针对车联网场景下多入多出-正交时频空(Multiple-Input Multiple-Output-Orthogonal Time Frequency Space,MIMO-OTFS)系统的信道状态信息(Channel State Information,CSI)反馈问题,提出了一种面向时延-多普勒(Delay-Dopler,DD)域CSI反...针对车联网场景下多入多出-正交时频空(Multiple-Input Multiple-Output-Orthogonal Time Frequency Space,MIMO-OTFS)系统的信道状态信息(Channel State Information,CSI)反馈问题,提出了一种面向时延-多普勒(Delay-Dopler,DD)域CSI反馈的时间差分架构Transformer网络(Time-differencing Architecture Delay-Doppler Transformer Network,TA-DD-TransNet),引入分时反馈机制,将残差信息建模与压缩反馈相结合。网络结构融合Transformer的全局建模能力与卷积神经网络的局部特征提取优势,在保持CSI重构精度的同时显著降低了反馈比特数与计算复杂度。在不同车速、信噪比及非完美信道估计条件下的仿真实验结果表明,所提方法在归一化均方误差(Normalized Mean Squared Error,NMSE)和余弦相似度指标上均优于CsiNet、CsiNet+和BCsiNet。在60 km/h、30 dB信噪比、1/4压缩率下,TA-DD-TransNet的NMSE约-27 dB,余弦相似度达0.96。复杂度分析显示,TA-DD-TransNet在1/4压缩率下的编码器和解码器浮点运算次数分别为1.809×10^(7)和2.281×10^(7),参数量均为8.4×10~6左右,显著低于CsiNet+。所提方法能满足车联网中对高可靠低时延通信的实际需求。展开更多
通过压缩信道状态信息(Channel Status Information,CSI)传输码字降低大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统的CSI反馈开销,可以有效减少计算资源的使用和信息传输时间的消耗。针对如何使用轻量化模型准确估计...通过压缩信道状态信息(Channel Status Information,CSI)传输码字降低大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统的CSI反馈开销,可以有效减少计算资源的使用和信息传输时间的消耗。针对如何使用轻量化模型准确估计低压缩比条件下CSI反馈的问题,通过设计的轻量化迭代交叉网络(Iterative Cross Network,ICNet)模型,在用户端使用设计的迭代压缩模块压缩CSI反馈,基站端使用设计的迭代重建模块估计CSI反馈,以较高的准确率和较低的时间消耗估计了低压缩比条件下的CSI反馈。在COST2100模型生成的数据样本下评估了ICNet在低压缩比条件下的鲁棒性,实验表明,在较小的1/64压缩比条件下,ICNet的归一化均方误差比次优值降低了8.48%,ICNet的参数量降低了35%左右。展开更多
为应对大规模多输入多输出(Multiple⁃input multiple⁃output,MIMO)系统中信道状态信息(Channel state information,CSI)反馈开销的日益增长,基于深度学习的CSI反馈网络(如Transformer网络)受到了广泛的关注,是一种非常有应用前景的智能...为应对大规模多输入多输出(Multiple⁃input multiple⁃output,MIMO)系统中信道状态信息(Channel state information,CSI)反馈开销的日益增长,基于深度学习的CSI反馈网络(如Transformer网络)受到了广泛的关注,是一种非常有应用前景的智能传输技术。为此,本文提出了一种基于数据聚类的CSI反馈Transformer网络的简化方法,采用基于聚类的近似矩阵乘法(Approximate matrix multiplication,AMM)技术,以降低反馈过程中Transformer网络的计算复杂度。本文主要对Transformer网络的全连接层计算(等效为矩阵乘法),应用乘积量化(Product quantization,PQ)和MADDNESS等简化方法,分析了它们对计算复杂度和系统性能的影响,并针对神经网络数据的特点进行了算法优化。仿真结果表明,在适当的参数调整下,基于MADDNESS方法的CSI反馈网络性能接近精确矩阵乘法方法,同时可大幅降低计算复杂度。展开更多
在设备到设备通信的车联网场景(Vehicle to Everything-Device to Device,V2X-D2D)下,信道的快速时变会导致基站(Base Station,BS)端通常无法获取完美信道状态信息(Channel State Information,CSI).为解决现有频谱分配方案不适用于V2X-...在设备到设备通信的车联网场景(Vehicle to Everything-Device to Device,V2X-D2D)下,信道的快速时变会导致基站(Base Station,BS)端通常无法获取完美信道状态信息(Channel State Information,CSI).为解决现有频谱分配方案不适用于V2X-D2D场景的问题,考虑车对车(Vehicle-to-Vehicle,V2V)链路可靠性、最大发射功率、频谱复用的约束,建立V2X的场景模型与通信模型.明确了在满足V2V链路可靠性的前提下,最大化车与基础设施(Vehicle to Infrastructure,V2I)链路的遍历容量的优化目标;在考虑信道快速时变影响的情况下,推导V2V链路的中断概率、V2I链路遍历容量的闭式表达式;针对一对一模式和一对多模式下的频谱分配问题,分别提出基于改进匈牙利算法的快速频谱分配方案和基于图着色-偏好列表的频谱分配方案.仿真结果表明:与现有算法相比,基于改进匈牙利算法的快速频谱分配方案接入率更高、复杂度更低,基于图着色-偏好列表的频谱分配方案也具有接入率、频谱利用率高的优势.展开更多
在室外场景高倍压缩下,针对大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统中大多数现有信道状态信息(Channel State Information,CSI)反馈方法重建精度低、复杂度较高的问题,提出了一种基于深度自编码器的CSI压缩反馈...在室外场景高倍压缩下,针对大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统中大多数现有信道状态信息(Channel State Information,CSI)反馈方法重建精度低、复杂度较高的问题,提出了一种基于深度自编码器的CSI压缩反馈方法。该方法首先在编码器采用卷积神经网络提取原始CSI的特征信息;然后将全连接网络压缩为低维码字反馈回解码器;最后考虑到室外环境的CSI空间模式复杂、高倍压缩下信息损失较多,在解码器的残差网络中使用并行多分辨率卷积网络与具有丰富神经元的全连接网络对接收到的特征码字进行重建,以此增强所提方法的重建能力与泛化能力。实验结果表明,所提方法的重建质量在不同压缩比下均有显著提升。展开更多
信道状态信息(Channel State Information,CSI)反馈是大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统的一个关键问题。大规模MIMO系统中基站天线数量巨大,CSI反馈出现了反馈开销大、反馈精度低等问题。为了降低反馈开销...信道状态信息(Channel State Information,CSI)反馈是大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统的一个关键问题。大规模MIMO系统中基站天线数量巨大,CSI反馈出现了反馈开销大、反馈精度低等问题。为了降低反馈开销,提高反馈精度,采用深度学习方法,提出了一种基于特征融合的CSI反馈网络(Feature Fusion Net,FFNet)。利用基于注意力机制的特征融合在编码器中融合不同尺度的CSI特征,并在解码器中使用多通道多分辨率卷积网络以及通道重排,从而高精度地重建压缩后的CSI。仿真结果表明,与几种经典的深度学习CSI反馈方法相比,在室内和室外信道条件下,均具有更高的反馈精度。展开更多
文摘针对车联网场景下多入多出-正交时频空(Multiple-Input Multiple-Output-Orthogonal Time Frequency Space,MIMO-OTFS)系统的信道状态信息(Channel State Information,CSI)反馈问题,提出了一种面向时延-多普勒(Delay-Dopler,DD)域CSI反馈的时间差分架构Transformer网络(Time-differencing Architecture Delay-Doppler Transformer Network,TA-DD-TransNet),引入分时反馈机制,将残差信息建模与压缩反馈相结合。网络结构融合Transformer的全局建模能力与卷积神经网络的局部特征提取优势,在保持CSI重构精度的同时显著降低了反馈比特数与计算复杂度。在不同车速、信噪比及非完美信道估计条件下的仿真实验结果表明,所提方法在归一化均方误差(Normalized Mean Squared Error,NMSE)和余弦相似度指标上均优于CsiNet、CsiNet+和BCsiNet。在60 km/h、30 dB信噪比、1/4压缩率下,TA-DD-TransNet的NMSE约-27 dB,余弦相似度达0.96。复杂度分析显示,TA-DD-TransNet在1/4压缩率下的编码器和解码器浮点运算次数分别为1.809×10^(7)和2.281×10^(7),参数量均为8.4×10~6左右,显著低于CsiNet+。所提方法能满足车联网中对高可靠低时延通信的实际需求。
文摘在设备到设备通信的车联网场景(Vehicle to Everything-Device to Device,V2X-D2D)下,信道的快速时变会导致基站(Base Station,BS)端通常无法获取完美信道状态信息(Channel State Information,CSI).为解决现有频谱分配方案不适用于V2X-D2D场景的问题,考虑车对车(Vehicle-to-Vehicle,V2V)链路可靠性、最大发射功率、频谱复用的约束,建立V2X的场景模型与通信模型.明确了在满足V2V链路可靠性的前提下,最大化车与基础设施(Vehicle to Infrastructure,V2I)链路的遍历容量的优化目标;在考虑信道快速时变影响的情况下,推导V2V链路的中断概率、V2I链路遍历容量的闭式表达式;针对一对一模式和一对多模式下的频谱分配问题,分别提出基于改进匈牙利算法的快速频谱分配方案和基于图着色-偏好列表的频谱分配方案.仿真结果表明:与现有算法相比,基于改进匈牙利算法的快速频谱分配方案接入率更高、复杂度更低,基于图着色-偏好列表的频谱分配方案也具有接入率、频谱利用率高的优势.
文摘在室外场景高倍压缩下,针对大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统中大多数现有信道状态信息(Channel State Information,CSI)反馈方法重建精度低、复杂度较高的问题,提出了一种基于深度自编码器的CSI压缩反馈方法。该方法首先在编码器采用卷积神经网络提取原始CSI的特征信息;然后将全连接网络压缩为低维码字反馈回解码器;最后考虑到室外环境的CSI空间模式复杂、高倍压缩下信息损失较多,在解码器的残差网络中使用并行多分辨率卷积网络与具有丰富神经元的全连接网络对接收到的特征码字进行重建,以此增强所提方法的重建能力与泛化能力。实验结果表明,所提方法的重建质量在不同压缩比下均有显著提升。
