信道状态信息(channel state information,CSI)的精确获取是大规模天线发挥效能的关键。在现有的通信系统中,上下行链路互易性不理想时,基于码本进行下行链路的CSI反馈。随着天线规模的增大,码本CSI反馈所需要的开销也越来越大。给出了...信道状态信息(channel state information,CSI)的精确获取是大规模天线发挥效能的关键。在现有的通信系统中,上下行链路互易性不理想时,基于码本进行下行链路的CSI反馈。随着天线规模的增大,码本CSI反馈所需要的开销也越来越大。给出了基于人工智能(artificial intelligence,AI)的CSI反馈压缩方法,分析了基于AI的CSI反馈的标准化影响、通信流程与面临的挑战,提供了评估结果。评估结果表明,相对于基于频域基向量压缩的码本CSI反馈,基于AI的CSI反馈在相同的反馈精度下可以显著地降低反馈开销。展开更多
该文针对闭环多用户MIMO-OFDM系统提出一种基于线性预测的低速率CSI(Channel State Information)反馈方法。根据相关带宽将OFDM子载波划分成多个子带,移动台对每个子带的CSI作线性预测,并对预测误差进行量化编码后反馈给基站;基站使用...该文针对闭环多用户MIMO-OFDM系统提出一种基于线性预测的低速率CSI(Channel State Information)反馈方法。根据相关带宽将OFDM子载波划分成多个子带,移动台对每个子带的CSI作线性预测,并对预测误差进行量化编码后反馈给基站;基站使用相同的线性预测滤波器将反馈来的预测误差恢复成CSI,然后在每个子带上通过迫零-波束赋形实现多用户空间复用。同时,该文还在采用注水定理分配发射功率的条件下,从理论上分析了下行链路信道容量。数值仿真结果显示,每个反馈数据的实部或虚部仅用1bit量化时,本方法仍能够以较高的精度恢复CSI。与目前3GPP LTE标准所采用的基于码书的反馈方案相比,该方法能够在反馈开销相同情况下,有效地抑制同信道干扰,大幅提高系统容量。展开更多
干扰对齐实施过程中所需的大量反馈开销严重制约了其实际应用。反馈拓扑能够有效降低干扰对齐的信道状态信息(Channel State Information,CSI)获取开销。针对K用户多输入多输出(Multiple-Input Multiple-Output,MIMO)干扰信道,为了在低...干扰对齐实施过程中所需的大量反馈开销严重制约了其实际应用。反馈拓扑能够有效降低干扰对齐的信道状态信息(Channel State Information,CSI)获取开销。针对K用户多输入多输出(Multiple-Input Multiple-Output,MIMO)干扰信道,为了在低时延下进一步降低反馈拓扑的CSI开销,在用户数目相对较多的情况下(K≥6)提出了一种新的反馈拓扑结构。相比现有7种反馈拓扑中CSI开销最低的方案,所提反馈拓扑仅需其一半的时隙数目且在K≥7时具有更低的CSI开销。分析表明所提反馈拓扑能够实现CSI开销降低和时延缩减之间的有效折中。展开更多
在资源受限的水声网络中,使用软频率复用技术和自适应资源分配技术可以提高网络容量和能量效率。然而,水声信道的长传播时延和时变特性导致用于自适应技术的反馈信道状态信息(Channel State Information, CSI)是时变且过时的。非理想的...在资源受限的水声网络中,使用软频率复用技术和自适应资源分配技术可以提高网络容量和能量效率。然而,水声信道的长传播时延和时变特性导致用于自适应技术的反馈信道状态信息(Channel State Information, CSI)是时变且过时的。非理想的反馈CSI会降低自适应系统的性能。针对该问题,提出了一种基于多智能体深度Q网络的资源分配(Multi-agent Deep Q Network Based Resource Allocation, MADQN-RA)方法。该方法将水声软频率复用网络视为多智能体系统,并使用过时的反馈CSI序列作为系统状态。通过建立有效的奖励表达式,智能体可以跟踪时变时延水声信道的变化特性并做出相应的资源分配决策。为了进一步提高智能体的决策准确度,同时避免状态空间维度增大时的部分学习成本,结合动态状态长度方法改进了MADQN-RA。仿真结果表明,所提方法实现的系统性能优于基于其他学习的方法和基于信道预测的方法,且更接近理论最优值。展开更多
文摘信道状态信息(channel state information,CSI)的精确获取是大规模天线发挥效能的关键。在现有的通信系统中,上下行链路互易性不理想时,基于码本进行下行链路的CSI反馈。随着天线规模的增大,码本CSI反馈所需要的开销也越来越大。给出了基于人工智能(artificial intelligence,AI)的CSI反馈压缩方法,分析了基于AI的CSI反馈的标准化影响、通信流程与面临的挑战,提供了评估结果。评估结果表明,相对于基于频域基向量压缩的码本CSI反馈,基于AI的CSI反馈在相同的反馈精度下可以显著地降低反馈开销。
文摘该文针对闭环多用户MIMO-OFDM系统提出一种基于线性预测的低速率CSI(Channel State Information)反馈方法。根据相关带宽将OFDM子载波划分成多个子带,移动台对每个子带的CSI作线性预测,并对预测误差进行量化编码后反馈给基站;基站使用相同的线性预测滤波器将反馈来的预测误差恢复成CSI,然后在每个子带上通过迫零-波束赋形实现多用户空间复用。同时,该文还在采用注水定理分配发射功率的条件下,从理论上分析了下行链路信道容量。数值仿真结果显示,每个反馈数据的实部或虚部仅用1bit量化时,本方法仍能够以较高的精度恢复CSI。与目前3GPP LTE标准所采用的基于码书的反馈方案相比,该方法能够在反馈开销相同情况下,有效地抑制同信道干扰,大幅提高系统容量。
文摘干扰对齐实施过程中所需的大量反馈开销严重制约了其实际应用。反馈拓扑能够有效降低干扰对齐的信道状态信息(Channel State Information,CSI)获取开销。针对K用户多输入多输出(Multiple-Input Multiple-Output,MIMO)干扰信道,为了在低时延下进一步降低反馈拓扑的CSI开销,在用户数目相对较多的情况下(K≥6)提出了一种新的反馈拓扑结构。相比现有7种反馈拓扑中CSI开销最低的方案,所提反馈拓扑仅需其一半的时隙数目且在K≥7时具有更低的CSI开销。分析表明所提反馈拓扑能够实现CSI开销降低和时延缩减之间的有效折中。
文摘在资源受限的水声网络中,使用软频率复用技术和自适应资源分配技术可以提高网络容量和能量效率。然而,水声信道的长传播时延和时变特性导致用于自适应技术的反馈信道状态信息(Channel State Information, CSI)是时变且过时的。非理想的反馈CSI会降低自适应系统的性能。针对该问题,提出了一种基于多智能体深度Q网络的资源分配(Multi-agent Deep Q Network Based Resource Allocation, MADQN-RA)方法。该方法将水声软频率复用网络视为多智能体系统,并使用过时的反馈CSI序列作为系统状态。通过建立有效的奖励表达式,智能体可以跟踪时变时延水声信道的变化特性并做出相应的资源分配决策。为了进一步提高智能体的决策准确度,同时避免状态空间维度增大时的部分学习成本,结合动态状态长度方法改进了MADQN-RA。仿真结果表明,所提方法实现的系统性能优于基于其他学习的方法和基于信道预测的方法,且更接近理论最优值。
文摘在大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统中,基站根据用户反馈的信道状态信息进行自适应编码调制以提高频谱效率,因此需要将用户侧估计到的信道状态信息反馈到基站。由于反馈过程存在的延迟会降低系统性能,因此在考虑延迟的情况下,对基于深度学习的信道状态信息自编码器CsiNet进行改进,使用下行信道的延迟状态信息作为信道状态信息自编码器的期望输出信号来对自编码器进行训练,减少了反馈延迟误差的影响。仿真结果表明,在延迟为1时隙时,所提方案的归一化均方误差(Normalized Mean Square Error,NMSE)仅为自回归-主成分分析方案、基于压缩感知的方案和基于卷积神经网络的CsiNet方案的1/8~1/7,并且随着时隙增加,NMSE性能提升越明显。
