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
CS-Based CSIT Estimation for Downlink Pilot Decontamination in Multi-Cell FDD Massive MIMO
用于频分双工（FDD）大规模MIMO的发射机处的有效信道状态信息（CSIT）可以促进其与现有FDD蜂窝网络的后向兼容。迄今为止，针对FDD单小区大规模MIMO系统提出了几种CSIT估计方案，但它们都没有考虑小区间干扰（ICI），并且在多小区情况下会受到下行导频污染的影响。为了解决这个问题，本文提出了一种基于压缩感知（CS）的CSIT估计方案，以对抗FDD多小区大规模MIMO系统中的ICI。具体而言，角域大规模MIMO信道在不同的子载波上表现出共同的稀疏性，并且这种稀疏性部分由相邻用户共享。通过利用这些稀疏特性，我们设计的导频信号和相关的信道估计算法的CS理论的框架下，其中与多个相邻的BS相关联的信道可以可靠地估计与低的训练开销的下行链路导频净化。仿真结果验证了所提出的解决方案的良好的下行链路导频去污性能相比，其传统的多小区FDD大规模MIMO。
2021-08-23 cs.IT eess.SP math.IT
Statistical CSI-based Design for Reconfigurable Intelligent Surface-aided Massive MIMO Systems with Direct Links
研究了可重构智能表面（RIS）辅助的大规模多输入多输出（MIMO）直联系统的性能，并基于统计信道状态信息（CSI）设计了RIS的相移。我们首先推导出上行链路各态历经数据率的封闭形式表达式。然后，基于推导的表达式，我们使用遗传算法（GA）来解决和数据率最大化问题。通过低复杂度的最大比合并（MRC）和低开销的基于统计CSI的方案，验证了RIS仍然可以给传统的大规模MIMO系统带来显著的性能提升。
2021-02-15 cs.IT eess.SP math.IT
A Learnable Optimization and Regularization Approach to Massive MIMO CSI Feedback
信道状态信息（CSI）在实现大规模多输入多输出（MIMO）系统的潜在效益方面起着关键作用。在频分双工（FDD）大规模MIMO系统中，基站（BS）依赖于来自用户的持续且准确的CSI反馈。然而，由于在大规模MIMO系统中服务的大量天线和用户，反馈开销可能成为瓶颈。在本文中，我们提出了一种模型驱动的深度学习CSI反馈方法，称为可学习优化和正则化算法（LORA）。在LORA中引入了一个可学习的正则化模块来自动适应CSI的特性，而不是使用l1范数作为正则化项。我们将传统的迭代收缩阈值算法（ISTA）展开为一个神经网络，通过端到端的训练学习优化过程和正则项。我们表明，LORA提高了CSI反馈的准确性和速度。此外，提出了一种新的可学习的量化方法和相应的训练方案，它表明，LORA可以成功地在不同的比特率，提供灵活的CSI反馈开销。各种现实的情况下，被认为是通过数值模拟来证明LORA的有效性和鲁棒性。
2022-09-30 cs.IT eess.SP math.IT
Secure Rate-Splitting for MIMO Broadcast Channel with Imperfect CSIT and a Jammer
本文研究了两用户多输入多输出（MIMO）广播信道中发射端信道状态信息不完全（CSIT）和多天线干扰机的安全速率分裂问题，其中每个接收端具有相同数量的天线，干扰机具有完全信道状态信息（CSI）.具体而言，我们设计了一个安全的速率分裂多址接入策略，其中的安全性，分裂的私人和共同的消息是确保预编码器设计与联合调零和对齐的泄漏信息，关于不同的天线配置。此外，我们表明，通过安全速率分裂实现的和安全自由度（SDoF）是最优的，优于传统的迫零。因此，我们揭示了两个用户的MIMO广播信道与不完美的CSIT和一个干扰的总和SDOF，并验证了在这种情况下，以MIMO为重点的安全目的的速率分裂的优越性。
2022-07-11 cs.IT eess.SP math.IT
Multi-Rate Variable-Length CSI Compression for FDD Massive MIMO
针对FDD大规模MIMO中CSI反馈开销过大的问题，本文提出一种基于带熵瓶颈结构的变分自编码器的灵活压缩方法，支持多速率与可变长度操作，并在归一化均方误差上优于现有技术。
2023-11-30 cs.IT eess.SP 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
A Distributed Massive MIMO Channel Sounder for "Big CSI Data"-driven Machine Learning
提出了一种用于获取大型CSI数据集的分布式大规模MIMO信道探测器DICHASUS。测量的数据在用于用户定位、JCAS、信道制图、在FDD操作中实现大规模MIMO等的各种机器学习算法的研究中具有潜在的应用。所提出的信道探测器架构与以前类似的设计不同，因为每个单独的单天线接收器是完全自主的，能够实现任意的空间分布的天线部署，并提供几乎无限的天线数量的可扩展性。可选地，提取的信道系数向量可以用通过GNSS接收器（用于室外操作）或通过各种室内定位技术获得的地面实况位置数据来标记。
2022-06-30 cs.IT eess.SP math.IT
Deep Learning for Uplink CSI-based Downlink Precoding in FDD massive MIMO Evaluated on Indoor Measurements
当操作具有处于不同频率的上行链路（UL）和下行链路（DL）信道的大规模多输入多输出（MIMO）系统（频分双工（FDD）操作）时，用于下行链路预编码的信道状态信息（CSI）的获取是主要挑战。由于除了收发器损伤之外，UL和DL CSI两者都由发射器和接收器周围的物理环境确定，因此理所当然的是，对于静态环境，可以存在从UL CSI到DL CSI的映射。首先，我们建议使用各种基于神经网络（NN）的方法来学习这种映射，并使用经典的信号处理提供基线。其次，我们引入了一个计划来评估所有方法的泛化性能和质量，区分已知和以前看不见的物理位置。第三，我们评估所有的方法在一个真实世界的室内数据集收集32天线通道探测器。
2022-09-22 cs.IT eess.SP 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
Deep CSI Compression for Dual-Polarized Massive MIMO Channels with Disentangled Representation Learning
本文提出DiReNet，通过将双极化CSI解耦为极化共享、垂直极化特定和水平极化特定信息，减少极化相关性带来的冗余，从而提升CSI压缩与恢复性能，并降低近三分之一参数量。
2024-03-28 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
Spectral Efficiency and Energy Efficiency Tradeoff in Massive MIMO Downlink Transmission with Statistical CSIT
作为未来无线网络的关键技术，大规模多输入多输出（MIMO）技术可以显著提高能量效率（EE）和频谱效率（SE），其性能高度依赖于信道状态信息（CSI）的可用程度。虽然关于大规模多输入多输出的大多数现有工作集中在发射机处的瞬时CSI（CSIT）可用的情况下，但是获得精确的瞬时CSIT通常不是一件容易的任务。在本文中，我们研究EE-SE权衡单小区大规模多输入多输出下行链路传输与统计CSIT。为此，我们的目标是优化系统资源效率（RE），这是能够达到EE-SE平衡。首先给出了不同用户终端的最优发射协方差矩阵的特征向量的闭式解，表明波束域有利于在大规模多输入多输出下行链路中进行RE最优传输。基于这一认识，RE优化预编码设计被简化为一个实值功率分配问题。利用序贯优化和随机矩阵理论，我们进一步提出了一种低复杂度的次优两层注水结构功率分配算法。数值结果表明，所提出的统计CSI辅助RE优化方法的有效性和接近最优的性能。
2020-05-04 cs.IT eess.SP math.IT
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
A Novel Proof for the DoF Region of the MIMO Broadcast Channel with No CSIT
本文给出了一种新的证明方法，证明了在发送端没有信道状态信息（CSIT）和接收端有理想信道状态信息（CSIR）的K用户多输入多输出（MIMO）广播信道（BC）的自由度（DoF）区域。在此基础上，推导出了具有发射端信道分布信息（CDIT）和理想CSIR的某类MIMO BC的容量域。最后，提供了没有CSIT的MIMO干扰信道（IC）的DoF区域的外边界。
2014-01-24 cs.IT math.IT
Channel Charting-Based Channel Prediction on Real-World Distributed Massive MIMO CSI
针对分布式大规模MIMO中用户移动导致的信道老化问题，提出基于信道图的自监督信道预测方法，利用CSI样本相似性重建潜在空间表示，在真实数据集上验证其总速率优于Wiener预测器和过时CSI。
2024-10-15 cs.IT eess.SP math.IT
A New Proof for the DoF Region of the MIMO Networks with No CSIT
本文给出了一种新的证明方法，证明了在发送端没有信道状态信息（CSIT）和接收端有理想信道状态信息（CSIR）的K用户多输入多输出（MIMO）广播信道（BC）的自由度（DoF）区域。在此基础上，推导出了具有发射端信道分布信息（CDIT）和理想CSIR的某类MIMO BC的容量域。最后，提供了不具有CSIT的K用户MIMO干扰信道（IC）的DoF区域的外边界。
2015-01-07 cs.IT math.IT
Fluid Antenna-Assisted MIMO Transmission Exploiting Statistical CSI
针对流体天线辅助MIMO系统中瞬时CSI获取困难的问题，本文利用统计CSI提出了一个速率最大化准则下的发送预编码与收发FA位置设计算法框架，显著提升了系统的速率性能。
2023-12-13 cs.IT eess.SP math.IT
Isotropic MIMO Interference Channels without CSIT: The Loss of Degrees of Freedom
研究了在各向同性衰落信道下的两用户MIMO干扰信道。我们假设用户配备了任意数量的天线和信道状态信息（CSI）是在接收机只。获得了自由度区域的外边界，这表明在许多情况下由于在发射机处缺乏CSI而导致自由度的损失。
2009-10-15 cs.IT math.IT
Joint User Scheduling and Precoding for XL-MIMO Systems with Imperfect CSI
针对非理想CSI下的XL-MIMO系统，提出联合用户调度与预编码算法，通过长期CSI调度并选择更新CSI的用户，提升和频谱效率并强调训练开销与信道估计误差的影响。
2023-02-25 cs.IT eess.SP 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
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
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
CSI-PPPNet: A One-Sided One-for-All Deep Learning Framework for Massive MIMO CSI Feedback
本文提出 CSI-PPPNet，在 UE 端线性压缩 CSI、BS 端用即插即用深度学习去噪器恢复，实现单一模型适配任意压缩比并降低终端存储与计算负担。
2023-07-18 cs.IT eess.SP math.IT
Generative Decoding of Compressed CSI for MIMO Precoding Design
Arizona State University（亚利桑那州立大学）；Nokia Bell Laboratories（诺基亚贝尔实验室）
本文提出一种仅含解码器的生成式CSI压缩方案，在用户侧使用标准化编码器，在基站侧用站点特定生成式解码器结合环境知识细化CSI，并通过数字孪生生成合成数据降低训练数据收集开销，仿真验证了其在多种反馈开销下的有效性。
2025-11-11 cs.IT eess.SP math.IT
Robust Design of Rate-Splitting Multiple Access With Imperfect CSI for Cell-Free MIMO Systems
用于多用户下行链路的速率分割多址接入（RSMA）通过将用于每个用户设备（UE）的消息分割成私有消息和公共消息的集合来操作，私有消息和公共消息的集合借助于叠加编码被同时发送。与传统的多址接入技术相比，RSMA方案可以通过优化速率分割比以及相应的下行链路波束成形向量来增强吞吐量和连接性。本文研究了无信元多输入多输出（MIMO）系统中错误信道状态信息（CSI）对RSMA性能的影响。利用期望数据速率的闭合形式下界表达式，提出了一种高效的鲁棒优化算法。大量的数值计算结果表明，在CSI错误的存在下，以及如何在传统的计划RSMA的性能增益的重要性是由CSI不完善的影响。
2022-03-07 cs.IT eess.SP 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
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
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
Deep Joint Source-Channel Coding for CSI Feedback: An End-to-End Approach
MIMO技术带来的吞吐量的增加依赖于基站（BS）中获取的信道状态信息（CSI）的知识。为了使CSI反馈开销对于MIMO技术的演进是可承受的（例如，大规模MIMO和超大规模MIMO），引入了深度学习（DL）来处理CSI压缩任务。基于现有通信系统中的分离原理，基于DL的CSI压缩被用作信源编码。然而，在有限块长度机制中，这种单独的信源-信道编码（SSCC）方案劣于联合信源-信道编码（JSCC）方案。在本文中，我们提出了一个深度联合信源-信道编码（DJSCC）为基础的CSI反馈任务的框架。特别地，所提出的方法可以同时从CSI源和无线信道学习。在现有的方法中，通过在延迟域中的傅立叶变换来截断CSI，而不是应用非线性变换网络来压缩CSI。此外，我们采用了一种信噪比自适应机制来处理无线信道的变化。大量的实验证明了该框架的有效性、适应性和通用性。
2022-04-07 cs.IT eess.SP math.IT
Swin Transformer-Based CSI Feedback for Massive MIMO
本文提出基于Swin Transformer的CSI反馈网络SwinCFNet，利用自编码器结构捕获信道状态信息的长程依赖，在模型规模相当的情况下显著优于其他深度学习方法，尤其在室外场景表现突出。
2024-01-12 cs.IT eess.SP math.IT
Energy Efficiency Optimization for Downlink Massive MIMO With Statistical CSIT
我们调查的能量效率（EE）优化单小区大规模多输入多输出（MIMO）下行链路传输，只有统计信道状态信息（CSI）在基站。我们首先表明，波束域传输是有利于在大规模MIMO下行链路的能源效率，通过推导出一个封闭形式的解决方案的最佳传输协方差矩阵的特征向量。利用这一结论，EE优化问题被简化为一个实值功率分配问题，这比原来的高维复矩阵值预编码设计问题更容易解决。我们进一步提出了一种迭代注水结构波束域功率分配算法，具有低复杂度和保证收敛性，利用序贯优化，分数优化和随机矩阵理论的技术。数值结果表明，我们提出的统计CSI辅助EE优化方法的性能接近最优。
2020-02-12 cs.IT eess.SP math.IT
Convolutional Neural Network based Multiple-Rate Compressive Sensing for Massive MIMO CSI Feedback: Design, Simulation, and Analysis
针对大规模MIMO中CSI反馈带宽开销大的问题，提出多速率压缩感知神经网络框架及CsiNet+等网络，提升重建精度、减少UE存储与参数量，还探究了方法内在机制。
2019-06-14 cs.IT eess.SP math.IT
HyperRNN: Deep Learning-Aided Downlink CSI Acquisition via Partial Channel Reciprocity for FDD Massive MIMO
为了充分发挥大规模多输入多输出（MIMO）在下行链路中的优势，需要在基站（BS）处获取信道状态信息（CSI）来优化波束形成矩阵。在频分双工（FDD）系统中，全信道互易性不成立，并且CSI获取通常需要下行链路导频传输，随后是上行链路反馈。先前的工作提出了经由深度学习的导频传输、反馈和CSI估计的端到端设计。在这项工作中，我们引入了一个增强的端到端的设计，利用部分上行链路-下行链路的互易性和时间相关的衰落过程，通过联合利用下行链路和上行链路的导频。所提出的方法基于一种新型的深度学习架构- HyperRNN -它结合了超网络和递归神经网络（RNN），以优化从上行链路到下行链路的长期信道特征的传输。仿真结果表明，HyperRNN实现了较低的归一化均方误差（NMSE）性能，并降低了对导频长度的要求。
2021-07-08 cs.IT eess.SP math.IT
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
DJSCC-Enabled Multi-User Semantic CSI Feedback for Hybrid Beamforming in Dual-Polarized cmWave Massive MIMO
Beijing Institute of Technology（北京理工大学）；Yangtze Delta Region Academy, BIT (Jiaxing)（北京理工大学长三角研究院（嘉兴））；University of the Witwatersrand（威特沃特斯兰德大学）；Harbin Institute of Technology（哈尔滨工业大学）
本文提出了一种基于MAXIM架构的深度学习方案，用于多用户厘米波MIMO-OFDM系统的联合语义CSI反馈和混合波束成形，通过端到端优化最大化下行链路总速率，同时利用深度联合源-信道编码（DJSCC）提升CSI压缩效率和抗噪能力。
2026-05-19 cs.IT eess.SP math.IT
Generalizing Deep Learning-Based CSI Feedback in Massive MIMO via ID-Photo-Inspired Preprocessing
针对大规模MIMO中基于深度学习的CSI反馈模型跨环境泛化性差的问题，提出受身份证照片启发的UniversalNet框架，通过输入标准化、稀疏对齐等操作实现与现有模型的无缝集成，结合特征向量联合优化提升压缩效率，有效增强了泛化性能与反馈精度。
2024-10-10 cs.IT eess.SP math.IT
Distributed Compressive CSIT Estimation and Feedback for FDD Multi-user Massive MIMO Systems
为了充分利用大规模MIMO的空间复用增益或阵列增益，必须在发射端获得信道状态信息（CSIT）。然而，传统的CSIT估计方法不适合FDD大规模MIMO系统，因为压倒性的训练和反馈开销。在本文中，我们考虑多用户大规模MIMO系统，并部署压缩感知（CS）技术，以减少训练以及CSIT估计的反馈开销。多用户大规模MIMO系统由于物理传播环境中共享的局部散射点，在用户信道矩阵中表现出隐藏的联合稀疏结构。因此，而不是天真地应用传统的CS的CSIT估计，我们提出了一个分布式压缩CSIT估计方案，使压缩的测量在用户本地观察，而CSIT恢复在基站联合执行。提出了一种联合正交匹配追踪恢复算法，利用用户信道矩阵中隐藏的联合稀疏性进行CSIT恢复。我们分析所获得的CSIT质量的归一化平均绝对误差，并通过封闭形式的表达式，我们获得简单的见解如何联合信道稀疏性可以被利用，以提高CSIT恢复性能。
2014-05-12 cs.IT math.IT
How Often Should CSI be Updated for Massive MIMO Systems with Massive Connectivity?
大规模多输入多输出（MIMO）系统需要支持物联网（IoT）应用的大规模连接。随着用户数量的增加，信道状态信息（CSI）获取开销成为系统性能的瓶颈。提出了一种间歇性信道估计方案，以减轻信道估计的负担，并最大化总容量。在该方案中，我们利用MIMO信道的时间相关性，并使用线性预编码器分析CSI的年龄对下行链路传输速率的影响。通过优化每个用户的CSI更新频率，我们发现CSI更新间隔应遵循准周期分布，并在CSI估计的准确性和CSI获取的开销之间达到折衷。数值结果表明，所提出的间歇计划提供了显着的容量增益比传统的连续估计方案。
2017-07-28 cs.IT math.IT
Deep Learning for Efficient CSI Feedback in Massive MIMO: Adapting to New Environments and Small Datasets
针对大规模MIMO中深度学习CSI反馈依赖大量场景数据、多模型部署成本高的问题，提出深度展开反馈网络SPTM2-ISTANet+、场景自适应架构CSI-TransNet及领域知识增强策略，实现小数据下新环境的高效精准CSI反馈。
2023-11-06 cs.IT eess.SP math.IT
Achievable Throughput of Multi-mode Multiuser MIMO with Imperfect CSI Constraints
对于具有不完全信道状态信息的多输入多输出（MIMO）广播信道，其容量和最优传输技术尚未完全被发现。在本文中，我们推导出可实现的遍历速率的MIMO衰落广播信道时，CSI延迟和量化。结果表明，我们不应该支持太多的用户与空分复用由于残留的用户间干扰所造成的不完善的CSI。基于推导出的可达速率，我们提出了一种多模传输策略，以最大化的吞吐量，自适应调整的活跃用户的数量的基础上的信道统计信息。
2008-12-16 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
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
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
Massive MIMO: Instantaneous versus Statistical CSI-Based Power Allocation
本文从性能、复杂度和实际实现角度系统比较了大规模MIMO系统中基于统计CSI与基于瞬时CSI的功率分配方案，分析了各自优劣及适用场景。
2025-05-07 cs.IT math.IT
Capacity Performance of Relay Beamformings for MIMO Multi-Relay Networks with Imperfect R-D CSI at Relays
在本文中，我们考虑了一个双跳多输入多输出（MIMO）无线中继网络中存在的不完善的信道状态信息，其中的源-目的地对都配备了多个天线，通过大量的半双工放大和转发（AF）中继终端通信。研究了中继节点处中继到目的（R-D）链路的信道状态信息不理想时，三种线性波束形成方案的性能。这三种有效的线性波束形成方案分别基于匹配滤波器（MF）、迫零（ZF）和正则化迫零（RZF）预编码技术，它们在中继节点同时利用S-D信道和R-D信道的信道状态信息。通过将中继节点处的R-D CSI误差建模为独立的复高斯随机变量，我们推导了三种波束形成器在瞬时SNR方面的遍历能力。利用大数定律，我们得到了渐近容量，并在此基础上推导出了优化的MF-RZF。仿真结果表明，渐近容量与各自的遍历容量很好地匹配。分析和仿真结果表明，优化的MF-RZF优于MF和MF-ZF的R-D CSI误差的任何功率。
2020-03-19 cs.IT eess.SP math.IT
Statistical CSI-Based Transmission Design for Reconfigurable Intelligent Surface-aided Massive MIMO Systems with Hardware Impairments
本文研究了一种可重构智能表面（RIS）辅助的大规模多用户多输入多输出（MIMO）通信系统，该系统具有收发器硬件损伤（HWI）和RIS相位噪声。与现有的研究成果不同，RIS的相移设计是基于长期的角度信息。首先推导了上行链路可达速率的近似解析表达式。然后，我们使用遗传算法（GA），以最大化和率和最小数据率。最后，我们表明，它是至关重要的，以考虑HWI时，设计的RIS相移。
2021-10-13 cs.IT eess.SP math.IT
Design of an Efficient CSI Feedback Mechanism in Massive MIMO Systems: A Machine Learning Approach using Empirical Data
大规模多输入多输出（mMIMO）机制在精确获取信道状态信息（CSI）的情况下获得空间分集和复用增益的益处。在当前的通信架构中，下行链路CSI由用户设备（UE）经由专用导频估计，然后反馈给gNodeB（gNB）。反馈信息被压缩，目的是减少空中开销。这种压缩增加了所获取的CSI的不准确性，从而降低了整体频谱效率。提出了一种基于机器学习（ML）的CSI反馈算法，该算法利用双通道预测器，计算量小.所提出的方法可以用于时分双工（TDD）和频分双工（FDD）系统，并且它允许减少反馈开销并提高所获取的CSI准确度。为了观察到真正的好处，我们证明了所提出的方法使用的经验数据记录在诺基亚在德国斯图加特的校园的性能。数值结果表明，所提出的方法在减少开销，最大限度地减少量化误差，提高频谱效率，余弦相似性，和预编码增益相比，传统的CSI反馈机制的有效性。
2022-08-25 cs.IT eess.SP math.IT
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
Statistical-CSI-Based Antenna Selection and Precoding in Uplink MIMO
传统的天线选择方案需要瞬时信道状态信息（CSI）。这导致系统中的高信令开销。本文提出了一种新的联合接收天线选择和预编码方案，用于多用户多输入多输出上行链路传输，仅依赖于CSI的长期统计。所提出的方案设计的交换网络和上行链路的预编码器，使系统在长期的预期吞吐量最大化。从随机矩阵理论的结果，我们推导出一个封闭形式的表达式的期望吞吐量的系统。然后，我们开发了一个易于处理的迭代算法来解决吞吐量最大化问题，利用交替优化和优化最大化（MM）技术。数值结果证实了所提出的方法的效率和其优越的性能相比，基线。
2022-12-28 cs.IT eess.SP math.IT
Low-Complexity ZF/MMSE Receivers for MIMO-OTFS Systems With Imperfect CSI
正交时频空间（OTFS）方案将时间和频率选择性信道转换为延迟-多普勒域中的几乎非选择性信道，为高速移动设备建立可靠的无线通信。针对具有理想和非理想接收信道状态信息的多输入多输出（MIMO）-OTFS系统，设计并分析了低复杂度迫零（LZ）和最小均方误差（LM）接收机。所提出的接收机提供了与常规对应方完全相同的解决方案，并且通过利用MIMO-OTFS信道矩阵的双循环性质、逐块逆和舒尔补来降低复杂度。我们还推导出，通过利用泰勒展开和随机矩阵理论的结果，一个紧密的近似后处理的信号与噪声加干扰比（SINR）的表达式在封闭形式的LZ和LM接收机。我们表明，推导出的SINR表达式，当平均在多个信道实现，准确地表征各自的比特出错率（BER）的完美和不完美的接收CSI。我们数值上显示了较低的误码率和较低的复杂性，所提出的设计超过国家的最先进的现有解决方案。
2020-10-09 cs.IT eess.SP math.IT
Splitting Messages in the Dark- Rate-Splitting Multiple Access for FDD Massive MIMO Without CSI Feedback
针对FDD大规模MIMO系统CSIT获取开销大的问题，提出无CSI反馈框架，利用2D-NOMP算法重建下行CSIT，并基于ECM估计与RSMA预编码优化缓解多用户干扰，实现稳健的总和频谱效率。
2024-11-18 cs.IT eess.SP math.IT
Recursive CSI Quantization of Time-Correlated MIMO Channels by Deep Learning Classification
TU Wien（维也纳技术大学）
在频分双工（FDD）多输入多输出（MIMO）无线通信中，有限信道状态信息（CSI）反馈是支持高级单用户和多用户MIMO波束成形/预编码的中心工具。为了实现给定的CSI质量，CSI量化码本大小必须随着天线的数量呈指数增长，导致量化复杂度以及较大MIMO系统的反馈开销问题。我们最近提出了一个多级递归格拉斯曼量化器，使CSI量化的复杂性显着降低。在本文中，我们证明了这种递归量化器可以有效地与深度学习分类相结合，以进一步降低复杂度，并且它可以利用时间信道相关性来减少CSI反馈开销。
2020-09-28 cs.IT cs.LG math.IT
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
