[论文解读] Multi-resolution CSI Feedback with deep learning in Massive MIMO System

Zhilin Lu, Jintao Wang+1 more|arXiv (Cornell University)|Oct 31, 2019

Advanced MIMO Systems Optimization参考文献 17被引用 10

一句话总结

本文提出CRNet，一种基于深度学习的多分辨率信道状态信息（CSI）反馈网络，用于大规模MIMO系统，通过采用受Inception模块启发的CRBlock实现多尺度特征提取，并结合卷积分解技术，显著提升了重建精度。借助使用预热余弦退火学习率调度器的先进训练方案，CRNet在与CsiNet相同的计算复杂度下实现了更低的NMSE，证明了其在无需额外信息条件下的优越性能。

ABSTRACT

In massive multiple-input multiple-output (MIMO) system, user equipment (UE) needs to send downlink channel state information (CSI) back to base station (BS). However, the feedback becomes expensive with the growing complexity of CSI in massive MIMO system. Recently, deep learning (DL) approaches are used to improve the reconstruction efficiency of CSI feedback. In this paper, a novel feedback network named CRNet is proposed to achieve better performance via extracting CSI features on multiple resolutions. An advanced training scheme that further boosts the network performance is also introduced. Simulation results show that the proposed CRNet outperforms the state-of-the-art CsiNet under the same computational complexity without any extra information. The open source codes are available at https://github.com/Kylin9511/CRNet

研究动机与目标

• 为解决大规模MIMO系统中因CSI矩阵维度庞大而导致的高反馈开销问题。
• 通过深度学习实现高效压缩，提升FDD大规模MIMO系统中的CSI重建精度。
• 设计一种神经网络架构，有效捕捉多分辨率CSI特征，以在不同信道条件和压缩比下实现更好的泛化能力。
• 开发一种先进训练方案，提升模型收敛性与性能，同时不增加计算成本。
• 证明架构创新与训练策略的结合可显著超越当前最先进方法（如CsiNet）的性能。

提出的方法

• 提出CRNet，一种新型深度神经网络，采用受Inception模块启发的多分辨率CRBlock，以在多个尺度上提取特征。
• 利用卷积分解技术，在不增加浮点运算次数（flops）的前提下扩展空间分辨率。
• 引入预热辅助的余弦学习率调度器，以提升训练稳定性和收敛性。
• 采用编码器-解码器结构并结合残差连接，实现端到端的CSI重建。
• 应用离散傅里叶变换（DFT）将CSI从空域-频域转换至角域-延迟域，以利用信道的稀疏特性。
• 采用Leaky ReLU激活函数，并优化负斜率（0.3），以增强训练稳定性和性能。

实验结果

研究问题

• RQ1 与单尺度网络相比，多分辨率深度学习架构是否能显著提升大规模MIMO系统中的CSI反馈性能？
• RQ2 在CSI反馈中，卷积分解如何在不增加计算复杂度的前提下实现性能提升？
• RQ3 先进的训练方案（如预热余弦学习率调度）是否能显著提升CSI反馈任务中的模型性能？
• RQ4 在相同计算约束下，CRNet相较于当前最先进方法（如CsiNet）的性能提升程度如何？
• RQ5 CRNet的性能对超参数（如Leaky ReLU的负斜率或主干卷积设计）的敏感程度如何？

主要发现

• 在相同计算复杂度下，CRNet相比CsiNet实现了显著更低的NMSE，在1/4压缩比的室内场景下性能增益最高达3.2 dB。
• 采用2500个周期的先进训练方案与余弦学习率调度器，能更有效地降低NMSE，CRNet的损失持续下降，而CsiNet的损失趋于平缓。
• CRNet中使用5×5主干卷积层相比移除该层可提升约1.5 dB性能，尽管效果相对有限，归因于多分辨率架构的鲁棒性。
• Leaky ReLU的负斜率设为0.3时性能最佳；更小的斜率（如0.01）会阻碍优化过程并导致性能下降。
• CRNet的多分辨率设计降低了不同场景下的性能波动，训练过程中NMSE波动随时间减小，表明模型稳定性提升。
• 所提出的训练方案能有效减少过拟合，表现为CsiNet与CRNet的训练与测试损失曲线高度一致。