[论文解读] Deep Learning for Joint Channel Estimation and Feedback in Massive MIMO Systems

Jiajia Guo, Tong Chen+4 more|arXiv (Cornell University)|Nov 14, 2020

Full-Duplex Wireless Communications被引用 6

一句话总结

该论文提出了一种基于深度学习的FDD大规模MIMO系统联合信道估计与反馈框架，采用两个端到端训练的网络——CEFnet（显式）和PFnet（隐式）——实现低反馈开销下的下行CSI估计、压缩与重构。CEFnet在重建性能上表现更优，优于CsiNet，并对信噪比（SNR）变化和量化误差具有鲁棒性。

ABSTRACT

The great potentials of massive Multiple-Input Multiple-Output (MIMO) in Frequency Division Duplex (FDD) mode can be fully exploited when the downlink Channel State Information (CSI) is available at base stations. However, the accurate CSI is difficult to obtain due to the large amount of feedback overhead caused by massive antennas. In this paper, we propose a deep learning based joint channel estimation and feedback framework, which comprehensively realizes the estimation, compression, and reconstruction of downlink channels in FDD massive MIMO systems. Two networks are constructed to perform estimation and feedback explicitly and implicitly. The explicit network adopts a multi-Signal-to-Noise-Ratios (SNRs) technique to obtain a single trained channel estimation subnet that works well with different SNRs and employs a deep residual network to reconstruct the channels, while the implicit network directly compresses pilots and sends them back to reduce network parameters. Quantization module is also designed to generate data-bearing bitstreams. Simulation results show that the two proposed networks exhibit excellent performance of reconstruction and are robust to different environments and quantization errors.

研究动机与目标

• 解决FDD大规模MIMO系统中因大规模信道矩阵导致的高反馈开销问题。
• 克服传统CSI反馈方法（如基于码本或压缩感知的方法）存在的复杂度高和实时性能差的局限性。
• 利用深度学习在单一框架内实现CSI的端到端估计、压缩与重构。
• 设计轻量化且鲁棒的网络结构，适用于用户设备（UE）和基站（BS）的实际部署。
• 集成量化模块，生成高效的比特流用于传输，同时最小化性能损失。

提出的方法

• 提出CEFnet，一种显式网络，通过多SNR训练实现跨不同SNR条件的泛化能力，方法为混合来自多种SNR的训练数据。
• 在CEFnet中采用深度残差网络（ResNet）以从压缩测量中实现高精度的信道重构。
• 设计PFnet作为隐式网络，直接压缩导频信号并反馈，从而减少网络参数与复杂度。
• 引入一种针对码字分布定制的非均匀量化器，以生成承载数据的比特流，实现高效传输。
• 采用监督学习方法，以真实信道矩阵作为目标，对两个网络进行端到端训练。
• 在CEFnet中引入残差学习模块，以提升训练稳定性与重建精度。

实验结果

研究问题

• RQ1 深度学习能否有效替代FDD大规模MIMO系统中传统的压缩感知或码本基CSI反馈方法？
• RQ2 多SNR训练在信道估计中如何提升对不同SNR条件的泛化能力？
• RQ3 隐式反馈方法（PFnet）在保持重建精度的同时，能在多大程度上降低网络复杂度？
• RQ4 所提出的框架对量化误差的敏感程度如何？量化是否能有效集成而不造成性能下降？
• RQ5 在不同信道环境下，所提出的网络与CsiNet等现有方法相比，在性能与鲁棒性方面表现如何？

主要发现

• CEFnet在重建性能上优于PFnet，尤其在室内场景中，所有导频长度与码率下均实现超过1 dB的SNR增益。
• 当导频长度足够长时，CEFnet的重建性能接近理想情况，表明其具备强大的重建能力。
• 两种网络对不同环境及量化误差均表现出鲁棒性，即使在低比特量化下性能损失也最小化。
• 量化对低码率（CR）情况和室内环境的影响更显著，但随着比特数增加，性能仍接近非量化基准。
• UE与BS端的网络延迟极低——分别低于0.5 ms和2.5 ms，适合实时部署。
• 尽管参数量多出14,016个（高于PFnet），CEFnet的推理时间仍快约20 μs，归因于架构效率。