基于深度学习的5GMassiveMIMO信道状态信息反馈系统设计与压缩优化.docxVIP

PAGE2

基于深度学习的5GMassiveMIMO信道状态信息反馈系统设计与压缩优化

摘要

随着5G网络向大规模天线阵列（MassiveMIMO）演进，信道状态信息（CSI）的精确获取与高效反馈成为提升频谱效率与系统容量的关键瓶颈。传统CSI反馈方案存在反馈开销巨大、精度受限等问题，难以满足未来超可靠低时延通信（URLLC）与增强型移动宽带（eMBB）场景的需求。

本课题旨在设计并实现一个基于深度学习的5GMassiveMIMOCSI反馈系统，核心目标是通过深度学习技术压缩反馈开销，同时提升CSI反馈精度。论文遵循“需求分析→总体设计→详细设计→实现→测试”的工程递进思路展开研究。首先，分析了系统在反馈开销、重构精度和实时性方面的具体需求。其次，设计了由CSI压缩编码、无线信道传输与CSI重构解码三大模块构成的系统总体架构。详细设计部分，重点阐述了基于卷积自编码器（CAE）的压缩算法与基于注意力机制的重构网络。系统实现基于PyTorch框架，并进行了全面的功能与性能测试。

本设计的核心创新点在于提出了一种轻量化的注意力增强型卷积自编码器网络结构，在显著降低CSI反馈矩阵维度的同时，利用注意力机制聚焦关键信道特征，从而在低反馈开销下实现了优于传统码本和压缩感知方法的重构精度。测试结果表明，在典型城区宏蜂窝场景下，系统在压缩比为1/4时，归一化均方误差（NMSE）较