邵 凯, 杜自群, 王光宇,3

(1. 重庆邮电大学通信与信息工程学院, 重庆 400065; 2. 教育部移动通信工程研究中心, 重庆 400065;3. 移动通信技术重庆市重点实验室, 重庆 400065)

0 引 言

在大规模多输入多输出(multiple input multiple output, MIMO)系统中,信道状态信息(channel state information, CSI)的准确性直接影响系统的整体性能,在预编码、波束赋形、信道估计和信号解调等方面发挥着极其重要的作用。在时分双工(time division duplex, TDD)制式下,下行链路的CSI可以利用信道互易性通过上行链路推测而得到[1]。而在频分双工(frequency division duplex, FDD)制式下,上下行链路呈现弱互易性,下行链路的CSI不能通过上行链路推测获得,需要在用户端获得并通过上行链路反馈给基站。由于大规模MIMO系统天线数量激增,CSI反馈机制会带来巨大的反馈开销,占用了大量上行链路时频资源,严重影响了系统性能。

为了解决大规模MIMO系统CSI反馈开销大的问题,业界对CSI反馈方法开展了广泛的研究,例如基于码本[2-4]、基于信道特性[5-8]、基于压缩感知(compressed sensing,CS)[9-11]、基于深度学习(deep learning,DL)[12-14]等的反馈方法。在基于码本的反馈中,用户和基站通过预先设定的码本,以编码的“索引”方式交流CSI信息,但码本大小随天线数成比例增加,最优码字搜索算法也会愈加复杂。基于信道特性的反馈利用大规模MIMO的信道统计特性和时域、空域等表现出的相关性进行分组处理,可以大大减少反馈信息,但在现实通信场景中,不易获取大规模MIMO系统的统计特性,限制了其实际应用。

CS方法和DL方法都致力于提取CSI特征,降低反馈信息维度。例如主成分分析(principal components analysis,PCA)方法[9]、分布式压缩感知[10]和卡洛南变换(Karhunen-Loeve transform,KLT)[11]等压缩采样类方法尝试将信道矩阵通过稀疏基变换到稀疏域,通过CS观测矩阵对信号进行压缩降维。……