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。
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
- 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
N_c
Nc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
∼
H
v
n
x
n
+
z
n
y_n = h_n \sim^H v_n x_n + z_n
yn=hn∼Hvnxn+zn
其中
h
~
n
∈
C
N
t
×
1
\tilde{h}_n \in \mathbb{C}^{N_t \times 1}
h~n∈CNt×1是信道频率响应向量,
V
n
∈
C
N
t
×
1
V_n \in \mathbb{C}^{N_t \times 1}
Vn∈CNt×1是预编码向量,
x
n
x_n
xn是发射符号,
z
n
z_n
zn是加性噪声和干扰,
(
)
H
()^H
()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:
a
(
ϕ
)
=
[
1
,
e
−
j
2
π
d
λ
sin
ϕ
,
…
,
e
−
j
2
π
d
λ
(
N
t
−
1
)
sin
ϕ
]
\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]
a(ϕ)=[1,e−jλ2πdsinϕ,…,e−jλ2πd(Nt−1)sinϕ]
其中
ϕ
\phi
ϕ是出发角,
d
d
d是相邻天线的距离,
λ
\lambda
λ是载波波长,信道可以表示为:
h
~
n
=
N
t
L
∑
l
=
1
L
α
l
e
−
j
2
π
τ
l
f
s
n
N
c
a
(
ϕ
)
\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)
h~n=LNtl=1∑Lαle−j2πτlfsNcna(ϕ)
其中,
L
L
L是下行多路径的数量,
a
l
a_l
al代表传播增益,
τ
l
\tau_l
τl表示响应的延迟,
f
s
f_s
fs是抽样频率,在空间频率整个CSI矩阵可以表示为:
H
~
=
[
h
~
1
,
h
~
2
,
…
,
h
~
N
c
]
H
∈
C
N
c
×
N
t
.
\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}.
H~=[h~1,h~2,…,h~Nc]H∈CNc×Nt.
通过导频训练获得CSI
下行信道一般将CSI-RS序列当做导频序列
导频训练的基本原理
- 发送导频信号:发送端发送已知的导频信号序列。这些导频信号可以是特定的符号或序列,它们在发送端和接收端都是已知的。
- 接收导频信号:接收端接收到通过信道传输后的导频信号。由于信道的影响,接收端的导频信号会包含信道的增益和相位变化。
- 信道估计:接收端利用已知的导频和接收到的导频符号,通过比较和计算,估计出信道的特性,即CSI
导频训练过程
基于深度学习的CSI反馈
传统方法
采用压缩感知技术(CS):LASSO l1-solver、TVAL3等
存在缺点:
- 严重依赖于信道是稀疏的假设
- 迭代重建方法有很大的复杂性并因此会消耗大量的计算资源
CsiNet方法
使用深度学习方法构建CsiNet。包括CSI感知(编码器)和恢复网络(解码器)两个部分
- 编码器:CsiNet通过训练数据从原始的信道矩阵中学习转换来压缩表示(码字)
- 解码器:CsiNet学习将码字转换成原始信道
- 优点:相比于传统压缩感知能以更好的恢复质量来恢复CSI,在高压缩率下保持良好性能
相关论文
论文1
- 2018 IEEE Wireless Communications Letters
- 首次将深度学习引入CSI反馈领域
- 提出CSiNet模型
论文2
- 2020,IEEE Transactions on Wireless Communications
- 对2018年模型进行了改进
- 提出CSiNet+模型
论文3
- 2021,IEEE Wireless Communications Letters
- 对2020年模型进行了改进
- 提出CSiNet+DNN模型
之后的各种基于深度学习的CSI反馈基本上是这些模型架构的变体,都是编码器和解码器,包含卷积网络,全连接网络和各种其他网络。
系统预设
CSI反馈机制
网络设计
下面三个深度学习网络为三篇论文中的CSI反馈网络