随着高速铁路的快速发展,高铁用户对移动互联网的需求与日俱增。高铁环境下,信道处于快时变状态,列车速度越高,信道变化越快,信道状态信息(channel state information,CSI)存在严重的不准确性。针对此问题,首先对高铁环境下的CSI建模,...随着高速铁路的快速发展,高铁用户对移动互联网的需求与日俱增。高铁环境下,信道处于快时变状态,列车速度越高,信道变化越快,信道状态信息(channel state information,CSI)存在严重的不准确性。针对此问题,首先对高铁环境下的CSI建模,通过统计特性与瞬时CSI对其进行动态修正。同时,为了保障高铁在运行过程中获得最佳的系统容量,还提出一种基于自适应波束成形的干扰对齐方法;该方法将天线分成两组,通过设计预编码,使干扰对齐到零空间,从而在接收端消除干扰。数值结果表明,所提的方法能很好地适应高速移动场景,达到最优的系统容量。展开更多
针对频分双工(Frequency Division Duplexing,FDD)大规模多入多出(Multiple-Input Multiple-Output,MIMO)系统中现有信道状态信息(Channel State Information,CSI)反馈方法复杂度高、反馈精度低的问题,本文提出一种基于深度学习的CSI压...针对频分双工(Frequency Division Duplexing,FDD)大规模多入多出(Multiple-Input Multiple-Output,MIMO)系统中现有信道状态信息(Channel State Information,CSI)反馈方法复杂度高、反馈精度低的问题,本文提出一种基于深度学习的CSI压缩反馈方法.该方法首先采用卷积神经网络(Convolutional Neural Network,CNN)提取信道特征矢量,然后利用最大池化(Maxpooling)网络压缩CSI,最后考虑到大规模MIMO信道存在空间相关性的特点,分别对单用户和多用户场景使用双向长短期记忆(Bidirectional Long Short-Term Memory,Bi-LSTM)网络和双向卷积长短期记忆(Bidirectional Convolutional Long Short-Term Memory,Bi-ConvLSTM)网络对CSI进行重构.本文利用大规模MIMO信道数据对所提的深度学习网络进行离线训练,该网络学习到的信道信息能充分表征信道的状态.仿真结果表明,与已有的典型CSI反馈方法相比,本文所提方法反馈精度更高,运行时间更短,系统性能提升明显.展开更多
文摘随着高速铁路的快速发展,高铁用户对移动互联网的需求与日俱增。高铁环境下,信道处于快时变状态,列车速度越高,信道变化越快,信道状态信息(channel state information,CSI)存在严重的不准确性。针对此问题,首先对高铁环境下的CSI建模,通过统计特性与瞬时CSI对其进行动态修正。同时,为了保障高铁在运行过程中获得最佳的系统容量,还提出一种基于自适应波束成形的干扰对齐方法;该方法将天线分成两组,通过设计预编码,使干扰对齐到零空间,从而在接收端消除干扰。数值结果表明,所提的方法能很好地适应高速移动场景,达到最优的系统容量。
文摘针对频分双工(Frequency Division Duplexing,FDD)大规模多入多出(Multiple-Input Multiple-Output,MIMO)系统中现有信道状态信息(Channel State Information,CSI)反馈方法复杂度高、反馈精度低的问题,本文提出一种基于深度学习的CSI压缩反馈方法.该方法首先采用卷积神经网络(Convolutional Neural Network,CNN)提取信道特征矢量,然后利用最大池化(Maxpooling)网络压缩CSI,最后考虑到大规模MIMO信道存在空间相关性的特点,分别对单用户和多用户场景使用双向长短期记忆(Bidirectional Long Short-Term Memory,Bi-LSTM)网络和双向卷积长短期记忆(Bidirectional Convolutional Long Short-Term Memory,Bi-ConvLSTM)网络对CSI进行重构.本文利用大规模MIMO信道数据对所提的深度学习网络进行离线训练,该网络学习到的信道信息能充分表征信道的状态.仿真结果表明,与已有的典型CSI反馈方法相比,本文所提方法反馈精度更高,运行时间更短,系统性能提升明显.
