摘要
作为第五代移动通信系统的关键技术之一，大规模多输入多输出（MIMO，Multiple-InputMultiple-Output）将在第六代移动通信系统中得到进一步发展。目前，大规模MIMO系统主要采用了两种不同的制式：时分双工（TDD，TimeDivisionDuplexing）和频分双工（FDD，FrequencyDivisionDuplexing）。相较于TDD，FDD具有可以利用零散频段、频谱利用效率高、高速场景下更稳定等优势。然而，FDD上下行传输工作频段不同，导致其上下行信道状态信息（CSI，ChannelStateInformation）互易性较弱，因此用户需要将CSI反馈至基站。在大规模MIMO系统中，CSI反馈的开销随着天线维度的增加而增加。基于深度学习（DL，DeepLearning）的CSI反馈因其优秀的重建性能、较小的反馈开销和较低的复杂度，受到工业界和学术界的广泛关注。本文对大规模MIMO系统中基于DL的CSI反馈关键技术展开研究。 首先，针对上述FDD大规模MIMO系统中CSI的反馈难题，研究基于DL的CSI反馈技术方案。针对CSI反馈架构设计，概述DL基础理论，并对三种经典的神经网络（NN，NeuralNetwork）结构以及自编码器结构展开原理和结构分析，为CSI反馈网络搭建奠定理论基础，针对基于DL的CSI反馈，详细阐述基于全连接自编码器的CSI反馈和基于全卷积自编码器的CSI反馈两种经典CSI反馈方案的网络结构和反馈过程，并阐明其设计思想和性能优势，表明将DL技术引入FDD大规模MIMO系统CSI反馈的必要性，从NN架构设计、相关性利用、联合设计和实际考虑这四种不同的研究方向，简要归纳基于DL的CSI反馈近期相关研究，并阐述各自的中心思想和性能优势，为研究基于DL的CSI反馈方案提供理论支撑并指明技术方向。 接着，针对基于深度展开的CSI反馈技术，考虑实际传输的CSI反馈量化过程，研究基于深度展开的数字CSI反馈设计，引入DL技术削弱量化误差带来的影响。建立典型的大规模MIMO系统模型，介绍图像重建领域的压缩重建方案，作为基于深度展开的CSI反馈框架的理论基础，简述深度展开的设计思路，构建深度展开的NN模型，并考虑实际系统中的量化误差问题，分别引入捷径结构和近似量化技术，在此基础上将这两种技术结合，设计一种基于深度展开的数字CSI反馈框架及训练策略，以进一步提高网络性能，根据信道数据及仿真参数配置，从重建性能、通用性的角度进行测试与分析，仿真结果表明：捷径和近似量化方案都能有效地减少量化层带来的性能损失，两种方案的结合可以进一步提高基于深度展开的CSI反馈网络的重建性能，同时具有一定的通用性。 最后，针对基于知识蒸馏（KD，KnowledgeDistillation）的CSI反馈技术，研究编码器KD的CSI反馈设计，通过优化网络训练策略降低训练开销。建立大规模MIMO系统模型，引入基于DL的CSI反馈模型，作为编码器KD的CSI反馈设计的基本框架，针对基于KD的CSI反馈框架训练复杂度高的问题，同时为了提升性能，提出一种编码器KD的CSI反馈框架，包括系统框图和训练策略，结合实际部署情况设计一种保护知识产权的编码器KD变体，根据信道数据及仿真参数配置，从重建性能、推理计算复杂度、训练计算复杂度、泛化性等多个方面对上述几种网络进行性能测试与分析，仿真结果表明：基于KD的方法可以在保证CSI反馈性能的同时，显著降低网络的推理计算复杂度，而编码器KD的方法可以进一步提高反馈性能并减少训练所需时间，同时还能够有效提高对不同场景、环境和设置的泛化性。
NETL