廖勇，王世义

（重庆大学微电子与通信工程学院，重庆 400044）

0 引言

大规模多输入多输出（MIMO,multiple input multiple output）技术作为5G 通信系统的关键技术，具有频谱利用率高[1]、系统容量大和系统稳健性强[2]等优点。因此，大规模MIMO 技术受到学术界和工业界的持续关注。然而，大规模MIMO 技术的显著优势建立在发射机可以获得下行链路信道状态信息（CSI,channel state information）[3]的基础上。在频分双工（FDD,frequency division duplex）大规模MIMO 系统中，基站（BS,base station）需要接收用户端（UE,user equipment）反馈的下行链路CSI，然而大规模天线阵列的使用会导致CSI 反馈开销急剧增加，同时CSI 反馈也会受到信道中噪声与非线性效应的影响，导致系统性能降低。因此，如何在实际应用中降低CSI 的反馈开销、克服信道噪声与非线性效应的影响成为亟待解决的问题[4]。

为了降低反馈开销，一种有效的方法是对CSI矩阵进行压缩，常见的有基于压缩感知（CS,compressed sensing）的方法[5]和基于深度学习（DL,deep learning）的方法[6]。基于CS 的传统算法要求CSI 矩阵在某个变换域上足够稀疏，可以寻找合适的稀疏基，然而实际的信道环境很难满足要求，特别是在压缩率较大的情况下。近年来，人工智能（AI,artificial intelligence）和DL 受到了广泛关注，这启发了研究人员将DL应用在通信领域以克服传统CS算法的缺陷。文献[7]提出了一种用于CSI 压缩和恢复的名为CsiNet 的自动编码器模型，其在UE 处将下行链路CSI 压缩成低维码字，并通过信道传输，随后BS 接收并恢复反馈码字。与基于CS 的传统算法相比，CsiNet 可以获得更好的反馈性能。在此之后，研究人员对该模型进行了扩展。文献[8]利用上行链路和下行链路CSI 之间的相关性，提出通过上行CSI 恢复下行CSI 的方法，以降低CSI 反馈开销。……