基于深度学习的FDD大规模MIMO系统中的下行CSI获取方案研究.pdf

摘要

大规模多输入多输出(MassiveMulti-InputMulti-Output,mMIMO)无线通信技术通过在基

站端配备成百上千根天线，深度挖掘利用空间域的无线资源，提升系统的频谱效率和能量效

率，以满足不断增长的网络容量需求，已成为未来无线通信系统的关键使能技术之一。但是，

随着天线个数的显著增加，引发了一系列的传输技术问题，使得探索应用于mMIMO通信场

景的无线传输技术更具挑战性。基站端需要获取下行链路的信道状态信息(ChannelState

Information,CSI)进行下行预编码和资源分配等信道自适应技术，以提升系统的频效和能效。

在频分双工模式下，上下行链路之间不存在信道互易性，因此基站端需要向用户端发送导频

信号，用户端再从导频中估计出下行CSI并压缩反馈给基站端。由于反馈链路中的下行导频

开销和上行反馈开销都与天线数量成正比增长，下行CSI的获取技术成为制约mMIMO技术

发展的瓶颈。

近些年来，基于人工智能方法的下行CSI压缩反馈方案展现出了卓越的潜力。但是这一

活跃的研究领域主要集中于探索特定压缩速率下用于下行CSI压缩反馈的人工智能算法设计，

存在应用局限性。实际通信环境的变化会产生调节压缩速率的需求，因此，设计灵活的压缩

速率调整机制非常重要。本文关注频分双工模式下的mMIMO系统下行CSI的压缩反馈技术

的应用局限性，具体的研究工作如下：

首先，本课题面向复杂多变的实际通信场景，提出了一种基于模块共享的下行CSI多压

缩率反馈算法。具体地，设计了一个压缩模块用于输出多个压缩率的码字序列，并在译码器

中添加一个填充模块解决码字序列维度不对齐的问题。通过共享部分模块，实现了通用的编

码器和译码器，可以以不同速率压缩并解压缩下行CSI。仿真结果从恢复性能和复杂度的角

度证明了该算法的有效性。

除此之外，本课题面向动态压缩的场景，还提出了下行CSI动态压缩的概念，利用深度

迁移学习设计出了下行CSI的动态压缩反馈算法。具体地，借助深度迁移学习挖掘预训练的

压缩反馈网络中跨压缩率的通用特征，通过迁移这些通用的特征，以很小的训练代价微调出

不同压缩率的压缩反馈网络。为了减少训练开销，本课题还探索了多种影响因素对迁移效果

的影响，进一步优化迁移策略。仿真结果表明在保持较小性能损失的情况下，该算法能以极

小的训练代价实现了灵活的下行CSI压缩反馈。

关键词:大规模MIMO，FDD，下行CSI反馈，深度迁移学习，多压缩率，动态压缩

Abstract

Massivemultiple-inputmultiple-output(mMIMO)wirelesscommunicationtechnologywhich

equipshundredsofantennasatthebasestation,hasbecomeoneofthekeyenablingtechnologiesof

thefuturewirelesscommunicationsystem.mMMOfullyutilizeswirelessresourcesinthespace

domain,thusimprovingthespectralefficiencyandenergyefficiencyofsystems.However,withthe

significantincreaseofantennas,aseriesoftransmissiontechnologyproblemshavebeentriggered,

makingitmorechallengingtoexplorethewirelesstransmissiontechnologyappliedinthemMIMO

communicationsystems.Thebasestation(BS)needstoobtainthedownlinkchannelstate

information(CSI)fordownlinkprecodingandresourceallocationto