[论文解读] Deep UL2DL: Channel Knowledge Transfer from Uplink to Downlink

Mohammad S. Safari, Vahid Pourahmadi+1 more|arXiv (Cornell University)|Dec 16, 2018

Millimeter-Wave Propagation and Modeling参考文献 32被引用 16

一句话总结

该论文提出了一种数据驱动的深度学习框架 Deep UL2DL，用于在FDD系统中无反馈地从上行链路CSI预测下行链路信道状态信息（CSI）。通过使用卷积神经网络（CNNs）和生成对抗网络（GANs），特别是边界均衡GAN（BEGAN），该方法从上行链路信道中学习潜在的传播特性，从而在EVA和ETU多径环境中实现低NMSE的准确下行链路CSI预测。

ABSTRACT

Knowledge of the channel state information (CSI) at the transmitter side is one of the primary sources of information that can be used for the efficient allocation of wireless resources. Obtaining downlink (DL) CSI in Frequency Division Duplexing (FDD) systems from uplink (UL) CSI is not as straightforward as in TDD systems. Therefore, users usually feed the DL-CSI back to the transmitter. To remove the need for feedback (and thus having less signaling overhead), we propose to use two recent deep neural network structures, i.e., convolutional neural networks and generative adversarial networks (GANs) to infer the DL-CSI by observing the UL-CSI. The core idea of our data-driven scheme is exploiting the fact that both DL and UL channels share the same propagation environment. As such, we extracted the environment information from the UL channel response to a latent domain and then transferred the derived environment information from the latent domain to predict the DL channel. To overcome incorrect latent domain and the problem of oversimplistic assumptions, in this work, we did not use any specific parametric model and instead used data-driven approaches to discover the underlying structure of data without any prior model assumptions. To overcome the challenge of capturing the UL-DL joint distribution, we used a mean square error-based variant of the GAN structure with improved convergence properties called boundary equilibrium GAN (BEGAN). For training and testing we used simulated data of Extended Vehicular-A (EVA) and Extended Typical Urban (ETU) models. Simulation results verified that our methods can accurately infer and predict the downlink CSI from the uplink CSI for different multipath environments in FDD communications.

研究动机与目标

• 解决FDD系统中因需从用户反馈下行链路CSI而导致的高反馈开销和延迟问题。
• 克服现有参数化方法的局限性，这些方法依赖于限制性假设（例如，频率无关的路径损耗、到达角-离开角差异较小）。
• 利用上行链路信道观测，实现无需先验信道模型的准确、数据驱动的下行链路CSI预测。
• 开发一种可在FDD大规模MIMO系统中跨不同多径环境和用户速度泛化的框架。

提出的方法

• 使用潜在域表示，通过卷积神经网络从上行链路CSI中提取传播环境特征。
• 采用边界均衡GAN（BEGAN）架构，对上行链路和下行链路信道的联合分布进行建模，提升训练稳定性和收敛性。
• 在模拟的EVA和ETU信道模型上端到端训练网络，学习从上行链路到下行链路CSI的映射关系，无需先验参数假设。
• 通过将每个发射-接收天线对视为独立链路，将方法扩展至MIMO，实现在单对训练下对完整MIMO信道的预测。
• 在EVA和ETU数据拼接的基础上训练单一多环境网络，以实现对不同传播场景的泛化能力。
• 通过在未见过的用户速度下评估训练好的模型，测试其对不同用户速度的泛化能力（例如，50 km/h训练，其他速度在测试时使用）。

实验结果

研究问题

• RQ1 在FDD系统中，是否能够通过数据驱动的深度学习模型，在无需显式反馈或参数假设的情况下，准确从上行链路CSI预测下行链路CSI？
• RQ2 基于CNN的直接预测方法与基于GAN的生成方法在预测下行链路CSI方面的性能相比如何？
• RQ3 单一深度学习模型在多径环境（例如EVA与ETU）和用户速度之间具有多大程度的泛化能力？
• RQ4 所提出的方法是否能在复杂多径环境（如EVA和ETU）中实现低NMSE，而无需依赖信道互易性或波束成形假设？

主要发现

• 基于BEGAN的生成方法在ETU 2×2 MIMO信道上实现了0.0359的NMSE，表明其能有效建模复杂的多径结构。
• 基于CNN的直接方法在EVA 2×2 MIMO信道上实现了0.0108的NMSE，表明其在复杂度较低的环境中表现优异。
• 在EVA和ETU模型上联合训练的单一网络实现了介于各独立模型误差之间的泛化性能，证明了跨环境能力。
• 即使在测试时使用与训练时不同的用户速度，训练好的模型仍保持高预测精度，表明对移动性变化具有鲁棒性。
• 该方法仅使用上行链路CSI，成功预测了时间、频率和MIMO维度上的完整下行链路CSI，消除了反馈开销。
• 仿真结果证实，数据驱动方法优于传统参数化方法，避免了诸如频率无关路径损耗等不现实假设。