針對(duì)頻分雙工（Frequency Division Duplexing,FDD）大規(guī)模多入多出（Multiple-Input Multiple-Output,MIMO）系統(tǒng)中現(xiàn)有信道狀態(tài)信息（Channel State Information,CSI）反饋方法復(fù)雜度高、反饋精度低的問(wèn)題,本文提出一種基于深度學(xué)習(xí)的CSI壓縮反饋方法.該方法首先采用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）提取信道特征矢量,然后利用最大池化（Maxpooling）網(wǎng)絡(luò)壓縮CSI,最后考慮到大規(guī)模MIMO信道存在空間相關(guān)性的特點(diǎn),分別對(duì)單用戶和多用戶場(chǎng)景使用雙向長(zhǎng)短期記憶（Bidirectional Long Short-Term Memory,Bi-LSTM）網(wǎng)絡(luò)和雙向卷積長(zhǎng)短期記憶（Bidirectional Convolutional Long Short-Term Memory,Bi-ConvLSTM）網(wǎng)絡(luò)對(duì)CSI進(jìn)行重構(gòu).本文利用大規(guī)模MIMO信道數(shù)據(jù)對(duì)所提的深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練,該網(wǎng)絡(luò)學(xué)習(xí)到的信道信息能充分表征信道的狀態(tài).仿真結(jié)果表明,與已有的典型CSI... 

【文章來(lái)源】：電子學(xué)報(bào). 2020,48(06)北大核心EICSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【文章目錄】：
1 引言
2 系統(tǒng)模型
3 基于深度學(xué)習(xí)的大規(guī)模MIMO信道反饋方法
    3.1 網(wǎng)絡(luò)結(jié)構(gòu)
        (1)CNN網(wǎng)絡(luò)與Maxpooling網(wǎng)絡(luò)
        (2) Bi-LSTM網(wǎng)絡(luò)與Bi-ConvLSTM網(wǎng)絡(luò)
    3.2 信號(hào)處理數(shù)據(jù)流
        (1) 壓縮處理
        (2) 解壓處理
    3.3 離線模型訓(xùn)練和在線反饋
4 仿真和分析
    4.1 歸一化均方誤差
    4.2 運(yùn)行時(shí)間
    4.3 誤碼率
    4.4 系統(tǒng)容量
5 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]Deep Learning for Wireless Physical Layer: Opportunities and Challenges[J]. Tianqi Wang,Chao-Kai Wen,Hanqing Wang,Feifei Gao,Tao Jiang,Shi Jin.  中國(guó)通信. 2017(11)



本文編號(hào)：3588481