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
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。
