FDD Massive MIMO Uplink and Downlink Channel Reciprocity Properties: Full or Partial Reciprocity?
FDD大规模MIMO通信系统面临的一个挑战是如何在基站处获得下行链路信道状态信息（CSI）。除了通过上行链路导频传输的传统码本反馈之外，可以通过上行链路信道估计和信道参数估计算法来利用一些信道互易特性。本文分析了上下行信道的互易特性。从理论上证明了FDD下行信道和上行信道的多径参数并不都是等价的。因此，所谓的完全互易性不成立，而部分互易性成立。最后，通过信道测量活动验证了理论分析的正确性.最后，为了支持部分互易性，还提出了对标准化5G信道模型的修改。通过本文的工作，可以为FDD大规模MIMO系统的传输方案设计指明方向。
2019-12-31 cs.IT eess.SP math.IT
Performance Analysis of Channel Extrapolation in FDD Massive MIMO Systems
众所周知，用于频分双工（FDD）大规模多输入多输出系统的下行链路的信道估计产生大的开销，因为训练量通常与MIMO系统中的发射天线的数量成比例。在本文中，我们考虑从上行链路导频估计到下行链路频段的信道频率响应外推的解决方案，这完全消除了训练开销。我们首先表明，传统的估计无法达到合理的精度。我们建议改为使用高分辨率信道估计。我们推导出理论下界（LB）的均方误差（MSE）的外推通道。假设路径被很好地分离，LB被简化为给出相当大的物理洞察力的表达式。然后表明，MSE与接收天线的数量成正比，而外推性能损失与频率偏移和训练带宽之比的平方成正比。信道外推性能通过数值仿真和实验室测试进行了验证。我们的主要结论是，信道外推是一个可行的解决方案，FDD大规模多输入多输出系统，如果精确的系统校准执行和有利的传播条件。
2020-01-22 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
Line-of-Sight MIMO for High Capacity Millimeter Wave Backhaul in FDD Systems
无线回程被认为是未来无线网络的关键部分，具有密集的小小区业务和高容量需求。在本文中，我们专注于设计一个高频谱效率的视线（LoS）多输入多输出（MIMO）系统的毫米波（毫米波）回程使用双极化频分双工（FDD）。由于各种物理损伤，例如相位噪声（PHN）、定时偏移（TO）以及LoS MIMO的不良条件数，对于系统实现高频谱效率是非常具有挑战性的。在本文中，我们提出了一个整体的解决方案，包括TO补偿，PHN估计，预编码器/解相关器优化的LoS MIMO无线回程，和交织的每一个部分。我们表明，所提出的解决方案具有鲁棒的性能，对于8x8 MIMO，端到端频谱效率为60 bits/s/Hz。
2020-06-18 cs.IT eess.SP math.IT
FDD Channel Estimation via Covariance Identification in Wideband Massive MIMO Systems
针对宽带大规模MIMO的FDD信道估计问题，提出一种利用信道协方差慢时变特性与信道结构的协方差识别方法，可缩短训练序列、降低计算复杂度，适配6GHz以下及毫米波频段的波束斜视效应。
2018-12-03 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-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
Experimental Investigation of Frequency Domain Channel Extrapolation in Massive MIMO Systems for Zero-Feedback FDD
在频分双工（FDD）大规模多输入多输出（MIMO）系统中估计下行链路（DL）信道状态信息（CSI）通常需要下行链路导频和反馈开销。因此，本文研究了基于信道外推的零反馈FDD大规模多输入多输出系统的可行性。我们使用高分辨率参数估计（HRPE），特别是空间交替广义期望最大化（SAGE）算法，外推DL CSI的基础上提取的参数的多径分量在上行链路信道。我们将HRPE应用于两种不同的信道模型：矢量空间特征（VSS）模型和到达波达方向（DOA）模型。我们通过使用两种不同类型的信道探测器进行信道测量活动获得的真实信道数据来验证这些方法：a）基于交换阵列的实时时域室外设置，频率为3.5 GHz; b）基于虚拟阵列的高精度频域室内设置，频率为2.4和5-7 GHz。我们评估的外推信道的性能指标包括多用户MIMO场景中的均方误差、波束形成效率和频谱效率。结果表明，基于HRPE的信道外推性能最好的简单VSS模型下，它不需要阵列校准，如果BS是在一个开放的室外环境中的视线（LOS）路径，以及分离的用户。
2020-09-29 eess.SP
Downlink channel spatial covariance estimation in realistic FDD massive MIMO systems
在BS处的下行链路（DL）信道空间协方差矩阵的知识对于在频分双工（FDD）模式下操作的大规模阵列系统是基本重要的。特别地，该知识在DL信道状态信息（CSI）获取中起关键作用。在大规模多输入多输出机制中，基于DL导频的传统方案受到协方差反馈和DL训练开销的严重限制。为了克服这个问题，许多作者已经提出基于上行链路（UL）测量来获得DL空间协方差的估计。然而，这些方法中的许多依赖于简单的信道模型，并且它们难以扩展到考虑到3D环境中的传播和双极化天线阵列的重要影响的更复杂的模型。在这项研究中，我们提出了一种新的技术，该技术考虑了上述影响，符合现代4G和5G系统设计的要求。数值模拟表明了该方法的有效性。
2018-10-25 eess.SP
Beamforming Design with Partial Channel Estimation and Feedback for FDD RIS-Assisted Systems
针对FDD RIS辅助系统，提出基于路径角度信息的部分信道估计与反馈方案，通过联合设计BS和RIS波束成形减少导频与反馈开销，并优化波束成形以提升下行频谱效率。
2025-06-01 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
Partial reciprocity-based precoding matrix prediction in FDD massive MIMO with mobility
针对移动场景下FDD大规模MIMO系统实时预编码的挑战，提出基于部分互易性的预编码矩阵预测方案，利用信道格拉姆矩阵降复杂度，通过闭式特征向量插值预测预编码器，在30-500km/h速度下性能优于传统方案。
2024-10-06 cs.IT eess.SP math.IT
Mean Spatial Frequency Decoupling for Learning-Based Uplink-to-Downlink Covariance Conversion in FDD Massive MIMO
Middle East Technical University（中东技术大学）
针对FDD大规模MIMO中基于学习的UL-DL协方差转换随天线数增加性能退化的问题，提出均值空间频率解耦（去斜坡）方法，通过闭式映射平均AoA相位斜坡，显著降低估计误差并改善下行信道估计。
2026-10-02 cs.LG eess.SP
CovNet: Covariance Information-Assisted CSI Feedback for FDD Massive MIMO Systems
本文提出CovNet，一种利用CSI协方差信息辅助的FDD大规模MIMO CSI反馈方案，结合CNN与Transformer架构，并设计CIPN处理协方差信息，在全部压缩率下优于现有最先进方案。
2024-12-17 eess.SP
Towards Efficient Subarray Hybrid Beamforming: Attention Network-based Practical Feedback in FDD Massive MU-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）
由于信道的非互易性，频分复用（FDD）多输入多输出（MIMO）系统需要进行信道状态信息（CSI）反馈。在深度学习的帮助下，许多工作已经成功地重建了大规模MIMO的压缩理想CSI。然而，简单的CSI重构具有有限的实用性，因为没有考虑信道估计和目标波束成形设计。在本文中，联合优化网络的信道估计和反馈，使频谱效率的波束形成器可以学习。此外，部署友好的子阵混合波束形成架构，并专门设计了一个实用的轻量级端到端网络。实验表明，该网络是超过10倍轻的资源敏感的用户设备相比，以前的国家的最先进的方法，只有一个很小的性能损失。
2023-02-05 cs.AI cs.IT eess.SP
Rate Splitting in FDD Massive MIMO Systems Based on the Second Order Statistics of Transmission Channels
在这项工作中，我们提出了新的结果，应用率分割多址接入（RSMA）的下行链路（DL）的大规模多输入多输出（MaMIMO）系统在频分双工（FDD）模式下工作。由于在这样的系统中缺乏上行链路（UL）- DL信道互易性，因此必须执行DL中的显式训练以便在基站（BS）处获得关于单天线用户的信道的知识。这通过从用户到BS的反馈链路来确保。处理大规模多输入多输出系统的DL意味着获取DL信道状态信息（CSI）以随着BS天线的数量而缩放的巨大训练开销为代价。因此，我们通过在BS天线之间重用导频序列来限制分配给训练的资源，这导致污染的信道观测。尽管在发射机侧的这种不完整的信道知识，所提出的RS方法与依赖于信道的二阶信息的统计预编码器相结合，与现有技术相比，在频谱效率方面实现了优异的结果。这是通过典型的通信场景的蒙特卡罗模拟证明。
2023-01-30 eess.SP
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
Security Vulnerability of FDD Massive MIMO Systems in Downlink Training Phase
我们考虑了频分双工（FDD）大规模多输入多输出（MIMO）系统的下行链路信道训练时，在网络中存在多天线干扰。干扰机意图通过设计基于其信道的二阶统计的攻击来降低下行链路信道训练的均方误差（MSE）。信道被假定为空间相关的。首先推导出信道估计均方误差的封闭表达式，然后由干扰机确定最大化均方误差的条件。数值结果表明，即使合法系统使用具有大量导频符号的最佳训练信号，所提出的干扰也会严重增加估计MSE。
2018-12-09 cs.CR cs.IT eess.SP
Downlink Channel Covariance Matrix Reconstruction for FDD Massive MIMO Systems with Limited Feedback
针对FDD大规模MIMO中Type I码本反馈有限导致的下行CCM获取难题，提出利用码本与反馈值的建模及割平面算法，实现可证明的真实CCM恢复和更优重构性能。
2023-09-12 eess.SP
FDD Massive MIMO Channel Estimation with Arbitrary 2D-Array Geometry
研究了频分双工（FDD）大规模多输入多输出（MIMO）系统下行链路信道估计问题。现有的方法通常利用离散傅里叶变换（DFT）基下的隐藏稀疏性来估计下行链路信道。然而，这些基于DFT的方法至少存在两个缺点：1）它们仅适用于均匀线性阵列（ULA），因为DFT基要求ULA的特殊结构，以及2）它们总是遭受由于在一些DFT仓上的能量泄漏而导致的性能损失。针对上述不足，本文提出了一种基于任意二维阵列天线的下行信道稀疏表示的离网模型，并提出了一种有效的稀疏贝叶斯学习（SBL）方法，用于稀疏信道恢复和离网细化。提出的离网方法的主要思想是考虑采样的网格点作为可调参数。利用不精确块优化最小化（MM）算法，网格点迭代细化，以最大限度地减少离网间隙。最后，我们进一步扩展的解决方案，上行链路辅助信道估计，利用下行链路和上行链路信道之间的角度互易性，这带来了增强的恢复性能。
2018-02-24 eess.SP
ELM-based Superimposed CSI Feedback for FDD Massive MIMO System
在频分双工（FDD）大规模多输入多输出（MIMO）中，基于深度学习（DL）的叠加信道状态信息（CSI）反馈已经呈现出有希望的性能。然而，它仍然面临着许多挑战，如参数整定的高复杂度，大量的训练参数，和长的训练时间等，为了克服这些挑战，本文提出了一种基于极端学习机（ELM）的叠加CSI反馈，其中下行CSI扩频，然后叠加在上行用户数据序列（UL-US）反馈到基站（BS）。在BS处，构建基于ELM的网络以恢复下行链路CSI和UL-US两者。在所构造的基于ELM的网络中，我们使用简化版本的基于ELM的反馈来代替基于DL的叠加反馈的反馈，从而产生更少的训练参数。此外，每个基于ELM的子网的输入权重和隐藏偏差通过使用其全部或部分条目从相同的矩阵中加载，这显著地减少了存储需求。在下行CSI和UL-US的恢复性能相似或更好的情况下，所提出的基于ELM的方法比基于DL的叠加CSI反馈具有更少的训练参数、存储空间、离线训练和在线运行时间。
2020-03-12 eess.SP
Efficient Angle-Domain Processing for FDD-based Cell-free Massive MIMO Systems
无小区大规模MIMO通信是用于5G无线通信的新兴网络技术，其中分布式多天线接入点（AP）同时服务于许多用户。尽管频分双工（FDD）系统在当前无线标准中占主导地位，但大多数关于无小区大规模MIMO系统的现有工作都假设时分双工模式。FDD大规模MIMO系统中的关键挑战是信道状态信息（CSI）获取和反馈开销。为了解决这些挑战，我们利用所谓的角度互易性的多径分量在上行链路和下行链路中，使得所需的CSI采集开销的规模只与服务的用户的数量，而不是AP天线的数量，也没有AP。我们提出了一种低复杂度的多径分量估计技术，并提出了基于线性到达角（AoA）的波束成形/合并方案，基于FDD的无小区大规模MIMO系统。我们分析了这些方案的性能，通过推导估计的多径分量的均方误差的封闭形式的表达式，以及上行链路和下行链路的频谱效率的表达式。使用半定规划，我们解决了最大-最小功率分配问题，最大化每个用户的功率约束下的最小用户速率。此外，我们提出了一个以用户为中心（UC）的AP选择方案，其中每个用户选择一个子集的AP，以提高系统的整体能源效率。仿真结果表明，所提出的多径分量估计技术优于传统的基于子空间和基于梯度下降的技术。我们还表明，拟议的波束成形和合并技术，以及拟议的功率控制方案大大提高了频谱和能源效率与足够数量的天线在AP。
2020-01-21 cs.IT eess.SP math.IT
A Partial Reciprocity-based Channel Prediction Framework for FDD Massive MIMO with High Mobility
大规模多输入多输出（MIMO）被认为可以为5G及以后提供未被代表的频谱效率增益。然而，在其商业部署过程中出现了一个实际挑战，这被称为“移动性的诅咒”。大规模MIMO系统的性能随着用户速率的增加而急剧下降。在本文中，我们解决了频分双工（FDD）的大规模MIMO与新的信道状态信息（CSI）获取框架的问题。提出了一种用于信道训练的联合角度延迟多普勒（JADD）宽带预编码器。我们的想法包括在开发的FDD和角度延迟多普勒信道结构的部分信道互易性。更精确地，基站（BS）使用矩阵变换（MP）方法基于UL导频来估计UL信道的角度延迟多普勒信息。然后根据提取的参数计算宽带JADD预编码器。之后，用户估计并反馈一些标量系数，以供BS重构预测的DL信道。渐近分析表明，随着基站天线数和带宽的增加，CSI预测误差收敛到零。工业信道模型的数值结果表明，该框架能够很好地适应高速（350 km/h）、大CSI时延（10 ms）和信道采样噪声。
2022-05-26 cs.IT eess.SP math.IT
Channel-Adaptive Pilot Design for FDD-MIMO Systems Utilizing Gaussian Mixture Models
提出利用高斯混合模型（GMM）设计FDD系统下行链路导频，通过离线训练生成导频码本并参数化LMMSE滤波器，实现免在线优化且自适应SNR的高性能信道估计。
2024-03-26 eess.SP
Lightweight and Flexible Deep Equilibrium Learning for CSI Feedback in FDD Massive MIMO
The Hong Kong University of Science and Technology（香港科技大学）；City University of Hong Kong（香港城市大学）
针对FDD大规模MIMO的CSI反馈开销问题，提出基于深度均衡模型的隐式定点迭代轻量网络，支持参数共享与运行时迭代数调整，以更低复杂度实现与基准相当的性能及灵活的精度—效率权衡。
2023-06-05 cs.IT cs.LG eess.SP
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
Error Bounds for FDD Massive MIMO Channel Covariance Conversion with Set-Theoretic Methods
在频分双工（FDD）大规模多输入多输出（MIMO）系统中，我们从上行链路协方差矩阵中估计下行链路协方差矩阵的算法的性能得到新的界限。重点是算法，使用角功率谱的估计作为中间步骤。与以前的结果不同，建议的界限遵循简单的参数在可能无限维希尔伯特空间，他们不需要强有力的假设阵列的几何形状或传播模型。此外，它们适合于分析集理论方法，可以有效地将边信息的角功率谱。这最后一个功能使我们能够获得简单的技术，以提高集理论的方法，没有任何启发式的参数。特别是，我们表明，一个简单的算法，只需要一个简单的矩阵向量乘法的性能不能显着提高在某些实际情况下，特别是如果粗糙的信息支持的角功率谱。
2018-08-01 cs.IT eess.SP math.IT
Low Overhead Weighted-Graph-Coloring-Based Two-Layer Precoding for FDD Massive MIMO Systems
由于缺乏上行链路/下行链路信道互易性，以频分双工（FDD）操作模式操作的大规模多输入多输出（MIMO）系统遭受与下行链路信道状态信息（CSI）获取和下行链路预编码相关联的过高开销。在本文中，一个启发式的边加权顶点着色的模式划分（EWVC-PD）计划，提出了减轻的两层预编码方法的开销，在一个实际的情况下，用户集群进行严重的角度扩展范围（ASR）重叠。具体而言，在有限数量的子信道的约束下，首先构造了一个无向边加权图（EWG），来描述集群之间潜在的ASR重叠关系。然后，受经典的图着色算法的启发，提出了EWVC-PD方案，该方案通过对ASR重叠严重的簇之间进行子信道正交化，并复用ASR重叠较轻的簇来减轻ASR。仿真结果表明，我们的方案有效地优于现有的模式划分方案。
2018-08-15 cs.IT eess.SP math.IT
Deep Learning based Downlink Channel Prediction for FDD Massive MIMO System
在频分双工（FDD）大规模多输入多输出（MIMO）系统中，由于下行链路训练和上行链路反馈所需的巨大开销，在基站（BS）处获取下行链路信道状态信息（CSI）是非常具有挑战性的任务。在本文中，我们揭示了一个确定性的上行链路到下行链路的映射函数时，位置到信道的映射是双射。受通用近似定理的启发，我们提出了一个稀疏复值神经网络（SCNet）来近似上行链路到下行链路的映射函数。与在实域中运行的一般深度网络不同，SCNet是在复域中构建的，能够通过离线训练来学习复值映射函数。在训练之后，SCNet用于基于估计的上行链路CSI直接预测下行链路CSI，而不需要下行链路训练或上行链路反馈。数值结果表明，SCNet在预测精度方面比一般深度网络具有更好的性能，并在复杂的无线信道中表现出显着的鲁棒性，展示了其在实际部署中的巨大潜力。
2019-08-26 cs.IT eess.SP math.IT
Joint Downlink and Uplink Optimization for RIS-Aided FDD MIMO Communication Systems
针对RIS辅助FDD MIMO系统上下行同时传输需求，提出基于AO的两种单位模相移优化方法，联合最大化加权和速率并显著提升性能。
2024-01-21 cs.IT eess.SP math.IT
Modular CSI Quantization for FDD Massive MIMO Communication
我们考虑在频分双工（FDD）系统中的高维MIMO传输。对于预编码，频率选择性信道必须由用户测量、量化并反馈到基站。当天线的数量非常高时，这通常导致过高的量化复杂度和大的反馈。在5G新无线电（NR）中，已经为此应用了模块化量化方法，其中首先为整个频率选择性信道识别低维子空间，然后将子带信道线性映射到该子空间并量化。我们分析了如何在这样一个模块化的方案中的组件有助于整体量化失真。基于此分析，我们改进了模块化方法中的技术组件，并提出了正交归一化宽带预编码方案和顺序宽带预编码方法，这些方法比传统方法提供了相当大的增益。我们比较的性能开发的量化方案，现有技术通过模拟方面的投影失真，整体失真和频谱效率，在一个场景中与一个现实的空间信道模型。
2023-03-23 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
Algebraic Channel Estimation Algorithms for FDD Massive MIMO systems
本文研究了多径模型下基于频分双工的大规模大规模多输入多输出系统的下行链路信道估计。我们的目标是从少量的DL训练开销提供快速和准确的信道估计。现有技术使用压缩感知或经典阵列处理技术（例如，ESPRIT和音乐）。然而，这些方法在某些情况下具有挑战性，例如，当路径的数量大于接收天线的数量时。张量分解方法也可以用来处理这种具有挑战性的情况下，但很难解决相关的优化问题。在这项工作中，我们提出了一个有效的信道估计框架，以规避这些困难。具体地，提出了一种结构训练序列，该序列对接收信号施加张量结构。我们表明，这样的训练序列，DL MIMO信道的参数可以证明，即使当路径的数量大大超过接收天线的数量-在非常小的训练开销。我们的方法是一个明智的结合范德蒙张量代数和精心设计的共轭不变的训练序列。与现有的基于张量的信道估计方法，涉及硬优化问题，所提出的方法包括非常轻量级的代数运算，因此实时实现是触手可及的。仿真结果表明了所提方法的有效性。
2019-07-12 eess.SP
Deep Learning Based Antenna Selection for Channel Extrapolation in FDD Massive MIMO
Xidian University（西安电子科技大学）；Tsinghua University（清华大学）；Memorial University（纽芬兰纪念大学）
在大规模多输入多输出（MIMO）系统中，大量的天线对准确获取信道状态信息带来了巨大的挑战，特别是在频分双工模式下。为了克服混合波束形成中无线链路数量有限的瓶颈，我们利用神经网络（NN）来捕获上行链路和下行链路信道数据集之间的固有连接，并从上行链路信道状态信息的子集外推下行链路信道。我们研究了天线子集选择问题，以实现最佳的信道外推和减少数据量的神经网络。利用概率抽样理论将离散天线选择近似为连续可微函数，这使得深度学习的反向传播变得可行。然后，我们设计了适当的离线训练策略来优化天线选择模式和外推神经网络。最后，数值结果验证了我们提出的大规模多输入多输出信道外推算法的有效性。
2020-09-03 cs.AI eess.SP
Decentralized Beamforming for Cell-Free Massive MIMO with Unsupervised Learning
无小区大规模多输入多输出（Cell-free massive MIMO，CF-mMIMO）系统代表了一种提高无线通信系统频谱效率的有前景的方法。然而，接近最优的波束成形解决方案需要在接入点（AP）和网络控制器（NC）之间进行大量的信令交换。在这封信中，我们提出了两种无监督的深度神经网络（DNN）架构，完全和部分分布式，可以在AP和NC之间执行分散的协调波束成形，实现全数字和混合预编码。与传统的接近最优的解决方案相比，所提出的DNN实现了接近最优的和速率，同时还将计算复杂度降低了10- 24倍。
2021-11-26 cs.LG eess.SP
Physical Modelling and Cancellation of External Passive Intermodulation in FDD MIMO
本文提出了一种在FDD MIMO系统中直接模拟物理外源无源互调（PIM）的方法，通过构建包含点源PIM、偶极子天线和5G NR OFDM信号等模型，验证了多PIM源补偿算法，仿真效果与实际实验相当，从而免除了开发阶段对真实硬件实验的依赖。
2024-09-26 cs.IT eess.SP math.IT
Deep Learning Based FDD Non-Stationary Massive MIMO Downlink Channel Reconstruction
针对频分复用（FDD）大规模多输入多输出（MIMO）系统，提出了一种基于模型驱动的深度学习下行信道重构方案。空间非平稳性是未来超大孔径大规模MIMO系统的关键特征。利用神经网络代替信道矩阵学习信道模型参数，节省了系统开销，提高了信道重构的准确性。通过将通道视为图像，我们引入You Only Look Once（YOLO），这是一种用于目标检测的强大神经网络，可以快速估计模型参数，包括检测路径的角度和延迟以及识别散射体的可见区域。基于深度学习的方案避免了由基于算法的参数提取方法引入的复杂迭代过程。基于低复杂度算法的细化器进一步细化YOLO估计，以达到高精度。鉴于模型驱动深度学习的高效性以及神经网络与算法的结合，该方案能够快速准确地重建非平稳下行信道。此外，所提出的方案也适用于广泛关注的平稳系统，并实现了相当的重建精度作为一种基于算法的方法，大大减少了时间消耗。
2020-02-23 cs.IT eess.SP math.IT
Reducing Latency by Eliminating CSIT Feedback: FDD Downlink MIMO Transmission for Internet-of-Things Communications
本文提出通过消除CSIT反馈降低时延的方法，利用频率不变性特性重建下行CSIT，结合RSMA和高效预编码技术，提升物联网通信的时延性能。
2025-12-24 eess.SP
A Partial Channel Reciprocity-based Codebook for Wideband FDD Massive MIMO
频分双工（FDD）大规模MIMO系统中信道状态信息（CSI）的获取是一个巨大的挑战。在本文中，我们解决这个问题，一个新的CSI反馈框架，使部分互易性的上行链路和下行链路信道在宽带制度。首先，我们推导出了一个给定的角度延迟分布的宽带大规模MIMO信道协方差矩阵的秩的封闭形式的表达。一个低秩性质的识别，这推广了著名的结果的窄带均匀线阵设置。然后，我们提出了一个部分信道互易性（PCR）码本，启发的低秩行为和事实，即上行链路和下行链路信道具有相似的角度延迟分布。与5G中的最新码本相比，所提出的PCR码本方案在用户侧实现了更高的性能、更低的复杂度，并且需要更少量的反馈。我们推导出实现渐近无差错CSI反馈所需的反馈开销。还提出了两种低复杂度的替代方案，以进一步降低基站侧的复杂度。实际3GPP信道模型的仿真结果表明，与最新的5G码本相比，我们提出的方法具有显着的增益，这证明了我们提出的方法是5G及以后的实用解决方案。
2022-01-26 cs.IT eess.SP math.IT
FDD Massive MIMO: How to Optimally Combine UL Pilot and Limited DL CSI Feedback?
针对FDD大规模MIMO系统下行CSI获取反馈开销大、仅用上行导频估计精度不足的问题，提出结合上行CSI与有限下行相位量化反馈的MSE最优信道重建及比特分配方法，可实现接近完美CSI的和频谱效率。
2024-05-14 eess.SP
Achieving Phase Coherency and Gain Stability in Active Antenna Arrays for Sub-6 GHz FDD and TDD FD-MIMO: Challenges and Solutions
在过去的几年里，大规模MIMO一直是学术界和工业界强烈兴趣的主题。用于蜂窝系统的3GPP标准化已经采用了大规模MIMO的原理，并且将在基站处使用大型矩形平面阵列归类为全维MIMO（FD-MIMO）以在TDD和FDD两者中操作。操作大型天线阵列基站需要系统克服由硬件损害引起的若干实现挑战，使得实际解决方案不理想且大规模部署昂贵。重要的是要从现有的挑战和解决方案中学习，以便为更大规模的部署做好准备，例如使用无小区的大规模MIMO。因此，在本文中，我们使用在实验室和商用LTE网络中的现场进行的测量，专门研究了由于RF损伤引起的相位和幅度不稳定性。我们研究了相位和幅度误差对FD-MIMO系统性能的影响。我们讨论并表征了产生这些误差的各种来源，包括低成本本振（LO）的时变相位漂移和影响RF链频率响应的内部温度变化。讨论了实际蜂窝部署的不同LO架构和校准机制的最低要求和权衡。然后，我们提供了一种新的相干LO分配机制和相关的新的阵列校准机制，可以应用到TDD和FDD系统的细节。测量结果提供了一个二维全连接的混合波束形成阵列架构称为高清晰度有源天线系统（HDaaS），以验证这些方法的性能。这些结果展示了所提出的方法的有效性，可以很容易地扩展到其他阵列架构，包括子阵列混合波束形成和元素级数字化。
2019-09-17 cs.IT eess.SP math.IT
Integrated Sensing and Communications in Downlink FDD MIMO without CSI Feedback
针对FDD MIMO ISAC系统，提出利用部分互易性由上行训练重建下行CSI并以RSMA预编码优化频谱效率的无反馈框架。
2025-06-11 cs.IT eess.SP math.IT
Deep-Learning Aided Channel Training and Precoding in FDD Massive MIMO with Channel Statistics Knowledge
提出了一种基于深度神经网络（DNN）的FDD大规模MIMO中的信道训练和预编码方法，利用下行链路（DL）信道协方差知识。DNN被优化以通过基于用户信道协方差产生预波束成形矩阵来最大化DL多用户和速率，该预波束成形矩阵将原始信道向量映射到有效信道。这些有效信道的测量在用户处经由公共导频传输接收，并且通过模拟反馈发送回基站（BS）而无需进一步处理。BS根据接收到的反馈估计有效信道，并且通过在有效信道上将优化的预波束成形矩阵与迫零预编码器级联来构造线性预编码器。我们表明，所提出的方法产生显着更高的总速率比国家的最先进的基于DNN的信道训练和预编码方案，特别是在小导频和反馈大小相对于信道相干块长度的情况下。与文献中的许多作品不同，我们的主张不涉及在用户端部署DNN，这通常会带来很高的计算成本和系统上的参数传输开销，因此更加实用。
2023-03-20 cs.IT eess.SP math.IT
Improved Downlink Channel Estimation in Time-Varying FDD Massive MIMO Systems
针对FDD大规模MIMO系统传统CSIT估计训练与反馈开销大的问题，提出结合基站有限散射角度稀疏性与信道时变特性的加权优化框架，推导最优权重闭式解，有效降低恢复误差与开销。
2024-06-24 eess.SP
Deep CSI Feedback for FDD Massive MIMO Systems: A Curvelet Learning Approach
School of Information and Communication Engineering, Xi’an Jiaotong University（西安交通大学信息与通信工程学院）；School of Information Science and Technology, Jinan University（暨南大学信息科学技术学院）；Laboratory of Electromagnetic Space Cognition and Intelligent Control Technology（电磁空间认知与智能控制技术实验室）
针对FDD大规模MIMO系统中CSI反馈开销大的问题，提出基于曲波变换的SwinCANet框架，通过频域分解与注意力机制提升重建质量，并引入去噪变体抑制噪声，仿真验证了其优越性能。
2026-06-17 eess.SP
Machine Learning-Based CSI Feedback With Variable Length in FDD Massive MIMO
针对FDD大规模MIMO系统中的CSI反馈开销问题，提出基于PCA的可变长度反馈策略，通过自适应压缩、比特分配与k-means聚类优化量化，相比CsiNetPro总速率提升17%，参数量减少23.4倍且训练样本需求大幅降低。
2023-05-22 cs.IT eess.SP math.IT
User Coordination for Fast Beam Training in FDD Multi-User Massive MIMO
大规模多输入多输出（mMIMO）通信是5G及更远网络的使能技术之一。虽然先前的工作表明采用时分双工的mMIMO网络具有显著的容量增长潜力，但是在频分双工（FDD）网络中部署mMIMO仍然存在问题。FDD网络中的两个主要困难是下行链路参考信号的可缩放性和与用于信道状态信息（CSI）获取的所需上行链路反馈相关联的开销。为了解决这些困难，大多数现有的方法利用无线电环境的假设，如信道稀疏性或角互易性。在这项工作中，我们提出了一种新的合作方法的可扩展性和低开销的方法，FDD mMIMO下所谓的网格波束架构。我们的计划背后的关键思想在于利用的近共同的信号传播路径，往往发现在几个移动用户位于附近的地区，通过协调机制。在此过程中，我们利用了5G网络中最近指定的设备到设备通信功能。具体而言，我们设计的波束选择算法能够达到CSI采集开销和多用户干扰缓解之间的平衡。该选择通过所谓的协方差成形利用统计信息。仿真结果表明，所提出的算法的有效性，这证明特别适合于快速变化的信道与短的相干时间。
2020-12-16 cs.IT eess.SP math.IT
Deep Transfer Learning Based Downlink Channel Prediction for FDD Massive MIMO Systems
State Key Lab of Intelligent Technologies and Systems（智能技术与系统国家重点实验室）；Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）；Department of Automation, Tsinghua University（清华大学自动化系）；State Key Laboratory of Rail Traffic Control and Safety, Beijing Jiaotong University（北京交通大学轨道交通控制与安全国家重点实验室）
基于人工智能的频分复用（FDD）大规模多输入多输出（MIMO）系统下行链路信道状态信息（CSI）预测近年来受到广泛关注。然而，现有的工作集中在下行链路CSI预测的用户在给定的环境下，很难适应用户在新的环境中，特别是当标记的数据是有限的。为了解决这个问题，我们将下行链路信道预测公式化为深度迁移学习（DTL）问题，其中每个学习任务旨在针对一个单一环境从上行链路CSI预测下行链路CSI。具体来说，我们开发了基于全连接神经网络架构的直接传输算法，其中网络以经典深度学习的方式对来自所有先前环境的数据进行训练，然后针对新环境进行微调。为了进一步提高传输效率，我们提出了Meta学习算法，该算法通过交替进行任务内和跨任务更新来训练网络，然后适应具有少量标记数据的新环境。仿真结果表明，直接迁移算法的性能优于深度学习算法，表明迁移学习有利于新环境下的下行信道预测。此外，Meta学习算法在预测精度和稳定性方面均明显优于直接传递算法，验证了其有效性和优越性。
2020-09-07 cs.IT cs.LG eess.SP
Randomized Channel Sparsifying Hybrid Precoding for FDD Massive MIMO Systems
针对FDD大规模MIMO系统中信令开销高、基站硬件成本与功耗大的问题，提出随机信道稀疏化混合预编码方案，通过时分模拟预编码、稀疏化信道、对偶理论数字预编码及联合优化，在有限导频下实现高效传输并得到问题的KKT点。
2019-12-12 eess.SP
CSI Feedback Under Basis Mismatch: Rate-Splitting Transform Coding for FDD Massive MIMO
POSTECH（浦项科技大学）
研究针对大规模MIMO频分双工系统中CSI反馈的基正交匹配问题，提出基于率分拆变换编码的实用架构，通过随机向量量化推导端到端均方误差表达式，实现最优率分配和基正交更新阈值识别。
2026-04-22 cs.IT eess.SP math.IT
A manifold learning-based CSI feedback framework for FDD massive MIMO
针对FDD massive MIMO中CSI反馈开销过大的问题，提出基于流形学习的MLCF框架，通过地标选择算法描述流形拓扑骨架并保持局部几何关系，实现增量CSI压缩与重建，仿真证明其优于现有深度学习算法。
2024-08-24 cs.IT eess.SP math.IT
Channel Extrapolation for FDD Massive MIMO: Procedure and Experimental Results
将大规模多输入多输出（MIMO）系统应用于频分双工（FDD）是具有挑战性的，这主要是由于下行链路训练和反馈所需的相当大的开销。信道外推，即，基于不相交的上行链路频带中的测量来估计下行链路频段处的信道响应是克服该瓶颈的有希望的解决方案。本文介绍了测量活动，在3.5 GHz的宽带（350 MHz）信道测深仪组成的校准64单元天线阵列，在电波暗室和室外环境中。空间交替广义期望最大化（SAGE）算法用于从训练（上行链路）频带内获得的信道数据中提取多径分量的参数（幅度、延迟和角度信息）。然后基于这些路径参数重构下行链路频带中的信道。外推信道的性能根据与地面实况相比的均方误差（MSE）和波束成形增益（RBG）的减小来评估，即，在下行链路频率处的测量信道。我们发现对校准误差和模型失配的敏感性很强，并且还发现性能取决于传播条件：LOS的性能明显优于NLOS。
2019-07-26 cs.SY eess.SP eess.SY
Downlink Precoding for DP-UPA FDD Massive MIMO via Multi-Dimensional Active Channel Sparsification
研究了频分复用（FDD）模式下过载单小区大规模多输入多输出（MIMO）系统的用户选择和下行链路预编码问题，其中基站采用双极化均匀平面阵列（DP-UPA），为大量单天线用户提供服务.由于上下行信道不存在互易性，信道矩阵维数较高，在有限的频谱资源下，利用闭环信道探测和反馈设计下行预编码器具有很大的挑战性。为了解决这些问题，一种新的方法-主动信道稀疏化（ACS）-最近在文献中提出的均匀线性阵列（UWB）设计稀疏化预编码器，这大大降低了信道反馈开销，提高了多用户下行链路传输的频谱效率。推进这条线的研究，我们的目标是促进潜在的部署ACS在实际的FDD大规模MIMO系统，通过扩展它从CDMA到DP-UPA与明确的用户选择，并使目前的ACS实现简化。为此，通过利用Toeplitz结构的信道协方差矩阵，我们扩展了原来的ACS使用比例权重二分图表示的矩阵权重对应。在此基础上，我们提出了一个多维ACS（MD-ACS）的方法，这是一个推广的原始ACS配方，更适合于DP-UPA天线配置。MD-ACS的非线性整数规划问题可以归结为一个广义多任务分配问题（GMAP），本文提出了一种简单而有效的贪心算法来解决该问题，仿真结果表明，与基于MDRiGa信道模型的现有方法相比，本文提出的贪婪算法性能得到了改善.
2021-04-27 cs.IT eess.SP math.IT
Joint Port Selection Based Channel Acquisition for FDD Cell-Free Massive MIMO
针对FDD无蜂窝大规模MIMO中CSI获取开销大的问题，本文提出基于联合端口选择的CSI获取与反馈方案，并设计GS-JPS和DL-JPS两种端口选择算法，仿真表明其性能优于现有方案。
2024-01-12 cs.IT eess.SP math.IT
