Channel Compression and Feedback相关论文阅读笔记

---

论文1：Recursive CSI Quantization of Time-Correlated MIMO Channels by Deep Learning Classification (有源码)

论文链接：https://ieeexplore.ieee.org/document/9210853
仿真源码：https://github.com/StefanSchwarzTUW/MultiStage-Grassmannian-DNN

文章主要内容：利用DNN分类器处理大规模MIMO系统中基于格拉斯曼流形(Grassmannian，维基上定义是：一个向量空间V的给定维数的所有线性子空间)的循环多阶段量化CSI问题，主要目的是降低实现复杂度。
信道模型： MIMO系统，n个发射天线，m个接收天线，n > m；考虑瑞利衰落信道，并在空间上不相关。假设信道遵循静态高斯平稳过程，由时间延迟△k引起的信道时间自相关函数为：

采用克拉克多普勒频谱(Clarke’s Doppler spectrum), Γ[△k]为：
Grassmannian量化： 一种在receiver处量化CSI的技术，将压缩的CSI发送给transmitter。根据Grassmannian定义可知利用的是子空间，所以我们先对H[k]进行奇异值分解(SVD)：

利用 H[k] 的左奇异值向量空间 U[k] (子空间)来代表压缩的CSI(U[k]可扩展到H[k])。
单阶段量化：本文简要概括了单阶段Grassmannian量化步骤：

• 利用搜索法寻找U[k]与量化码本方案Q(由半酉矩阵组成)的最小弦距离：
  
• 计算量化失真：
  
• 选择性更新CSI：
  

多阶段量化：本文给出了R阶循环量化的步骤：

• 利用搜索法寻找每个B[k]与对应小码本方案Q的最小弦距离，并循环更新：
  
  个人理解，R阶段体现：将码本分成R部分，每一部分是$Q_{d_i}^{d_{i-1}}$ ，$d_0=n,d_R=m$。若维度步长设置为1，则将$Q_{d_i}^{d_{i-1}}$分成$Q_{d_1}^{d_0}，Q_{d_2}^{d_1}，\dots ，Q_{d_R}^{d_{R+1}}$。其中$B_i[k]$为每个阶段的CSI代表，$W_i[k]$为每个阶段的局部最优的码本方案。
  多阶段复杂度减小体现：对于一个b比特CSI量化，单阶段量化所需码本大小为$2^b$。对于均匀比特分配的R阶段来说，总码本大小为${\sum }_{i=1}^R{2}^{b_i}={\sum }_{i=1}^R{2}^{\frac{b}{R}}=2^{\frac{b}{R}}R\ll 2^b$
• 计算量化失真：
  
  
• 选择性阶段更新：首先判断前$r$阶段不需要更新的话，最大的r值：
  
  之后的阶段按照式(6)准则去更新，这里需要注意的是，应该代入的是$B[k]$ (代表$U[k]$)和$W[k-1]$(代表$\hat{U}[k-1]$)。

深度学习分类：多阶段下的每个阶段只有$b_i(b_i<<b)$个量化开销，所以可以用分类来进行选择量化方案(码字)。神经网络采用的很简单的softmax回归模型：

(这里选择最好的码字跟图像识别里面选择最像的图片一个道理)。其中训练样本是通过穷搜索法获得(学习源码更容易理解)。

论文2：Multi-resolution CSI Feedback with Deep Learning in Massive MIMO System（有源码）

论文链接：https://ieeexplore.ieee.org/document/9149229
源码地址： https://github.com/Kylin9511/CRNet
本文提出了一种新颖的反馈网络，可以更加细致地提取信道特征，并且给出了一种比较好的训练方案。