一种基于深度学习的FDD大规模MIMO系统CSI反馈方法OA北大核心CSCDCSTPCD

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.