Abstract
在FDD大规模MIMO中,可以将上行链路信道映射到下行链路信道,或者可以将一个天线子集的下行链路信道映射到所有其他天线的下行链路信道。
作者介绍了空间和频率中信道映射的新概念,其中将一组天线和一个频段上的信道映射到另一组天线和一个频段上的信道。
通过使用深度学习来找寻这种函数映射关系,结果表明,即使64个天线处于不同的频带,仅在4-8个天线处获取的信道也可以有效地映射到所有64个分布式天线上的信道。
这么做的目的是,凭借深度神经网络强大的学习能力,减少mmWave和大规模MIMO系统中的训练和反馈开销。
introduction
这种函数映射关系有什么用呢?
在FDD场景下
在TDD场景下
- 在TDD无小区大规模MIMO的情况下,此映射意味着仅分布式终端的一个子集上的信道需要馈送到中央处理单元,该中央处理单元将使用它们来预测所有其他终端上的信道,这减少了前传信令开销,并允许这些分布式系统扩展。
SYSTEM AND CHANNEL MODELS
Deep Learning for TDD and FDD Massive MIMO: Mapping Channels in Space and Frequency论文阅读AbstractintroductionSYSTEM AND CHANNEL MODELS基于神经网络的信道映射关系 信道模型:
Deep Learning for TDD and FDD Massive MIMO: Mapping Channels in Space and Frequency论文阅读AbstractintroductionSYSTEM AND CHANNEL MODELS基于神经网络的信道映射关系 构造一个映射问题
是否天线集合M1,频率f1能映射到另一个天线集合与载波频率呢?
Deep Learning for TDD and FDD Massive MIMO: Mapping Channels in Space and Frequency论文阅读AbstractintroductionSYSTEM AND CHANNEL MODELS基于神经网络的信道映射关系 基于神经网络的信道映射关系
上文提到的信道映射关系与多种因素有关,包括几何位置,材料等,传统的方法基本无法对此建模,作者提出使用神经网络来建模。
学习与预测
学习就是训练模型,预测就是部署模型
训练数据
相干时间内
上行,子天线集合M1,信道信息
Deep Learning for TDD and FDD Massive MIMO: Mapping Channels in Space and Frequency论文阅读AbstractintroductionSYSTEM AND CHANNEL MODELS基于神经网络的信道映射关系 下行,天线集合M2
Deep Learning for TDD and FDD Massive MIMO: Mapping Channels in Space and Frequency论文阅读AbstractintroductionSYSTEM AND CHANNEL MODELS基于神经网络的信道映射关系 第一项为输入网络的数据,第二项为标签
Deep Learning for TDD and FDD Massive MIMO: Mapping Channels in Space and Frequency论文阅读AbstractintroductionSYSTEM AND CHANNEL MODELS基于神经网络的信道映射关系