[论文解读] Enabling FDD Massive MIMO through Deep Learning-based Channel Prediction

Maximilian Arnold, Sebastian Dörner+4 more|arXiv (Cornell University)|Jan 8, 2019

Full-Duplex Wireless Communications参考文献 25被引用 45

一句话总结

该论文提出基于深度学习的方法，在 FDD Massive MIMO 的相邻频段上从上行 CSI 预测下行 CSI，从而在无需下行 Pilot 开销的情况下实现闭环预编码。结果表明在 SISO 和 MIMO 模型以及测量中可行，与 TDD 相比有适度的光谱效率损失。

ABSTRACT

A major obstacle for widespread deployment of frequency division duplex (FDD)-based Massive multiple-input multiple-output (MIMO) communications is the large signaling overhead for reporting full downlink (DL) channel state information (CSI) back to the basestation (BS), in order to enable closed-loop precoding. We completely remove this overhead by a deep-learning based channel extrapolation (or "prediction") approach and demonstrate that a neural network (NN) at the BS can infer the DL CSI centered around a frequency $f_ ext{DL}$ by solely observing uplink (UL) CSI on a different, yet adjacent frequency band around $f_ ext{UL}$; no more pilot/reporting overhead is needed than with a genuine time division duplex (TDD)-based system. The rationale is that scatterers and the large-scale propagation environment are sufficiently similar to allow a NN to learn about the physical connections and constraints between two neighboring frequency bands, and thus provide a well-operating system even when classic extrapolation methods, like the Wiener filter (used as a baseline for comparison throughout) fails. We study its performance for various state-of-the-art Massive MIMO channel models, and, even more so, evaluate the scheme using actual Massive MIMO channel measurements, rendering it to be practically feasible at negligible loss in spectral efficiency when compared to a genuine TDD-based system.

研究动机与目标

• 激励并应对 FDD Massive MIMO 中 DL CSI 报告的高信令开销。
• 提出一种基于神经网络的 CSI 外推，从 UL 到相邻的 DL 频带。
• 在简单的 LoS、标准化信道模型和实际测量中评估该方法。
• 量化光谱效率的影响并与 Wiener 滤波基线进行比较。

提出的方法

• 将 CSI 预测建模为回归任务，其中输入是 UL CSI，目标是在 OFDM 子载波上覆盖 DL CSI。
• 使用卷积神经网络（CNN）架构来利用 OFDM 信道中的频域相关性。
• 在各种信道模型和测量数据上的带标签对 (h_UL, h_DL) 上训练网络。
• 将神经网络预测与 Wiener 滤波（LMMSE）基线以及解析的 LoS 解决方案进行比较。
• 使用 NMSE、相关系数和 BER 进行评估，以将 CSI 预测与系统性能联系起来。

实验结果

研究问题

• RQ1 当 DL 带在频率上相邻时，神经网络能否从 UL CSI 预测 DL CSI？
• RQ2 在 LoS 和 NLoS 信道模型以及测量信道中，基于 NN 的预测表现如何？
• RQ3 相比传统估计量，对光谱效率和 BER 的影响是多少？
• RQ4 该方法是否能从 SISO 泛化到 MIMO 场景和实际测量？

主要发现

• 神经网络能够在 SISO 情况下从 UL CSI 预测 DL CSI，覆盖 LoS 和某些标准化模型。
• 在许多场景中，Wiener 滤波在频率外推上失败，而在有足够训练时，NN 提供稳健预测。
• 预测获得可用的相关系数（例如，在 LoS 下对若干模型 δ_h ≳ 0.8）并且在 32 天线设置中光谱效率损失可控（≈10% LoS, ≈20% NLoS）。
• 测量数据表明在实际中可行，信噪比约为 20 dB，每个场景 4,000 个样本。
• 预测性能随更大的 UL-DL 带间隔和某些 NLoS 模型而下降，但随着更多训练数据和合适的环境建模而提升。
• 该方法不依赖信道稀疏性，即使在 SISO 情况下也适用，通过独立估计器实现简单 MIMO。