落下的最优输入协方差矩阵的结构。我们的方法是基于新的概念，正确的交换子和恢复以前推导的结果克罗内克产品模型。条件推导出允许显着简化的优化问题。
2006-09-29 cs.IT math.IT
Deep Learning for Partial MIMO CSI Feedback by Exploiting Channel Temporal Correlation
为了在大规模MIMO系统中实现高频谱和能量效率，需要精确估计DL CSI。先前的工作已经在FDD系统内开发了基于学习的CSI反馈框架，用于有效的CSI编码和恢复，具有已证明的益处。然而，用于接收终端的CSI估计的下行链路导频可能占用大量天线的过多数量的资源元素，并损害频谱效率。为了克服这个问题，我们提出了一种新的基于学习的反馈架构，通过利用CSI时间相关性对交织非重叠天线子阵列的部分CSI反馈进行有效编码。为了便于编码，我们进一步设计了一个IFFT方法来解耦天线子阵列的部分CSI，并保持部分CSI的稀疏性。我们的研究结果表明，在室内/室外的情况下，所提出的模型CSI恢复在显着降低计算能力和存储需求的优越性能。
2022-01-08 cs.IT eess.SP math.IT
Quantization and Feedback of Spatial Covariance Matrix for Massive MIMO Systems with Cascaded Precoding
本文研究了级联预编码的大规模多输入多输出（MIMO）系统下行链路空间协方差矩阵的量化和反馈问题。大规模MIMO技术由于能够显著提高网络性能而受到广泛关注。为了减少频分双工大规模MIMO系统中下行链路信道估计和上行链路反馈的开销，已经提出了级联预编码，其中外部预编码器使用传统的有限反馈来实现，而内部预编码器由信道的空间协方差矩阵来确定。在大规模MIMO系统中，由于天线数量庞大，空间协方差矩阵的大小很大，难以计算。在本文中，我们提出了一种基于空间谱的方法的量化和反馈的空间协方差矩阵。所提出的内部预编码器可以被视为调制的离散长椭球序列，从而实现比传统的基于离散傅立叶变换子矩阵的预编码小得多的空间泄漏。本文还讨论了所提出的方法的应用的实际问题。
2016-10-15 cs.IT math.IT
Quantized vs. Analog Feedback for the MIMO Downlink: A Comparison between Zero-Forcing Based Achievable Rates
我们考虑一个MIMO衰落广播信道和比较可实现的遍历速率时，在发射机的信道状态信息是由模拟噪声反馈或量化（数字）反馈。数字反馈的优越性示出，与完美或不完美的CSIR，每当每个信道系数的反馈信道使用的数量大于1。此外，我们表明，通过适当的数字反馈链路的设计，在反馈中的错误有轻微的影响，即使使用非常简单的未编码调制。最后，我们表明，模拟反馈实现的分数1 - 2F的最佳复用增益，即使在反馈延迟的存在下，当衰落属于类的多普勒过程与归一化的最大多普勒频移0 <= F <= 1/2。
2007-02-05 cs.IT math.IT
Better Lightweight Network for Free: Codeword Mimic Learning for Massive MIMO CSI feedback
Tsinghua University（清华大学）；Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）
在频分双工（FDD）多输入多输出（MIMO）系统中，需要从用户设备（UE）向基站（BS）反馈信道状态信息（CSI）。近年来，神经网络被广泛应用于CSI压缩反馈，因为原始开销对于大规模MIMO系统来说太大。值得注意的是，轻量级反馈网络由于其部署的实用性而受到特别关注。然而，反馈的准确性可能会受到网络压缩的损害。本文提出了一种无代价的提取技术--码字模仿（CM）技术，利用实际的轻量级编码器来训练性能更好的反馈网络。设计了一种具有特殊蒸馏调度器的模拟探索训练策略来增强CM学习。实验表明，所提出的CM学习优于以前的最先进的反馈蒸馏方法，提高了轻量级反馈网络的性能，而没有任何额外的推理成本。
2022-10-29 cs.AI cs.IT eess.SP
Aggregated Network for Massive MIMO CSI Feedback
在频分复用（FDD）模式下，需要从用户设备向基站发送信道状态信息（CSI）。大规模多输入多输出（MIMO）系统的下行链路CSI是获取潜在增益的关键。近年来，深度学习被广泛应用于大规模MIMO CSI反馈任务，并与传统的压缩感知方法进行了比较。本文设计了一种新型的网络ACRNet，通过网络聚合和参数化RuLU激活来提高反馈性能。此外，有效的方法来扩展网络结构，以换取更好的性能，首先在CSI反馈任务进行了讨论。实验表明，ACRNet在没有任何额外信息的情况下，性能优于以前最先进的反馈网络。
2021-05-04 cs.AI cs.IT eess.SP
Optimized Training and Feedback for MIMO Downlink Channels
我们考虑MIMO衰落广播信道，其中信道状态信息是在用户终端通过下行链路训练和信道反馈被用来提供发射机信道状态信息（CSIT）的基站。反馈信道（对应的上行链路）被建模为在用户之间正交的AWGN信道。消耗的总带宽是用于下行链路训练、信道反馈和数据传输的带宽/资源的总和。假设信道遵循块衰落模型，并使用迫零波束成形，我们优化了未量化（模拟）和量化（数字）信道反馈的净可达速率。下行链路训练导频的最佳数量被认为是基本上相同的两种反馈技术，但数字反馈被示出提供一个更大的净速率比模拟反馈。
2009-05-22 cs.IT math.IT
MIMO Precoding Using Rotating Codebooks
下一代无线通信依赖于多输入多输出（MIMO）技术来实现高数据率。信道信息的反馈可以用于MIMO预编码中，以完全激活最强信道模式并提高MIMO性能。不幸的是，经由其传送反馈的控制信道的带宽受到严重限制。一个重要的问题是如何提高MIMO预编码的性能与最小的反馈。在这封信中，我们提出了一种方法，使用旋转码本技术，有效地提高预编码性能，而不需要增加反馈开销。旋转码本预编码的基本思想是通过旋转多个码本来扩展有效的预编码码本大小，使得反馈比特数保持不变。仿真结果表明，所提出的旋转码本预编码的性能增益比传统的预编码。
2010-08-18 cs.IT math.IT
Limited Feedback Channel Estimation in Massive MIMO with Non-uniform Directional Dictionaries
在多输入多输出（MIMO）系统中，基站（BS）处的信道状态信息（CSI）对于实现波束成形和复用增益至关重要。现有技术的有限反馈方案要求反馈开销随BS天线的数量线性缩放，这对于$5$ G大规模MIMO是禁止的。这项工作提出了新的有限反馈算法，解除这一负担，利用固有的稀疏性在双向（DD）MIMO信道表示使用过完备字典。这些字典与到达角（AoA）和离开角（AoD）相关联，其具体地说明链路两端处的天线方向性图案。所提出的算法实现满意的信道估计精度，使用少量的反馈比特，即使当在BS处的发射天线的数量是大的-使它们理想的$5$ G大规模MIMO。明智的模拟表明，他们优于一些流行的反馈方案，并强调使用角度字典匹配给定的天线方向性模式的重要性，而不是统一的字典。所提出的算法是轻量级的计算方面，特别是在用户设备侧，使他们的理想实际部署在$5$ G系统。
2018-08-07 cs.IT math.IT
MIMO ARQ with Multi-bit Feedback: Outage Analysis
研究了离散输入星座的多输入多输出（MIMO）块衰落信道中增量冗余自动重传请求（INR-ARQ）传输的渐近中断性能。我们首先表明，传输与随机码使用的离散信号星座在所有的发射天线实现了最佳中断分集的Singleton界。然后，我们分析了MIMO块衰落信道下INR-ARQ传输的最佳SNR指数和中断分集。我们表明，一个显着的增益中断分集获得通过提供一个以上的比特反馈，在每个ARQ轮。因此，INR-ARQ传输的中断性能可以显着改善与最小的额外开销。一个次优的反馈和功率自适应规则，实现最佳的中断分集，提出了MIMO INR-ARQ，展示了多比特反馈提供的好处。
2010-06-10 cs.IT math.IT
A Markovian Model-Driven Deep Learning Framework for Massive MIMO CSI Feedback
正向信道状态信息（CSI）在大规模多输入多输出（MIMO）通信系统的调度和容量逼近传输优化中起着至关重要的作用。在频分双工（FDD）大规模多输入多输出系统中，在发射机处的前向链路CSI重构严重依赖于来自接收节点的CSI反馈，并且必须仔细权衡重构精度和反馈带宽之间的折衷。最近关于使用递归神经网络（RNN）的研究已经证明了对于大规模多输入多输出部署的强有力的承诺，尽管计算和存储器的成本仍然很高。在这项工作中，我们利用信道相干性的时间，大大提高了反馈效率。使用马尔可夫模型，我们开发了一个基于深度卷积神经网络（CNN）的框架MarkovNet来及时差分编码前向CSI，以有效提高重建精度。此外，我们还探索了重要的物理见解，包括输入数据的球形归一化和用于反馈压缩的卷积层。我们通过我们提出的MarkovNet证明了基于RNN的工作的实质性性能改进和复杂性降低，以准确地恢复前向CSI估计。我们探索了反馈量化中的其他实际考虑，并表明MarkovNet在计算成本的一小部分上优于基于RNN的CSI估计网络。
2020-09-20 cs.IT cs.LG eess.SP
CNN-based Analog CSI Feedback in FDD MIMO-OFDM Systems
Imperial College London（帝国理工学院）
大规模多输入多输出（MIMO）系统需要在基站（BS）处的下行链路信道状态信息（CSI）以更好地利用可用的空间分集和复用增益。然而，在频分双工（FDD）大规模MIMO系统中，CSI反馈开销降低了整体频谱效率。基于卷积神经网络（CNN）的CSI反馈压缩方案最近由于压缩效率的显著改进而受到很多关注;然而，它们仍然需要可靠的反馈链路来将压缩的CSI信息传送到BS。相反，我们在这里提出了一种基于CNN的模拟反馈方案，称为AnalogDeepCMC，它直接将下行链路CSI映射到上行链路信道输入。对应的噪声信道输出被另一个CNN用来重构DL信道估计。所提出的方案不仅在可实现的下行链路速率方面优于现有的数字CSI反馈方案，而且由于其不需要显式量化、编码和调制而简化了操作，并且提供了低延迟的替代方案，特别是在快速变化的MIMO信道中，其中CSI需要被周期性地估计和反馈。
2019-10-23 cs.IT cs.LG eess.SP
Multi-resolution CSI Feedback with deep learning in Massive MIMO System
Beijing National Research Center for Information Science and Technology (BNRist)（北京信息科学与技术国家研究中心）；Tsinghua University（清华大学）
在大规模多输入多输出（MIMO）系统中，用户设备（UE）需要向基站（BS）返回下行信道状态信息（CSI）。然而，在大规模MIMO系统中，随着CSI复杂度的增加，反馈变得昂贵。近来，深度学习（DL）方法被用于提高CSI反馈的重构效率。本文提出了一种新的反馈网络CRNet，通过在多个分辨率上提取CSI特征来实现更好的性能。还介绍了一种先进的训练方案，进一步提高网络的性能。仿真结果表明，在相同的计算复杂性下，该CRNet的性能优于现有的CsiNet.开放源代码可在https://github.com/Kylin9511/CRNet上获得
2021-05-27 cs.IT cs.LG eess.SP
Deep Learning for Joint Design of Pilot, Channel Feedback, and Hybrid Beamforming in FDD Massive MIMO-OFDM Systems
针对FDD大规模MIMO-OFDM系统，提出端到端深度学习框架，联合设计导频、信道反馈与混合波束成形，并利用图神经网络建模波束成形器交互。
2023-12-10 cs.IT eess.SP math.IT
Channel State Feedback Schemes for Multiuser MIMO-OFDM Downlink
在频率平坦的情况下，MIMO广播下行链路的信道状态反馈方案已经被广泛研究。这项工作的重点是更相关的频率选择性的情况下，出现了一些重要的新方面。我们考虑了MIMO-OFDM广播信道，并比较了三种信道状态反馈方案下可实现的遍历速率：模拟反馈，方向量化反馈和“时域”信道量化反馈。前两个计划是以前提出的计划的直接扩展。第三种方案是新颖的，它直接受到高斯相关信源的率失真理论的启发。对于每一个方案，我们得出的条件下，系统实现充分的复用增益。与广泛处理的频率平坦情况的关键区别在于，在MIMO-OFDM中，频域信道传递函数是高斯相关源。新的时域量化方案充分利用了信道频率相关结构，性能优于其他方案。此外，它比复杂的球形矢量量化更容易实现。特别是，我们观察到，没有结构化的码本设计和矢量量化实际上是需要有效的信道状态信息反馈。
2008-04-03 cs.IT math.IT
MIMO Channel Information Feedback Using Deep Recurrent Network
在多输入多输出（MIMO）系统中，发射端信道状态信息（CSI）的可用性是提高系统性能的关键。最近的基于卷积神经网络（NN）的技术在实现CSI压缩和反馈方面显示出有竞争力的能力。通过引入一种新的神经网络结构，我们提高了MIMO通信中量化CSI反馈的准确性。所提出的NN架构调用了一个名为长短期记忆（LSTM）的模块，该模块允许NN受益于利用无线信道的时间和频率相关性。妥协的性能与复杂性，我们进一步修改的NN架构，大大减少了参数的数量进行训练。最后，实验表明，建议的神经网络结构实现更好的性能，在CSI压缩和恢复精度。
2018-11-19 cs.IT math.IT
Interference Alignment with Partial CSI Feedback in MIMO Cellular Networks
干扰对齐（IA）是一种线性预编码策略，可以在干扰网络中实现高信噪比下的最佳容量缩放。然而，大多数现有的IA设计在发射机处需要完整的信道状态信息（CSI），这将导致显著的CSI信令开销。有两种技术，即CSI量化和CSI反馈滤波，以减少CSI反馈开销。在本文中，我们认为IA处理与CSI反馈滤波MIMO蜂窝网络。我们引入了一种新的度量，即反馈维度，量化与CSI反馈滤波相关的一阶CSI反馈成本。CSI反馈滤波在IA处理中提出了几个重要的挑战。首先，在IA预编码器设计中存在不能使用常规IA设计方法处理的隐藏的部分CSI知识约束。此外，现有的结果的可行性条件IA不能应用由于部分CSI知识。最后，找出实际上需要多少CSI反馈来支持IA处理是非常具有挑战性的。我们将解决上述挑战，并提出了一个新的IA的可行性条件下，部分CSIT知识的MIMO蜂窝网络。在此基础上，我们考虑了受自由度要求的CSI反馈配置文件的设计，我们推导出封闭形式的CSI反馈成本和IA性能之间的权衡结果在MIMO蜂窝网络。
2014-03-15 cs.IT math.IT
Efficient Feedback Mechanisms for FDD Massive MIMO under User-level Cooperation
在频分复用（FDD）大规模MIMO系统中，信道状态信息（CSI）反馈是一个具有挑战性的问题.研究了一种协作反馈机制，即用户通过设备到设备（D2D）通信交换信道状态信息，然后自行计算预编码器，并将预编码器反馈给基站（BS）。分析结果表明，合作预编码器反馈是更有效的比CSI反馈的干扰缓解。在D2D通信容量有限的约束下，提出了一种基于信号子空间投影和最优比特划分的自适应CSI交换策略。数值结果表明，所提出的具有自适应CSI交换的协作预编码器反馈方案显著优于CSI反馈方案，即使当经由速率受限的D2D通信来交换CSI时也是如此。
2016-11-22 cs.IT math.IT
Resource Allocation for Cost Minimization in Limited Feedback MU-MIMO Systems with Delay Guarantee
针对有限反馈的延迟敏感多用户MIMO广播系统，设计了一种资源分配框架。考虑到发射功率和反馈带宽的稀缺性和相互关联性，必须以联合和有效的方式优化这两种资源，同时满足延迟QoS要求。基于有效带宽理论，我们首先得到了一个封闭的形式表示的平均违反概率相对于一个给定的延迟要求作为发送功率和反馈信道的码本大小的函数。通过最小化总资源代价，我们推导出一种最优的联合资源分配方案，该方案可以根据系统的特性灵活地调整发射功率和反馈带宽。通过渐近分析，给出了几种简单的资源分配方案。最后，数值结果验证了理论分析的正确性.
2013-11-05 cs.IT math.IT
Channel State Feedback over the MIMO-MAC
我们考虑的问题，设计低延迟和低复杂度的方案，在MIMO-MAC（多输入多输出多址接入信道）的信道状态反馈。我们开发了一个框架来分析这个问题的MSE失真最小化方面，并提出了分离的源通道计划和联合源通道计划，比模拟反馈更好地执行。我们还开发了一个惊人的简单的代码设计的基础上标量量化和未编码的QAM调制，实现了理论上的渐近性能极限的分离的方法，具有非常低的复杂性和延迟，在单天线用户的情况下。
2010-05-10 cs.IT math.IT
Training Enhancement of Deep Learning Models for Massive MIMO CSI Feedback with Small Datasets
在大规模MIMO系统中，准确的下行链路信道状态信息（CSI）对于实现高频谱效率至关重要。关于用于CSI反馈的深度学习（DL）模型的现有工作已经示出了频分双工（FDD）系统中的高效压缩和恢复。然而，实际的DL网络在训练期间需要相当大的无线CSI数据集以实现高模型准确度。为了解决这个劳动密集型的问题，这项工作开发了一个有效的训练增强解决方案的DL为基础的反馈架构的基础上适度的数据集，通过利用复杂的CSI功能，并增加CSI数据集的基础上领域知识。我们首先提出了一个球形CSI反馈网络，SPTM 2-ISTANet+，它采用球形归一化框架来减轻路径损耗变化的影响。我们利用可训练的测量矩阵和残差恢复结构来提高编码效率和恢复精度。对于有限的CSI测量，我们提出了一个模型驱动的轻量级和通用的增强策略的基础上解耦CSI幅度和相位信息，应用在角度延迟域的循环移位，和随机化的CSI相位近似相位分布。测试结果表明，所提出的训练策略和反馈架构的有效性和效率，在有限的测量准确的CSI反馈。
2022-05-07 cs.IT eess.SP math.IT
Symmetric Two-User MIMO BC and IC with Evolving Feedback
扩展最近的研究结果的两个用户MISO广播信道（BC）与不完美的和延迟的信道状态信息在发射机（CSIT），这里的工作探讨了两个用户MIMO BC和两个用户MIMO干扰信道（MIMO IC）的性能，在存在的反馈与不断变化的质量和及时性。在标准假设下，并且在每个发射机有M个天线和每个接收机有N个天线的情况下，该工作推导出DoF区域，该DoF区域对于足够好（但可能不完美）的延迟CSIT的大范围是最佳的。该区域简明地捕获具有预测的、当前的和延迟的CSIT的效果，以及简明地捕获关于任何信道在任何时间提供的CSIT的质量的效果。除了描述在MIMO设置中使用这种不完美和延迟反馈的限制的进展之外，这项工作还提供了不同的见解，包括以下事实：越来越多的接收天线可以允许降低质量反馈，以及IC中的直接链路不需要CSIT。
2013-06-16 cs.IT math.IT
Deep Learning for Multi-User MIMO Systems: Joint Design of Pilot, Limited Feedback, and Precoding
Korea University（高丽大学）；Pukyong National University（釜庆国立大学）；Queen’s University（女王大学）
在具有频分复用（FDD）的传统多用户多输入多输出（MU-MIMO）系统中，信道捕获和预编码器优化过程被分开设计，尽管它们是高度耦合的。本文研究了下行MU-MIMO系统的端到端设计，包括导频序列、有限反馈和预编码。为了解决这个问题，我们提出了一种新的深度学习（DL）框架，该框架联合优化了用户的反馈信息生成和基站（BS）的预编码器设计。MU-MIMO系统中的每个过程都被智能设计的多个深度神经网络（DNN）单元所取代。在基站处，神经网络生成导频序列并帮助用户获得准确的信道状态信息。在每个用户处，由单个用户DNN以分布式方式执行信道反馈操作。然后，另一BS DNN从用户收集反馈信息，并确定MIMO预编码矩阵。提出了一种联合训练算法，以端到端的方式优化所有DNN单元。此外，提出了一种训练策略，该策略可以避免针对不同网络规模的可扩展设计进行再训练。数值结果表明，建议的DL框架相比，经典的优化技术和其他传统的DNN计划的有效性。
2022-09-21 cs.IT cs.LG eess.SP
Feedback Capacity of MIMO Gaussian Channels
在有色高斯噪声和加性噪声的情况下，寻找信道反馈容量的可计算表达式是一个长期存在的问题。在本文中，我们解决了这个问题的情况下，信道具有多个输入和多个输出（MIMO）和噪声过程中产生的时不变的状态空间模型的输出。我们的主要结果是一个有限维凸优化的反馈能力的可计算表达式。反馈容量问题的解决方案是通过制定有限块对应的容量问题作为一个\emph{sequential convex optimization problem}，从而导致一个单字母的上限。这种逆向推导集成了来自信息论、控制、滤波和凸优化的工具和思想。一个紧密的下界是通过优化一个家庭的时不变的政策，从而表明时不变的输入是最佳的，即使当噪声过程可能不是平稳的。最佳的时不变策略被用来构建一个容量实现和简单的编码方案的标量信道，其分析揭示了一个有趣的平滑问题和反馈容量表达式之间的关系。
2023-01-19 cs.IT math.IT math.OC
Exploring the Potential of Large Language Models for Massive MIMO CSI Feedback
本文首次探索将大型语言模型用于大规模MIMO系统的CSI压缩反馈，利用其去噪能力并设计定制模块，实验证明该方法能有效提升CSI重建性能。
2025-01-18 cs.IT eess.SP math.IT
Attention Mechanism Based Intelligent Channel Feedback for mmWave Massive MIMO Systems
具有毫米波（mmWave）和大规模多输入多输出（MIMO）的智能无线通信的潜在优势基于基站（BS）处的瞬时信道状态信息（CSI）的可用性。然而，在频分双工（FDD）系统中，不存在信道互易性导致在BS处难以捕获准确的CSI。许多研究人员探索了基于深度学习（DL）的有效架构来解决这个问题，并证明了基于DL的解决方案的成功。然而，现有的方案集中在获取完整的CSI，而忽略了波束成形和预编码操作。在本文中，我们提出了一种智能信道反馈结构，使用特征矩阵和特征向量反馈神经网络（EMEVNet）。在注意力机制的帮助下，所提出的EMEVNet可以被认为是一个双通道自动编码器，它能够将特征矩阵和特征向量联合编码成码字。仿真结果表明，与传统的基于DL的CSI反馈方法相比，所提出的EMEVNet方法具有很大的性能改善和鲁棒性，具有极低的开销。
2022-11-02 cs.IT eess.SP math.IT
Deep Learning for Massive MIMO Channel State Acquisition and Feedback
Imperial College London（帝国理工学院）
大规模多输入多输出（MIMO）系统是5G和下一代无线网络中过高吞吐量要求的主要推动因素，因为它们可以同时为许多用户提供高频谱和能量效率。为了实现这一点，大规模MIMO系统需要准确和及时的信道状态信息（CSI），其通过涉及导频传输、CSI估计和反馈的训练过程来获取。该训练过程引起训练开销，其随着天线、用户和子载波的数量而缩放。自概念出现以来，减少大规模MIMO系统中的这种训练开销一直是研究的主要课题。最近，已经提出了用于大规模MIMO训练的基于深度学习（DL）的方法，并且与传统技术相比显示出显著的改进。本文概述了如何将神经网络（NN）用于大规模MIMO系统的训练过程中，通过减少CSI获取开销和降低复杂度来提高性能。
2020-04-13 cs.IT cs.LG eess.SP
CLNet: Complex Input Lightweight Neural Network designed for Massive MIMO CSI Feedback
Nanyang Technological University（南洋理工大学）
针对现有大规模MIMO CSI反馈深度学习方法精度与计算开销难以兼顾的问题，提出结合复值输入层和注意力机制的轻量化网络CLNet，在内外场景下精度提升5.41%且开销降低24.1%。
2023-04-28 cs.AI cs.IT eess.SP
Cooperative Feedback for MIMO Interference Channels
多天线预编码有效地减轻了无线网络中的干扰。然而，预编码效率会由于所需的信道状态信息（CSI）的反馈而被开销显著降低。针对这一问题，提出了一种基于有限速率CSI反馈（协作反馈）的双用户多输入多输出（MIMO）干扰信道预编码器设计方法。具体地，每个预编码器被分解为内预编码器和外预编码器，分别用于使干扰为零和提高数据链路阵列增益。内部预编码器被进一步设计为抑制由有限速率协作反馈引起的残余干扰。为了调节由于预编码器量化而产生的残余干扰，设计了附加的标量协作反馈信号以使用不同的准则来控制发射机的功率，所述准则包括应用干扰裕度、最大化总吞吐量以及最小化中断概率。仿真结果表明，这种额外的反馈有效地消除了由于量化预编码器反馈的性能下降。
2010-09-17 cs.IT math.IT
Augmented Deep Unfolding for Downlink Beamforming in Multi-cell Massive MIMO With Limited Feedback
在有限反馈多用户多输入多输出（MU-MIMO）蜂窝网络中，用户向相关联的基站（BS）发送关于信道条件的量化信息以用于下行链路波束成形。然而，信道量化和波束形成一直被视为两个单独的任务，这使得它很难实现全局系统最优。在本文中，我们提出了一种增强的深度展开（ADU）的方法，联合优化波束成形方案在BS和信道量化方案在用户。特别地，经典的WMMSE波束形成器被展开，并且利用深度神经网络（DNN）对其输入进行预处理以提高性能。在反馈容量受到严格限制的情况下，采用变分信息瓶颈技术进一步提高性能。仿真结果表明，所提出的ADU方法优于所有的基准计划的系统平均速率。
2022-09-03 cs.IT eess.SP math.IT
Distributed Neural Precoding for Hybrid mmWave MIMO Communications with Limited Feedback
混合预编码是用于毫米波（mmWave）大规模多输入多输出（MIMO）通信的成本有效的技术。本文提出了一种深度学习方法，通过使用分布式神经网络的混合模拟和数字预编码设计有限的反馈。所提出的分布式神经预编码网络，称为DNet，致力于实现两个目标。首先，DNet实现信道状态信息（CSI）压缩与分布式架构的神经网络，这使得实际部署在多个用户。具体地说，这种神经网络由多个具有相同结构和参数的独立子网络组成，既减少了训练参数的数量，又降低了网络的复杂度。其次，DNet从有限反馈的重构CSI学习混合预编码的计算。与现有的黑盒神经网络设计不同，DNet是根据混合预编码矩阵计算的数据形式进行专门设计的。仿真结果表明，与传统的有限反馈预编码方法相比，在不同CSI压缩比的测试下，DNet的性能提高了近50%。
2022-04-18 cs.IT eess.SP math.IT
Optimal power control in Cognitive MIMO systems with limited feedback
研究了认知无线电多输入多输出系统中的最优功率分配问题。重点是提供有限的反馈解决方案，旨在最大限度地提高次系统速率受到的平均干扰造成的主要通信的约束。有限反馈解决方案是通过减少在次级发射机（STx）处对于STx和次级接收机（SRx）之间的链路可用的信息以及通过限制在STx处对应于STx和初级接收机PRx之间的链路的可用信息的水平来获得的。蒙特卡洛模拟结果给出，允许量化所提出的算法实现的性能。
2014-01-30 cs.IT math.IT
Lightweight Convolutional Neural Networks for CSI Feedback in Massive MIMO
在大规模多输入多输出系统的频分双工模式下，下行链路信道状态信息（CSI）必须通过反馈链路发送到基站（BS）。然而，由于反馈链路的带宽限制，向BS发送CSI是昂贵的。深度学习（DL）最近在CSI反馈方面取得了显著的成功。实现高性能和低复杂度的CSI反馈是基于DL的通信中的挑战。为了有效地完成CSI的反馈，本研究开发了一个基于DL的CSI反馈网络。然而，由于过多的参数，该网络不能有效地应用于移动终端。因此，我们进一步提出了一个新的轻量级CSI反馈网络的基础上开发的网络。仿真结果表明，所提出的CSI网络具有更好的重建性能比其他CsiNet相关的作品。此外，轻量级网络保持了一些参数和参数复杂度，同时确保令人满意的重建性能。这些发现表明了所提出技术的可行性和潜力。
2020-05-01 cs.IT eess.SP math.IT
Joint Beamforming for Multiaccess MIMO Systems with Finite Rate Feedback
本文研究了有限速率反馈的多址多输入多输出（MIMO）系统。我们的目标是了解如何有效地利用给定的有限反馈资源，以最大限度地提高和速率的性能分析。为此，我们提出了一个联合量化和反馈策略：基站选择最强的用户，联合量化他们最强的特征信道向量和广播一个共同的反馈给所有的用户。这种联合策略不同于单独的策略，在单独的策略中，量化和反馈独立地跨用户执行，并且它以与矢量量化改进标量量化相同的方式改进了单独的策略。在我们提出的策略中，用户选择的影响通过极端顺序统计来分析，而联合量化的影响通过我们所说的“复合格拉斯曼流形”来量化。然后通过随机矩阵理论估计可达到的和速率。由于其简单的实现和坚实的性能分析，所提出的方案提供了一个基准的多址MIMO系统与有限速率反馈。
2008-04-17 cs.IT math.IT
Design Guidelines for Training-based MIMO Systems with Feedback
本文研究了带反馈的块衰落多输入多输出（MIMO）系统的最优训练和数据传输策略。我们考虑信道增益反馈（CGF）系统和信道协方差反馈（CCF）系统。使用一个准确的容量下限作为一个品质因数，我们调查的时间功率分配的优化问题，以训练和数据传输以及训练长度。对于无反馈时滞的CGF系统，我们证明了最优解与无反馈系统的最优解是一致的。此外，我们表明，这些解决方案保持接近最优，即使在反馈延迟的存在。这一发现对于实际的MIMO训练设计具有重要意义。通过数值分析，验证了CCF系统的最优训练长度可以小于发射天线数。考虑到这一事实，我们提出了一个简单的CCF系统，但接近最佳的传输策略，并推导出最佳的时间功率分配导频和数据传输。
2009-03-03 cs.IT math.IT
Deep Learning for Hybrid Beamforming with Finite Feedback in GSM Aided mmWave MIMO Systems
Tsinghua University（清华大学）；Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）
混合波束形成是毫米波多输入多输出系统的重要技术。为了提高频谱利用率，进一步引入了广义空间调制（GSM）技术。然而，大多数现有的波束成形工作假设完美的信道状态信息（CSI），这是不现实的，在实际系统中。本文研究了GSM辅助频分复用（FDD）mmWave MIMO系统中下行导频训练、信道估计、CSI反馈和混合波束形成的联合优化问题。在深度学习的帮助下，通过无监督学习以端到端的方式设计GSM混合波束形成器。实验结果表明，与传统算法相比，本文提出的多分辨率网络GsmEFBNet能够以更少的反馈比特数获得更高的可达速率。
2023-02-15 cs.AI cs.IT eess.SP
Binary Neural Network Aided CSI Feedback in Massive MIMO System
Beijing National Research Center for Information Science and Technology (BNRist)（北京信息科学与技术国家研究中心（BNRist））；Tsinghua University（清华大学）
在大规模多输入多输出（MIMO）系统中，信道状态信息（CSI）是基站获得高性能增益所必需的。近年来，深度学习被广泛应用于CSI压缩中，以对抗频分复用系统中大规模MIMO带来的不断增长的反馈开销。然而，应用神经网络会带来额外的存储和计算成本，这对于资源有限的用户设备（UE）来说尤其不可忽略。本文介绍了一种新的二值化辅助反馈网络BCsiNet。此外，BCsiNet变体旨在提高定制训练和推理方案下的性能。实验表明，与CsiNet相比，BCsiNet在UE端为编码器提供了超过30个$\times$的内存节省和大约2个$\times$的推理加速。此外，BCsiNet的反馈性能与原始CsiNet相当。关键结果可在https://github.com/Kylin9511/BCsiNet上复制。
2020-11-05 cs.AI cs.IT eess.SP
Degrees of Freedom Region of the MIMO Interference Channel with Output Feedback and Delayed CSIT
考虑了两用户多输入多输出（MIMO）干扰信道（IC），每个终端具有任意数量的天线，并且自由度（DoF）区域的特征在于存在从每个接收机到其各自的发射机的无噪声信道输出反馈和在发射机处的延迟信道状态信息（CSIT）的可用性。结果表明，具有输出反馈和延迟CSIT可以严格扩大的MIMO IC的自由度区域相比，只有延迟CSIT存在的情况下。所提出的实现具有反馈和延迟CSIT的对应DoF区域的编码方案利用两种资源，即，反馈和延迟CSIT以非平凡的方式。还示出了具有局部反馈和延迟CSIT的DoF区域等于具有全局反馈和延迟CSIT的DoF区域，即，从自由度区域的角度来看，局部反馈和延迟CSIT等同于全局反馈和延迟CSIT。相反证明了一个更强的设置，其中的两个接收器的通道不需要统计等效。
2012-10-25 cs.IT math.IT
