FDD大规模MIMO系统下行信道估计与压缩反馈技术研究.pdfVIP

摘要

摘要

大规模多输入多输出技术及正交频分复用技术是第五代移动通信系统中的关

键技术。为充分发挥大规模多输入多输出-正交频分复用系统的优势，在基站端

准确地获取信道状态信息（ChannelStateInformation,CSI）是必要的。在频分双

工系统中，CSI反馈需要用户端进行CSI估计，再通过上行链路将CSI反馈回基

站端。为了在准确地反馈CSI的同时，尽可能减少反馈开销，设计出精确的信道

估计算法及高效的压缩反馈算法至关重要。因此本文基于深度学习技术，以减少

网络复杂度和反馈开销为设计目标，提出了轻量化信道估计与压缩反馈联合网络

（LightweightChannelEstimationandFeedbackNetwork,LCEFNet）和基于时空频全

域相关性的信道估计与压缩反馈网络（Spatial-temporal-frequencyCorrelationbased

ChannelEstimationandFeedbackNetwork,STFNet）。

首先，本文考虑实际系统中存在的信道估计误差和量化误差，将信道估计与压

缩反馈两个过程联合设计。在网络设计中，为了减少网络的参数量，本文设计了卷

积与全连接混合的CSI压缩网络。为了保证CSI重建的性能，本文采用更大的卷

积核增大感受野；同时采用横向和纵向的一维卷积核交替进行特征提取以减少网

络复杂度。仿真结果显示，LCEFNet在性能优于现有基于深度学习的CsiNet算法

的同时，大幅减少了网络的参数量和计算量；此外，LCEFNet可以在减少60∼70%

反馈开销的同时，获得优于enhancedtypeII（etypeII）码本反馈算法的性能。

其次，针对复杂环境下LCEFNet性能较弱的问题，本文利用CSI在时域的

相关性，在时域、频域、空域三个维度进行信道估计与压缩反馈算法设计，并考

虑不同的网络复杂度，提出了双侧STFNet（BilateralSTFNet,Bi-STFNet）和单侧

STFNet（UnilateralSTFNet,Un-STFNet）。仿真结果显示，Bi-STFNet的反馈性能

优于Un-STFNet，均优于现有基于时间相关性的反馈算法LSTM-Attention；但同

时Un-STFNet具有更低的网络复杂度，可以在性能和复杂度之间取得更好的平衡，

两个算法互有优势。最后，与etypeII算法对比，Bi-STFNet可以在反馈量减少约

70%的情况下，达到更高或接近的CSI重建精度。

关键词：大规模MIMO-OFDM系统，信道估计，CSI压缩反馈，轻量化网络

I

ABSTRACT

ABSTRACT

Massivemultipleinputmultipleoutput(MassiveMIMO)andorthogonalfrequency

divisionmultiplexing(OFDM)arethekeytechnologiesinthefifthgenerationmobile

communicationsystem.InordertofullyutilizetheadvantagesofmassiveMIMO-OFDM

system,itisnecessaryforthebasestationtoacquireaccuratechannelstateinformation

(CSI).Infrequencydivisionduplexsystem,CSIfeedbackneedtoperformCSIestimation

attheuserequipmentside,andthenCSIisfedbacktothebasestationthroughtheuplink.

InordertoaccuratelyfeedbacktheCSImeanwhileminimizingthefeedbackoverhead,

thedesignofaccuratechannele