Deep Learning-Based CSI Feedback for RIS-Aided Massive MIMO Systems with Time Correlation
本文提出一种基于深度学习的CSI反馈压缩方案，利用长短期记忆网络和注意力机制学习时间相关性，以提升RIS辅助大规模MIMO系统中压缩CSI的恢复质量，仿真验证其性能优于现有方法。
2024-03-19 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
Robust Beamforming for Downlink 3D-MIMO Systems with $l_1$-norm Bounded CSI Uncertainty
提出了一种新的三维多输入多输出（3D-MIMO）系统中的鲁棒波束形成方案。作为大规模多输入多输出的典型部署之一，3D-MIMO系统在角域上具有稀疏信道。因此，各种稀疏信道估计算法产生稀疏信道估计误差，其可用于缩小不完美CSI的扰动区域。针对鲁棒波束形成问题，提出了一种$l_1$ -范数有界的信道不确定性模型，该模型充分考虑了信道误差的稀疏性.与传统的球形不确定性相比，我们证明了在相同的信干噪比（SINR）门限下，具有$l_1$范数有界不确定性的方案消耗更少的波束形成功率。该方案被转化为二阶锥规划（SOCP）和仿真结果验证了我们的算法的有效性。
2018-11-01 eess.SP
Relay Beamforming Design with SIC Detection for MIMO Multi-Relay Networks with Imperfect CSI
在本文中，我们考虑了一个双跳多输入多输出（MIMO）无线多中继网络中，源-目的地对都配备了多个天线，通过多个半双工放大转发（AF）中继终端，也有多个天线通信。由于在实际的多中继网络中很难获得理想的信道状态信息（CSI），我们考虑所有信道的不理想CSI。我们专注于最大限度地提高信号干扰噪声比（SINR）在目的地。我们提出了一种新的鲁棒的线性波束形成在中继，在目的节点进行连续干扰消除（SIC）的QR分解滤波器的基础上。利用大数定律，我们得到了存在不完美CSI的渐近速率，在此基础上，建议中继波束成形优化。仿真结果表明，渐近速率与遍历速率匹配良好。分析和仿真结果表明，该波束形成优于传统的波束形成方案的任何功率的CSI错误和SNR区域。
2020-03-19 eess.SP
Deep Learning based Denoise Network for CSI Feedback in FDD Massive MIMO Systems
信道状态信息（CSI）反馈对于频分双工（FDD）大规模多输入多输出（MIMO）系统至关重要。大多数传统的算法是基于压缩感知（CS），是高度依赖于信道稀疏的水平。为了解决这个问题，最近的方法采用深度学习（DL）来将CSI压缩成具有低维度的码字，当反馈链路完美时，其表现出比CS算法更好的性能。然而，在实际应用中，存在着各种干扰和非线性效应。在本文中，我们设计了一个基于DL的去噪网络，称为DNNet，以提高信道反馈的性能。数值结果表明，基于DL的反馈算法与建议DNNet具有优于现有算法的性能，特别是在低信噪比（SNR）。
2020-04-16 eess.SP
Eigen-Inference Precoding for Coarsely Quantized Massive MU-MIMO System with Imperfect CSI
本文研究了大规模多用户多输入多输出（MU-MIMO）系统中的预编码问题，该系统采用低分辨率数模转换器（DAC）。在关于该主题的先前文献中，通常假设信道状态信息（CSI）是完全已知的。然而，在实际应用中，CSI不可避免地被噪声污染。在本文中，我们提出了，第一次，特征推断（EI）预编码方案，以改善不完美的CSI下的粗量化的大规模MU-MIMO系统的错误性能，这是数学建模的两个矩形随机矩阵（RRM）的总和。所提出的方法不是基于RRM执行分析，而是使用Girko的Hermitization技巧，通过将RRM增强为块对称信道矩阵（BSCA）来利用块随机矩阵理论。特别地，我们导出了BSCA本征值的经验分布，建立了真实BSCA与其噪声观测之间的极限谱分布联系。然后，基于这些理论结果，我们提出了一个基于EI矩匹配的CSI相关的噪声水平估计方法和CSI重建的旋转不变估计方法。基于净化后的信道状态信息，利用Bussgang定理和拉格朗日乘子法解决量化预编码问题。最后通过数值仿真对所提出的方法进行了验证，结果表明了所提出的预编码器的有效性。
2019-04-20 eess.SP
Channel Geometry Preserving Generative Models for CSI Feedback in MU-MIMO
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Nokia Bell Labs（诺基亚贝尔实验室）
本文提出基于流匹配的生成CSI解码器，通过现代深度生成模型在基站端实现信道状态信息重建，以更准确地保持信道几何结构，提升MU-MIMO预编码性能。
2026-05-09 eess.SP
A Novel Algorithm to Report CSI in MIMO-Based Wireless Networks
在无线通信中，准确的信道状态信息（CSI）是至关重要的。实际上，由于处理和反馈延迟，估计的CSI可能过时，这可能严重恶化通信系统的性能。此外，为了反馈估计的CSI，执行在用户设备（UE）处评估的CSI的强压缩以减少空中（OTA）开销。这种压缩极大地降低了所估计的CSI的精度，这最终影响了多输入多输出（MIMO）预编码的性能。出于这些问题，我们提出了一种新的可扩展的想法，报告CSI在无线网络中，这是适用于时分双工（TDD）和频分双工（FDD）系统。特别地，该新颖方法引入了信道预测器函数的使用，例如，卡尔曼滤波器（KF），在通信系统的两端预测CSI。基于仿真的结果表明，新的方法不仅减少了信道均方误差（MSE），但也OTA开销反馈估计CSI时，有巨大的变化在移动无线电信道。此外，在固定无线电信道中，反馈可以被消除，这带来了进一步减少OTA开销的好处。此外，所提出的方法在两种信道条件下都提供了显著的信噪比（SNR）增益，即，高度移动和不移动。
2021-04-01 eess.SP
SemCSINet: A Semantic-Aware CSI Feedback Network in Massive MIMO Systems
本文提出语义感知 Transformer 框架 SemCSINet，通过嵌入 CQI 并采用 JCM，在含噪信道中提升大规模 MIMO 的 CSI 反馈与重建性能。
2025-05-13 eess.SP
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
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
Massive MIMO CSI Feedback with Spiking Neural Networks
Imperial College London（帝国理工学院）
本文提出SpikingCSINet，利用生物启发的脉冲神经网络实现大规模MIMO信道状态信息反馈，通过脉冲信号提升效率，实验表明其在性能与能耗方面优于传统方法。
2026-05-12 eess.SP
CSI-based Positioning in Massive MIMO systems using Convolutional Neural Networks
研究了利用大规模多输入多输出（MaMIMO）系统的信道状态信息（CSI）进行用户定位的性能。为了从CSI中推断用户的位置，设计了一个卷积神经网络，并通过一个新的数据集进行评估。该数据集包含使用三种不同天线拓扑的室内MaMIMO CSI测量，覆盖2.5 m x 2.5 m的室内区域。我们表明，我们可以训练一个卷积神经网络（CNN）模型来估计该区域内的用户的位置，平均误差小于半个波长。此外，一旦模型在给定的场景和天线拓扑结构上进行了训练，迁移学习就用于将所获得的知识重新用于具有显著不同的天线拓扑结构和配置的另一场景。我们的研究结果表明，它是可能的进一步训练的CNN只使用少量的额外标记的样本的新的拓扑结构。这种迁移学习方法能够达到准确的结果，为CNN支持的基于CSI的实用定位系统铺平了道路。
2019-11-26 eess.SP
Adaptive RSMA-OMA for Resilient MIMO Networks Under Imperfect CSI and SIC
Trinity College Dublin（都柏林三一学院）；South East Technological University（东南理工大学）
本文提出了一种自适应RSMA-OMA框架，通过动态切换机制优化功率分配，提升MIMO网络在不完美CSI和SIC下的鲁棒性和效率。
2026-05-12 eess.SP
Tackling Delayed CSI in a Distributed Multi-Satellite MIMO Communication System
针对分布式多卫星MIMO系统中因最远卫星导致的CSI延迟问题，提出利用CSI不确定性长期特征的预编码策略，以高效计算补偿延迟影响，并验证其在1 GHz以下频段对星地融合通信的显著价值。
2024-06-10 eess.SP
Power Scaling Law Analysis and Phase Shift Optimization of RIS-aided Massive MIMO Systems with Statistical CSI
研究了一种具有统计信道状态信息（CSI）的上行链路可重构智能表面（RIS）辅助大规模多输入多输出（MIMO）系统。RIS的部署是为了帮助传统的大规模多输入多输出网络服务于死区中的用户。我们考虑Rician信道模型，并利用长时间统计CSI设计RIS的相移，而最大比合并（MRC）技术应用于基站（BS）的主动波束形成依赖于瞬时CSI。首先，我们揭示了功率缩放定律，推导出了适用于任意数量的基站（BS）天线的上行链路可达速率的闭式表达式。在理论表达式的基础上，我们讨论了一些特殊情况下的速率性能，并给出了使用随机相移时的平均渐近速率。然后，我们考虑和速率最大化和最小用户速率最大化问题，通过优化的相位偏移在RIS。然而，这两个优化问题是具有挑战性的解决，由于复杂的数据速率表达式。为了解决这些问题，我们提出了一种新的遗传算法（GA）具有低复杂度，但可以实现相当大的性能。最后，提供了大量的仿真来验证通过将RIS集成到传统的大规模多输入多输出系统中的益处。此外，我们的仿真结果表明，部署大规模，但低分辨率的RIS在大规模多输入多输出系统的可行性。
2021-06-16 eess.SP
Mobile MIMO Channel Prediction with ODE-RNN: a Physics-Inspired Adaptive Approach
对于多输入多输出（MIMO）无线通信系统来说，获取准确的信道状态信息（CSI）是一个非常重要且具有挑战性的问题。传统的信道估计方法不能保证移动信道状态信息的准确性，同时需要较高的信令开销。通过探索在特定通信环境中随机获得的一组历史CSI实例之间的内在相关性，信道预测可以显著提高CSI准确性并节省信令开销。提出了一种基于常微分方程-递归神经网络的移动MIMO信道预测方法。与现有的利用序列网络结构探索观测数据之间的数值相关性的方法不同，本文提出的方法试图通过专门设计的具有ODE结构的连续学习网络来表征路径响应变化的隐含物理过程.由于对学习网络进行了有针对性的设计，该方法更符合CSI数据的数学特征，具有更高的网络可解释性。实验结果表明，该方法的学习性能优于现有方法，特别是在CSI序列时间间隔长和信道测量误差大的情况下。
2022-07-08 eess.SP
A Radio Map Approach for Reduced Pilot CSI Tracking in Massive MIMO Networks
本文提出一种无线电地图嵌入式切换卡尔曼滤波框架，在减少导频且无精确位置标签下联合跟踪CSI与位置，实现超97%完美CSI容量并将定位误差降至6米。
2025-08-12 eess.SP
A Refined Analysis of the Gap between Expected Rate for Partial CSIT and the Massive MIMO Rate Limit
在多输入多输出（MIMO）干扰广播信道（IBC）中，使加权和速率（WSR）最大化的最优波束形成器（BF）是一个重要的研究领域。在实际情况下，该问题由于在发射机处仅部分信道状态信息（CSIT）可用的事实而变得复杂。因此，优化度量的典型选择是期望加权和速率（EWSR）。然而，期望算子的存在使得优化成为一项艰巨的任务。另一方面，对于大规模多输入多输出（MaMIMO）的特定但重要的特殊情况，EWSR收敛到基于期望信号协方差期望干扰协方差的WSR（ESEI-WSR），并且该度量更易于优化。最近，[1]考虑了多用户多输入单输出（MISO）场景，并提出了ESEI-WSR近似EWSR。然后，他们推导出了这种近似的常数范围。本文对有限天线尺寸下EWSR和ESEI-WSR准则之间的差距进行了细致的分析。
2017-10-26 eess.SP
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
Transformer-Based Nonlinear Transform Coding for Multi-Rate CSI Compression in MIMO-OFDM Systems
提出基于Transformer的非线性变换编码方法，将CSI视为复值图像进行压缩，实现低复杂度多速率反馈，仅用6%参数达到最优率失真性能。
2025-02-27 eess.SP
Codebook-Based Effective CSI Feedback for Precoding Design in MIMO Systems
Skylo Technologies Europe Oy；Centre for Wireless Communications, University of Oulu（奥卢大学无线通信中心）；Nokia（诺基亚）
针对多小区MIMO系统有限CSI反馈的预编码失配问题，提出ECSI反馈框架，通过UE合并后有效信道量化反馈，迭代优化预编码，实现平均总速率提升30%。
2026-09-24 eess.SP
A Spatially Separable Attention Mechanism for massive MIMO CSI Feedback
信道状态信息（CSI）反馈在通过波束成形实现更高增益方面起着至关重要的作用。然而，对于大规模多输入多输出系统，该反馈开销是巨大的并且随着天线的数量线性增长。为了减少反馈开销，近年来实现了几种压缩感知（CS）技术，但是这些技术通常是迭代的，并且在功率受限的用户设备（UE）中实现起来在计算上是复杂的。因此，近年来，基于数据的深度学习方法接管了CSI压缩，引入了各种神经网络。具体而言，基于变压器的网络已被证明可以实现最先进的性能。然而，在Transformers的核心处的多头注意操作在计算上是复杂的，使得Transformers难以在UE上实现。在这项工作中，我们提出了一个轻量级的Transformer命名为STNet，它使用了空间可分离的注意力机制，是显着复杂性低于传统的全注意力。配备了这一点，STNet在某些情况下超过了最先进的模型，大约有$1/10^{th}$的资源。
2022-10-12 eess.SP
DeepGOMIMO: Deep Learning-Aided Generalized Optical MIMO with CSI-Free Blind Detection
Chongqing University（重庆大学）；The University of Edinburgh（爱丁堡大学）
提出DeepGOMIMO框架，利用免CSI盲DNN检测器实现广义光MIMO系统的高效盲检测，在4×4 MIMO-OWC系统中达到接近最优ML检测的BER性能，同时降低复杂度并提升速率、减少时延。
2021-10-08 eess.SP
Deep Learning assisted Port-Cycling based Channel Sounding for Precoder Estimation in Massive MIMO Arrays
IIT Madras（印度理工学院马德拉斯分校）
本文提出基于深度学习的端口循环信道探测方法，用于大规模MIMO阵列中预编码估计的CSI重建，通过降低资源开销并保持高准确性实现可靠CSI采集。
2026-01-23 eess.SP
Robust Linear Hybrid Beamforming Designs Relying on Imperfect CSI in mmWave MIMO IoT Networks
线性混合波束形成器设计被设想用于毫米波（mmWave）多输入多输出（MIMO）物联网网络（IoTNe）中的矢量参数的分散估计。所提出的设计结合了总IoTNe和单独IoTNo功率约束，同时还消除了对融合中心（FC）处的基带接收器组合器的需要。为了规避混合波束形成器设计问题的非凸性，所提出的方法首先确定最小均方误差（MMSE）数字发射预编码器（TPC）权重，然后是基于同步正交匹配追踪（SOMP）的框架，用于获得模拟RF和数字基带TPC。鲁棒的混合波束形成器也来自现实的不完美的信道状态信息（CSI）的情况下，利用随机和范数球CSI的不确定性框架。在这项工作中得出的集中MMSE界作为一个下界的估计性能的建议的混合TPC设计。最后，我们的模拟结果量化的各种设计开发的好处。
2022-12-25 eess.SP
Data-Aided CSI Estimation Using Affine-Precoded Superimposed Pilots in Orthogonal Time Frequency Space Modulated MIMO Systems
本文提出基于仿射预编码叠加导频的OTFS系统CSI估计架构，利用EM算法和贝叶斯学习实现SISO/MIMO场景下的导频辅助与数据辅助联合信道估计和数据检测，并推导了BCRB界。
2023-05-25 eess.SP
An Efficient Deep Learning Framework for Low Rate Massive MIMO CSI Reporting
信道状态信息（CSI）报告对于多输入多输出（MIMO）发射机在频分双工（FDD）模式中实现高容量和能量效率是重要的。用于大规模MIMO系统的CSI报告可能消耗过多的带宽并且降低频谱效率。与信道相关性集成的基于深度学习（DL）的压缩已经证明在改善CSI恢复方面是成功的。然而，现有的工作集中在CSI压缩很少表现出对CSI报告的有效编码。在本文中，我们提出了一个有效的DL为基础的压缩框架（称为CQNet），共同解决CSI压缩，报告编码，并在带宽限制下恢复。CQNet可以直接集成在其他基于DL的CSI反馈工程中，以进一步增强。CQNet显著优于使用均匀CSI量化和$μ$定律非均匀量化的解决方案。与传统的CSI报告相比，需要少得多的比特来实现可比较的CSI重构精度。
2019-12-23 cs.IT eess.SP math.IT
MIMO Channel as a Neural Function: Implicit Neural Representations for Extreme CSI Compression in Massive MIMO Systems
本文提出基于隐式神经表示的极值CSI压缩方法，将CSI矩阵视为神经函数，通过元学习生成调制并应用于共享基础网络，经量化和熵编码实现极高压缩比，达到最先进性能且反馈策略灵活。
2024-03-20 cs.IT eess.SP math.IT
AnciNet: An Efficient Deep Learning Approach for Feedback Compression of Estimated CSI in Massive MIMO Systems
在大规模多输入多输出（m-MIMO）系统中，由于信道状态信息（CSI）开销过大，而反馈带宽有限，因此准确的CSI反馈对于提高系统性能具有重要作用。通过考虑由于不完美的信道估计导致的噪声CSI，我们提出了一种新的深度神经网络架构，即AnciNet，以有限的带宽进行CSI反馈。AnciNet从有噪声的CSI样本中提取无噪声特征，以实现对反馈的有效CSI压缩。实验结果表明，该方法在各种条件下均优于现有方法.
2020-08-17 cs.IT eess.SP math.IT
Spatio-Temporal Representation with Deep Neural Recurrent Network in MIMO CSI Feedback
Tianjin University（天津大学）
在多输入多输出（MIMO）系统中，利用发射端可用的信道状态信息（CSI）进行预编码是提高频分双工（FDD）网络性能的关键。在大规模多输入多输出系统中，压缩CSI反馈传输中的大量CSI是一个主要的挑战。在本文中，我们提出了一种基于深度学习（DL）的方法，该方法使用深度递归神经网络（RNN）来学习时间相关性，并采用依赖可分离卷积来缩小模型。通过研究不同结构的时空特征表示方法，对特征提取模块进行了精心设计。实验结果表明，该方法优于现有的基于DL的方法在恢复质量和准确性，这也可以实现显着的鲁棒性在低压缩比（CR）。
2019-08-22 cs.LG eess.SP
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 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
A Lightweight Deep Network for Efficient CSI Feedback in Massive MIMO Systems
为了充分利用大规模多输入多输出（m-MIMO）的优势，在发射端需要准确的信道状态信息（CSI）。然而，对于大型天线阵列，过多的CSI反馈是低效的，因此在实际应用中是不期望的。通过利用角延迟域中复值信道响应的固有相关特性，提出了一种新的神经网络（NN）架构，即ENet，用于m-MIMO中的CSI压缩和反馈。即使ENet单独处理CSI值的实部和虚部，其特殊结构也使仅针对实部训练的网络能够重新用于虚部。与现有的基于神经网络的解决方案相比，所提出的ENet显示出增强的性能，网络大小减少了近一个数量级。实验结果验证了所提出的ENet的有效性。
2021-05-21 cs.IT eess.SP math.IT
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
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
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 MIMO Wireless Channel Foundation Model via CIR-CSI Consistency
School of Communication and Information Engineering, Shanghai University（上海大学通信与信息工程学院）；Xi’an Jiaotong-Liverpool University（西交利物浦大学）
本文将信道状态信息与信道冲激响应视为对齐的多模态数据，提出首个MIMO无线信道基础模型CSI-CLIP，通过对比学习捕获联合表示，在定位、波束管理和信道识别任务上取得显著提升。
2025-03-01 cs.AI eess.SP
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
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
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
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 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
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
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
Skin-MIMO: Vibration-based MIMO Communication over Human Skin
我们探讨了多输入多输出（MIMO）通信的可行性，通过人体皮肤上的振动。使用现成的电机和压电传感器分别作为振动发射器和接收器，我们建立了一个2x2 MIMO测试平台，以收集和分析来自真实对象的振动信号。我们的分析表明，存在多个独立的振动通道之间的一对发送器和接收器，证实了MIMO的可行性。不幸的是，机械马达的缓慢斜坡和快速变化的皮肤信道使得传统的基于信道探测的信道状态信息（CSI）获取不切实际，这对于实现MIMO容量增益是至关重要的。为了解决这个问题，我们提出了Skin-MIMO，这是一种基于深度学习的CSI采集技术，可以完全基于发射机处的惯性传感器（加速度计和陀螺仪）测量来准确预测CSI，从而消除了对信道探测的需求。基于实验振动数据，我们表明，皮肤MIMO可以提高MIMO容量的2.3倍相比，单输入单输出（SISO）或开环MIMO，没有访问CSI。一个令人惊讶的发现是，测量角速度的陀螺仪在预测皮肤振动方面优于加速度计，加速度计测量线性加速度，并广泛用于固体物体振动通信的先前研究。
2020-01-30 cs.NI eess.SP
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
