基于深度学习的大规模MIMO信道状态信息反馈

news2024/12/25 0:46:35

MIMO系统

MIMO系统利用多个天线在发送端和接收端之间建立多条独立的信道，从而使得同一时间可以传输多个数据流，从而使得同一之间可以传输多个数据流，提高数据传输速率。
在这里插入图片描述

优势

增加传输速率和容量，提高信号覆盖范围和抗干扰能力，增加频谱利用率。

MIMO需要解决的问题

依赖于精确的信道状态信息（CSI）
下行链路CSI在训练期间从用户处获得并通过反馈链路返回给基站
系统中有许多天线，反馈信道矩阵会很大并且因此会导致过量的开销

在这里插入图片描述

FDD的低互换性：（1）各个信道使用不同的频率（2）每个频率信道需要专门设计硬件来调制和解调，各个信道的设备不能互换使用
基站需要知道下行链路的信道状态信息，依赖于用户根据基站发送的导频信号(CSI-RS)进行信道估计，然后将估计的信道状态信息通过反馈链路发送给基站。然而反馈信道矩阵会很大导致过量的开销，需要找到一种方法来减少反馈链路的反馈数据。

系统模型

考虑一个天线的用户的基站的FDD大规模MIMO系统。在这个系统中，采用 $N_c$ 个子载波的OFDM。因此，第n个载波的用户的下行信号为：
$y_n = h_n \sim^H v_n x_n + z_n$
其中 $\tilde{h}_n \in \mathbb{C}^{N_t \times 1}$ 是信道频率响应向量， $V_n \in \mathbb{C}^{N_t \times 1}$ 是预编码向量， $x_n$ 是发射符号， $z_n$ 是加性噪声和干扰， $^H$ 表示共轭转置。
假设基站配备有均匀线性阵列，响应向量为：
$\mathbf{a}(\phi) = \left[1, e^{-j \frac{2\pi d}{\lambda} \sin \phi}, \ldots, e^{-j \frac{2\pi d}{\lambda} (N_t - 1) \sin \phi} \right]$
其中 $\phi$ 是出发角， $d$ 是相邻天线的距离， $\lambda$ 是载波波长，信道可以表示为：
$\tilde{h}_n = \sqrt{\frac{N_t}{L}} \sum_{l=1}^{L} \alpha_l e^{-j 2 \pi \tau_l f_s \frac{n}{N_c}} \mathbf{a}(\phi)$
其中， $L$ 是下行多路径的数量， $a_l$ 代表传播增益， $\tau_l$ 表示响应的延迟， $f_s$ 是抽样频率，在空间频率整个CSI矩阵可以表示为：
$\mathbf{\tilde{H}} = [\tilde{\mathbf{h}}_1, \tilde{\mathbf{h}}_2, \ldots, \tilde{\mathbf{h}}_{N_c}]^H \in \mathbb{C}^{N_c \times N_t}.$