论文总字数：39481字

摘 要

大规模多输入多输出（Multiple-Input Multiple Output，MIMO）系统被广泛认为是第五代无线通信系统的关键技术之一，在频分双工（Frequency Division Duplex，FDD）模式下，需要将下行链路的信道状态信息（Channel State Information，CSI）通过反馈链路传送回基站，才能获得大规模MIMO带来的潜在增益。由于天线数量显著增长，传统基于码本或矢量量化的反馈方案面临较大技术挑战，研究适用于大规模MIMO系统的有限信道反馈方案成为亟待解决的难题。近年来，以深度学习（Deep Learning，DL）技术为代表的人工智能迅猛发展，为CSI反馈方案带来新的设计思路。因此，本文旨在研究基于DL的FDD大规模MIMO系统CSI反馈及重建技术。

首先，本文研究CSI反馈的基本原理，建立了FDD大规模MIMO系统模型并分析了CSI在角度时延域的稀疏性，阐述压缩感知理论和常用量化方法，为设计基于DL的有限信道反馈方案奠定理论基础。

接着，本文调研三种神经网络的基本结构和特性，提出了基于现有CSI反馈网络CsiNet的修改网络IM_CsiNet，在此基础上引入量化模块和逆量化模块，构建了一种新型CSI反馈架构CsiQuanNet，并针对逆量化模块设计了两种结构的量化误差补偿网络。

最后，本文生成网络训练所需的数据集，阐述网络的代价函数、优化算法等设置，并通过仿真选择合适的量化参数、网络结构、训练方法等对提出的网络架构进行细化。在此架构上提出四种量化方案比较性能，并分析压缩率和量化位数对重建性能的影响。

仿真结果表明，本文提出的IM_CsiNet能够充分利用稀疏特性和细化功能进行CSI重建，具有比现有CsiNet更好的性能；引入量化处理的CsiQuanNet能够产生在实际链路中传输的比特流，解决了现有方案均为浮点反馈的问题，在保证重建质量的同时对量化误差鲁棒，具有较高的现实意义。

关键词：大规模MIMO系统，频分双工，深度学习，CSI反馈，量化

Abstract

Massive multiple-input multiple-output (MIMO) systems have been widely considered as one of the key technologies of the fifth-generation wireless communication systems. In frequency division duplex (FDD) mode, the downlink channel state information (CSI) should be sent back to the base station through the feedback link to obtain the potential gain of massive MIMO. Due to the significant increase in the number of antennas, traditional codebook or vector quantization based feedback schemes face great technical challenges. Studying the limited channel feedback scheme for massive MIMO systems has become an urgent problem to be solved. In recent years, the rapid development of artificial intelligence, typically deep learning (DL) technology has brought new design ideas to CSI feedback solutions. Therefore, this paper aims to study the DL-based techniques of CSI feedback and reconstruction for FDD massive MIMO systems.

First, we study the basic principles of CSI feedback, establish a model of FDD massive MIMO systems and analyze the sparse nature of CSI in the angular-delay domain. Meanwhile, we expound the theory of compressed sensing and commonly used quantization methods in order to lay a theoretical foundation for designing a DL-based limited channel feedback scheme.

Then, we investigate the basic structure and characteristics of three neural networks. Based on the existing CSI feedback network CsiNet, we propose a modified network, called IM_CsiNet. Besides, by introducing the quantization and inverse quantization module, we design a new CSI feedback architecture, called CsiQuanNet and come up with two kinds of quantitative compensation networks for the inverse quantization module.

Finally, we generate the data set needed for network training and expound the cost function and optimization algorithms of the network. We refine the proposed network architecture by selecting appropriate quantization parameters, network structure and training methods. Meanwhile, we propose four kinds of quantization scheme for comparison and analyze the effects of compression ratio and quantization bits on reconstruction performance.

The simulation results show that the proposed IM_CsiNet can fully utilize the sparse and refinement functions for CSI reconstruction, and has better performance than the existing CsiNet. CsiQuanNet that introduces quantization processing can generate the bitstreams transmitted in the actual link, and can solve the problem that the existing schemes are all feedback in floating-point. Furthermore, CsiQuanNet is robust to the quantization error while ensuring the reconstruction quality, which has great practical significance.

Keywords: massive MIMO systems, frequency division duplex, deep learning, CSI feedback, quantization

目 录

摘要 I

Abstract II

第一章 绪论 1

1.1研究背景与意义 1

1.2国内外研究现状 2

1.3主要工作和内容安排 4

第二章 CSI反馈基本原理 6

2.1系统模型 6

2.2压缩感知理论 8

2.3量化方法 9

2.3.1矢量量化 10

2.3.2标量量化 11

2.4本章小结 13

第三章 基于深度学习的CSI反馈架构 14

3.1深度学习基本概念 14

3.1.1深度神经网络 14

3.1.2卷积神经网络 15

3.1.3循环神经网络 16

3.2基于自动编码器的端到端结构设计 17

3.2.1量化CSI反馈的框架流程 17

3.2.2基于自动编码器的网络搭建 18

3.3量化误差补偿网络设计 21

3.4本章小结 23

第四章 实验结果与分析 24

4.1数据集及训练方案 24

4.1.1原始数据生成 24

4.1.2训练方案 25

4.1.3压缩码字生成与数据分布 26

4.2方案选择及结构细化 27

4.2.1非均匀量化参数选择 28

4.2.2两种offset网络性能比较 29

4.2.3 offset训练方法比较 30

4.3网络测试与性能比较 31

4.3.1 IM_CsiNet网络性能分析 31

4.3.2 CsiQuanNet网络性能分析 32

4.4本章小结 35

第五章 结论 36

5.1内容总结 36

5.2未来工作 37

参考文献 38

致 谢 40

第一章 绪论

1.1研究背景与意义

自二十世纪80年代第一代（1^stGeneration，1G）移动通信系统被提出后，移动通信技术正在以十年一代的速度迅猛发展，现如今，第五代（5^thGeneration，5G）移动通信技术已进入商用化早期。但在大数据时代，随着物联网、车联网、虚拟现实等无线新业务的不断涌现，对未来移动通信系统提出了更高的要求，应用边际不断加深，带宽、时延和接入量等性能指标仍然是制约移动通信发展的瓶颈。如何在有限频谱资源下提高频谱利用率仍然是未来通信系统亟待解决的难题，由此提出的大规模MIMO技术具备复用增益、分集增益以及波束成形能力，被广泛认为是第五代无线通信系统的核心技术之一，通过在发射端和接收端配置多根天线实现多收多发，能够充分利用空间资源，在不增加频谱资源和发射功率的前提下，成倍提高信道容量并减少多用户干扰，展现出显著的性能优势。

MIMO系统通常使用时分双工（Time Division Duplexity，TDD）和频分双工（Frequency Division Duplexity，FDD）两种模式，其中FDD作为目前蜂窝系统中应用最广泛的双工模式，使得FDD大规模MIMO系统成为当前MIMO技术的重点研究方向。无线通信的双工技术是指利用信道存取方式在发射端与接收端之间实现双向通信，使通信装置之间能够互相传输信息的技术。基站作为发射端将信息传送给用户端的物理通道称为下行链路；反之，用户端作为发射端将信息传送给基站的物理通道称为上行链路。为了充分利用大规模MIMO的空间复用增益和阵列增益，基站需要精确获知上行链路和下行链路的CSI。上行链路的CSI获取较为容易，只需用户端发送训练导频，再由基站根据接收到的信号估计每个用户终端的信道响应；而下行链路的CSI获取则较为困难，也是当前大规模MIMO系统中需要重点解决的难题。在TDD的MIMO系统中，可通过上行发送的训练导频进行信道估计，再利用信道互易性获取下行链路的CSI，但在实际应用中基站和用户间的信道一般不满足上下行的互易性，需要复杂的校准过程；而在FDD的MIMO系统中，上行链路和下行链路工作在不同的频点上，因此下行链路的CSI需要由用户端通过下行导频估计获得，并通过反馈链路传送回基站端。完整的CSI回传需要消耗大量的链路开销，所以通常采用矢量量化（Vector Quantization，VQ）或基于码本的方法^[1]来减少反馈开销，但这些方法在一定程度上损失了信道信息，且其产生的反馈量会随着发射天线数量进行线性缩放。考虑到基站端使用大量天线，码本设计复杂度和相应的反馈量显著增长，因此这些方法在大规模MIMO系统中是不可取的。

剩余内容已隐藏，请支付后下载全文，论文总字数：39481字