[论文解读] Deep Learning-based CSI Feedback Approach for Time-varying Massive MIMO Channels

Tianqi Wang, Chao-Kai Wen+2 more|arXiv (Cornell University)|Jul 31, 2018

Full-Duplex Wireless Communications参考文献 12被引用 4

一句话总结

该论文提出CsiNet-LSTM，一种基于深度学习的CSI反馈框架，用于时变大规模MIMO信道，通过将长短期记忆（LSTM）网络与基于CNN的自编码器结合，以利用时域相关性和空域结构。与现有的压缩感知和深度学习方法相比，该方法在重建精度和压缩比降低时的鲁棒性方面表现更优，在室内和室外场景中分别实现了高达94%和10%的NMSE改善，同时通过GPU加速保持了实时可行性。

ABSTRACT

Massive multiple-input multiple-output (MIMO) systems rely on channel state information (CSI) feedback to perform precoding and achieve performance gain in frequency division duplex (FDD) networks. However, the huge number of antennas poses a challenge to conventional CSI feedback reduction methods and leads to excessive feedback overhead. In this article, we develop a real-time CSI feedback architecture, called CsiNet-long short-term memory (LSTM), by extending a novel deep learning (DL)-based CSI sensing and recovery network. CsiNet-LSTM considerably enhances recovery quality and improves trade-off between compression ratio (CR) and complexity by directly learning spatial structures combined with time correlation from training samples of time-varying massive MIMO channels. Simulation results demonstrate that CsiNet- LSTM outperforms existing compressive sensing-based and DLbased methods and is remarkably robust to CR reduction.

研究动机与目标

• 解决FDD制式大规模MIMO系统中因大量天线和时变信道条件导致的高反馈开销问题。
• 克服传统压缩感知和码本方法的局限性，后者存在模型失配和高复杂度的问题。
• 利用时变信道中的时域相关性，在不增加反馈开销的前提下提升CSI恢复质量。
• 开发一种端到端、实时的深度学习框架，联合学习空域结构和时域动态，以实现高效的CSI反馈。
• 在压缩比、重建精度和计算复杂度之间实现优于最先进方法的平衡。

提出的方法

• 在CsiNet自编码器架构基础上引入长短期记忆（LSTM）网络，以建模时变大规模MIMO信道中的时域相关性。
• 使用二维离散傅里叶变换（2D-DFT）将CSI矩阵转换为近似稀疏的角域-延迟域表示，从而实现高效压缩。
• 应用基于CNN的编码器将CSI压缩为低维码字，随后通过LSTM层对时间序列上的码字进行处理，以优化预测结果。
• 使用解码器网络从LSTM处理后的特征中重建CSI，整个系统通过反向传播进行端到端训练。
• 整合时间维度上的码字拼接，为低压缩比解码提供更丰富的测量信息，从而提升恢复质量。
• 使用COST 2100模型在室内和室外移动场景下获取的真实信道轨迹对模型进行训练和测试。

实验结果

研究问题

• RQ1 与传统的压缩感知和标准深度学习方法相比，LSTM增强的深度学习架构是否能显著提升时变大规模MIMO信道中的CSI重建质量？
• RQ2 通过LSTM引入时域相关性后，在高压缩比下CSI反馈的性能退化程度如何降低？
• RQ3 所提出的CsiNet-LSTM框架在重建精度、波束成形增益和计算延迟方面，与现有的基于CS和DL的CSI反馈方法相比表现如何？
• RQ4 通过LSTM集成时域动态是否能够实现真正意义上的实时、低开销CSI反馈，适用于FDD大规模MIMO系统的实际部署？
• RQ5 CsiNet-LSTM框架在不同传播环境下的信道条件变化和压缩比变化中表现出多高的鲁棒性？

主要发现

• CsiNet-LSTM在所有压缩比下均实现了最低的归一化均方误差（NMSE），在室内和室外场景中，压缩比从1/16降至1/64时，NMSE分别降低了94%和10%。
• 波束成形增益（以余弦相似度ρ衡量）在室内场景中压缩比为1/16时达到0.99，在室外场景中达到0.95，显著优于基于CS的方法（后者低于0.5）。
• 即使在低压缩比下，CsiNet-LSTM仍能保持高质量的重建性能，当压缩比从1/16降至1/64时，室内和室外环境的NMSE性能损失分别仅为8%和10%。
• 该框架支持实时重建，单个CSI矩阵的运行时间仅为0.0003秒（GPU上），远低于0.04秒的反馈周期，具备实际部署可行性。
• 与CsiNet相比，CsiNet-LSTM在NMSE上实现了数倍的提升，尤其在低压缩比下优势明显，同时仅带来适度的延迟增加（从0.0001秒增至0.0003秒），展现出精度与效率之间的有利权衡。
• 时间维度上的码字拼接显著提升了后续信道矩阵的恢复质量，例如在室内场景中，t=2到T的平均NMSE为-14.74 dB，显著低于首帧矩阵的-8.35 dB。