CN117220745B - 基于深度学习的多用户信道状态信息联合压缩反馈方法 - Google Patents
基于深度学习的多用户信道状态信息联合压缩反馈方法 Download PDFInfo
- Publication number
- CN117220745B CN117220745B CN202311481311.XA CN202311481311A CN117220745B CN 117220745 B CN117220745 B CN 117220745B CN 202311481311 A CN202311481311 A CN 202311481311A CN 117220745 B CN117220745 B CN 117220745B
- Authority
- CN
- China
- Prior art keywords
- state information
- channel state
- user
- users
- feedback
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007906 compression Methods 0.000 title claims abstract description 39
- 230000006835 compression Effects 0.000 title claims abstract description 39
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 11
- 108091006146 Channels Proteins 0.000 description 82
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 8
- 238000013139 quantization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于深度学习的多用户信道状态信息联合压缩反馈方法,基站对小区内的所有用户发送下行导频序列,用户将已知导频序列和接收信道对比,通过信道估计获取实时下行信道状态信息,根据数据集训练多用户信道状态信息联合压缩反馈神经网络模型,用户使用编码器网络对下行信道状态信息进行压缩并且量化形成反馈码字,用户上行传输反馈码字,基站接收用户组的混合码字,基站使用解码器网络对混合码字进行解码,重构用户的下行信道状态信息。本发明提供的技术方案使得在复杂的通信环境下,多个用户设备能够更高效地进行信道状态信息反馈,同时不增加反馈延时和资源占用。
Description
技术领域
本发明涉及无线通信技术领域,尤其涉及一种基于深度学习的多用户信道状态信息联合压缩反馈方法。
背景技术
多进多出(Multiple Input Multiple Output,MIMO)技术通过在发射端和接收端部署多根天线,实现同时传输多条数据流,从而提高整个通信系统的吞吐量和频率效率。MIMO技术通过应用数字预编码和波束赋形技术,基站将信号直接对准目标用户,从而减少干扰提高信号质量。因此基站获取精确的下行信道状态信息(Channel StateInformation,CSI)对于后续信号处理是至关重要的。在频分双工(Frequency DivisionDuplexing,FDD)传输模式下,基站无法通过上下行信道互易性直接获得实时CSI,因此基站采用发送CSI参考信号的方式,用户根据参考信号进行信道估计后,将下行CSI反馈给基站。
传统基于码本的CSI反馈方案,码本维度随天线数目的增加而线性增大,在大规模MIMO系统下会占用大量上行传输资源变得不再适用。基于压缩感知的CSI反馈技术虽能减少部分开销,但信道稀疏性的理想假设在实际系统中难以满足,并且基于迭代求解方式对压缩CSI进行恢复会引入新的时延。深度学习在计算机视觉和图像处理领域得到广泛应用,CSI反馈的基本流程是在用户端对信道矩阵进行压缩,压缩后的反馈信息在空口传输,基站对接收到的反馈信息进行解压缩恢复原始信道矩阵。使用正交频分复用(OrthogonalFrequency Division Multiplexing,OFDM)调制进行传输时,信道是由天线和子载波构成的二维矩阵表达,受图像超分辨率问题的启发,将信道矩阵视为二维灰度图片,可使用深度自编码器进行“信道图像”的压缩与恢复,自编码器的双边结构能够很好将编码器网络和解码器网络分离,分别部署在用户和基站两侧,实现使用深度学习进行CSI的压缩反馈。
现有基于深度学习的CSI压缩反馈研究已经开发出了多种多样的神经网络,能够充分提升CSI反馈精度。然而现有CSI反馈机制考虑每个用户到基站的端到端通信场景,如何从单个基站服务多个用户的实际系统出发,设计更加合理且高效的多用户CSI联合反馈机制,进一步减少通信反馈资源的占用,并且不降低用户的反馈精度,是MIMO系统CSI压缩反馈任务亟待解决的重要问题。
发明内容
为解决现有技术存在的局限和缺陷,本发明提供一种基于深度学习的多用户信道状态信息联合压缩反馈方法,包括:
基站向小区内的用户发送下行导频序列;
所述用户将已知导频序列和接收信道进行对比,通过信道估计获取实时下行信道状态信息;
对所述下行信道状态信息进行数据处理,对全信道矩阵进行特征值分解,得到特征向量形式的信道状态信息;随机生成预设数量的用户,所述随机生成的用户收集信道状态信息作为数据集;基站根据所述数据集训练多用户信道状态信息联合压缩反馈神经网络模型;
所述多用户信道状态信息联合压缩反馈神经网络模型训练完成之后,将所述多用户信道状态信息联合压缩反馈神经网络模型的编码器网络发送给所有用户,所述用户的终端保存所述编码器网络;在信道状态信息反馈时隙,所述用户使用所述编码器网络对所述下行信道状态信息进行压缩并且量化形成反馈码字;
根据预设的机会调度策略将小区内的用户分成不同的用户组;基站将调度结果发送给所述用户,所述用户根据所述调度结果上行传输所述反馈码字;同一用户组内的不同用户使用相同的时频资源进行正交频分复用调制,同一用户组内的不同用户使用不同的功率进行反馈;
同一用户组内的信道状态信息反馈信息在空口叠加传输,基站从空口接收所述用户组的混合码字;
基站使用所述多用户信道状态信息联合压缩反馈神经网络模型的解码器网络对所述混合码字进行解码,重构所述用户组内的用户的下行信道状态信息。
可选的,所述对所述下行信道状态信息进行数据处理,对全信道矩阵进行特征值分解,得到特征向量形式的信道状态信息的步骤包括:
所述用户获得每个子载波上全信道矩阵为,对/>个子载波上的信道进行/>个子带划分,/>个子载波信道合并为一个子带信道,第/>个子带信道的自相关矩阵为/>,所述用户的全信道相关矩阵为;
对所述全信道相关矩阵进行特征值分解为,获得所述子带信道的最大特征值/>对应的特征向量/>,所述用户的特征向量形式的信道状态信息为。
可选的,所述多用户信道状态信息联合压缩反馈神经网络模型的损失函数的表达式如下:
其中,是所述多用户信道状态信息联合压缩反馈神经网络模型的参数,/>是训练数据的数量,/>是第/>个用户组内的信道状态信息,/>是所述多用户信道状态信息联合压缩反馈神经网络模型重构信道状态信息。
本发明具有下述有益效果:
本发明提出一种基于深度学习的多用户信道状态信息联合压缩反馈方法,基站对小区内的所有用户发送下行导频序列,用户将已知导频序列和接收信道对比,通过信道估计获取实时下行信道状态信息,根据数据集训练多用户信道状态信息联合压缩反馈神经网络模型,用户使用编码器网络对下行信道状态信息进行压缩并且量化形成反馈码字,用户上行传输反馈码字,同一用户组内的信道状态信息反馈信息在空口叠加传输,基站从空口接收用户组的混合码字,基站使用解码器网络对混合码字进行解码,重构用户的下行信道状态信息。本发明提供的技术方案使得在复杂的通信环境下,多个用户设备能够更高效地进行信道状态信息反馈,同时不增加反馈延时和资源占用。
附图说明
图1为本发明实施例一提供的基于深度学习的多用户信道状态信息联合压缩反馈方法的流程图。
图2a为本发明实施例一提供的编码器网络的结构示意图。
图2b为本发明实施例一提供的解码器网络的结构示意图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案,下面结合附图对本发明提供的基于深度学习的多用户信道状态信息联合压缩反馈方法进行详细描述。
实施例一
针对现有技术存在的缺陷或不足,本实施例提出一种基于深度学习的多用户信道状态信息联合压缩反馈方法,使得在复杂的通信环境下,多个用户设备能够更高效地进行信道状态信息(Channel State Information,CSI)反馈同时不增加反馈延时和资源占用。
为了实现上述目的,本实施例提供一种基于深度学习的多用户CSI联合压缩反馈方法,包含以下步骤:
步骤1:考虑单个基站服务多个用户的典型通信场景,为了获取下行CSI,基站向小区内所有用户发送下行导频序列。
步骤2:每个用户将已知导频序列与接收信号进行对比,通过信道估计获取下行CSI。
步骤3:每个用户对估计的下行CSI进行数据处理,将全信道矩阵进行特征分解,得到特征向量形式的CSI。随机生成大量用户并收集信道CSI作为数据集。基站端基于该数据集训练多用户CSI联合压缩反馈神经网络模型。
步骤4:基站端完成训练后,将神经网络模型中编码器部分分发给所有用户。每个用户在终端保存编码器网络。在CSI反馈时隙,每个用户使用编码器网络对下行CSI进行压缩并且量化形成反馈码字。
步骤5:基站设计一种机会调度策略,小区内的多个用户根据调度策略分成不同的用户组。调度结果由基站发送给每个用户,每个用户根据接收的调度结果进行反馈码字的上行传输。同一用户组内的不同用户使用相同的时频资源进行正交频分复用(OrthogonalFrequency Division Multiplexing,OFDM)调制,使用不同的功率进行反馈。
步骤6:同一用户组内的多个CSI反馈信息在空口叠加传输,基站从空口接收每个用户组的混合码字。
步骤7:基站使用训练好的神经网络模型中解码器网络对混合码字进行解码,重构用户组内每个用户的下行CSI。
本实施例提供的技术方案使得在复杂的通信环境下,多个用户设备能够更高效地进行信道状态信息反馈,同时不增加反馈延时和资源占用。
图1为本发明实施例一提供的基于深度学习的多用户信道状态信息联合压缩反馈方法的流程图。如图1所示,考虑一个基站服务多个用户的通信场景:
步骤1:基站对小区内的所有用户发送下行导频序列。
步骤2:每个用户将已知导频序列和接收信道对比,通过信道估计获取实时下行CSI。
步骤2.1:用户获得的每个子载波上全信道矩阵为,对/>个子载波上的信道进行/>个子带划分,/>个子载波信道合并为一个子带信道,第/>个子带信道的自相关矩阵表示为:/>。因此,每个用户的全信道相关矩阵为/>。
步骤2.2:每个用户对相关矩阵进行特征值分解,每个子带最大特征值/>对应的特征向量/>。因此每个用户的特征向量形式的CSI为。
步骤3:每个用户的下行CSI为一个数据,本实施例使用TR38.901中的Uma信道生成数据集,用户端收集200000条CSI数据作为神经网络的训练数据。图2a为本发明实施例一提供的编码器网络的结构示意图。图2b为本发明实施例一提供的解码器网络的结构示意图。图2a和图2b所示的结构搭建基于transformer和多头注意力结构的多用户CSI联合压缩反馈神经网络模型,并随机初始化神经网络参数。
参考图2a,每个用户终端部署联合模型的编码器部分。其中每个编码器部分的神经网络包含一个输入全连接层,一个多头注意力特征提取模块和一个量化层。
每个用户对于步骤2.2中处理得到的,经过全连接层进行整形重塑为一维向量,然后经过多头注意力网络进行特征提取与压缩,经过量化层量化并转换为二进制比特流。
参考图2b,解码器部分的神经网络包含四个子网络,分别是DecNet1_DeEncNet1,DecNet2_DeEncNet2,DecNet3_DeEncNet3,DecNet4。所述的子网络采用级联的方式连接在一起,并且每个网络的输出作为下一个网络的输入,使用端到端训练方式进行训练。子网络DecNet1_DeEncNet1,子网络DecNet2_DeEncNet2,子网络DecNet3_DeEncNet3结构相同,均包含一个解量化层,两个多头注意力特征提取网络,一个量化层。对于每个用户组基站接收到来自空口的混合码字,在本实施例中以每个用户组中两个用户进行叠加传输介绍。
步骤3.1:基站端使用子网络DecNet1_DeEncNet1完成用户1的解码,并从混合码字中减去用户1的干扰,用于子网络DecNet2_DeEncNet2。其中DecNet1网络包含一个解量化层和一个多头注意力特征提取模块,对混合码字进行解量化与恢复,得到用户1的重构。
经过DeEncNet1包括一个多头注意力特征提取模块和一个量化层,进行压缩与量化得到用户1的压缩码字/>。子网络1和子网络2之间通过以下方式减少用户1的干扰:
其中,是用户1的功率分配因子,在实施例中作为训练数据集的标签,将/>作为子网络DecNet2_DeEncNet2的输入。
步骤3.2:基站端使用子网络DecNet2_DeEncNet2完成用户2的解码,并从混合码字中减去用户2的干扰,用户子网络DecNet3_DeEncNet3。
步骤3.3:基站端使用子网络DecNet3_DeEncNet3对用户1进行二次重构,并从混合码字中减去用户1的干扰,用户子网络DecNet4。
步骤3.4:基站端使用子网络DecNet4对用户12进行二次重构。
基站利用收集的训练数据训练上述多用户CSI联合压缩反馈神经网络模型,通过反向传播方法训练神经网络参数直至收敛。本实施例中神经网络的损失函数定义如下:
其中,是神经网络的参数,/>是训练数据的数量。/>是第/>个用户组内的CSI,/>是神经网络重构CSI。神经网络的训练基于自适应动量估计(Adam)优化器进行。学习率设置为0.0001,训练循环300轮。
步骤4:基站端将步骤3中训练完成的多用户CSI联合压缩反馈神经网络模型的编码器部分分发给小区内每个用户。在CSI反馈时隙,用户使用该编码器网络对CSI进行压缩并量化,形成反馈码字。
步骤5:基站基于历史统计信息以及训练数据集,确定用户分组策略,基站将用户分组信息,同一用户组内用户可用时频资源,用户功率分配因子等分组信息在下行时隙传输给用户,用户基于分组信息使用OFDM波形进行CSI反馈。
步骤6:同一用户组中不同用户使用不同发射功率反馈码字,由于使用相同的时频资源进行传输,反馈码字在空口进行叠加。基站端对每个用户组的混合码字进行接收。
步骤7:基站使用步骤3中训练完成的多用户CSI联合压缩反馈神经网络模型的解码器部分对接收到的每个用户组的混合码字进行解码,在基站端重构每个用户CSI,因此基站获取实时下行CSI,满足FDD传输模式下大规模MIMO系统的信号处理需求。
本实施例提出一种基于深度学习的多用户信道状态信息联合压缩反馈方法,基站对小区内的所有用户发送下行导频序列,用户将已知导频序列和接收信道对比,通过信道估计获取实时下行信道状态信息,根据数据集训练多用户信道状态信息联合压缩反馈神经网络模型,用户使用编码器网络对下行信道状态信息进行压缩并且量化形成反馈码字,用户上行传输反馈码字,同一用户组内的信道状态信息反馈信息在空口叠加传输,基站从空口接收用户组的混合码字,基站使用解码器网络对混合码字进行解码,重构用户的下行信道状态信息。本实施例提供的技术方案使得在复杂的通信环境下,多个用户设备能够更高效地进行信道状态信息反馈,同时不增加反馈延时和资源占用。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (2)
1.一种基于深度学习的多用户信道状态信息联合压缩反馈方法,其特征在于,包括:
基站向小区内的用户发送下行导频序列;
所述用户将已知导频序列和接收信道进行对比,通过信道估计获取实时下行信道状态信息;
对所述下行信道状态信息进行数据处理,对全信道矩阵进行特征值分解,得到特征向量形式的信道状态信息;随机生成预设数量的用户,所述随机生成的用户收集信道状态信息作为数据集;基站根据所述数据集训练多用户信道状态信息联合压缩反馈神经网络模型;
所述多用户信道状态信息联合压缩反馈神经网络模型训练完成之后,将所述多用户信道状态信息联合压缩反馈神经网络模型的编码器网络发送给所有用户,所述用户的终端保存所述编码器网络;在信道状态信息反馈时隙,所述用户使用所述编码器网络对所述下行信道状态信息进行压缩并且量化形成反馈码字;
根据预设的机会调度策略将小区内的用户分成不同的用户组;基站将调度结果发送给所述用户,所述用户根据所述调度结果上行传输所述反馈码字;同一用户组内的不同用户使用相同的时频资源进行正交频分复用调制,同一用户组内的不同用户使用不同的功率进行反馈;
同一用户组内的信道状态信息反馈信息在空口叠加传输,基站从空口接收所述用户组的混合码字;
基站使用所述多用户信道状态信息联合压缩反馈神经网络模型的解码器网络对所述混合码字进行解码,重构所述用户组内的用户的下行信道状态信息。
2.根据权利要求1所述的基于深度学习的多用户信道状态信息联合压缩反馈方法,其特征在于,所述多用户信道状态信息联合压缩反馈神经网络模型的损失函数的表达式如下:
,
其中,是所述多用户信道状态信息联合压缩反馈神经网络模型的参数,/>是训练数据的数量,/>是第/>个用户组内的信道状态信息,/>是所述多用户信道状态信息联合压缩反馈神经网络模型重构信道状态信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311481311.XA CN117220745B (zh) | 2023-11-08 | 2023-11-08 | 基于深度学习的多用户信道状态信息联合压缩反馈方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311481311.XA CN117220745B (zh) | 2023-11-08 | 2023-11-08 | 基于深度学习的多用户信道状态信息联合压缩反馈方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117220745A CN117220745A (zh) | 2023-12-12 |
CN117220745B true CN117220745B (zh) | 2024-02-09 |
Family
ID=89035646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311481311.XA Active CN117220745B (zh) | 2023-11-08 | 2023-11-08 | 基于深度学习的多用户信道状态信息联合压缩反馈方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117220745B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105471546A (zh) * | 2015-07-31 | 2016-04-06 | 电信科学技术研究院 | 一种反馈和接收信道状态信息csi的方法及装置 |
CN112564757A (zh) * | 2020-12-03 | 2021-03-26 | 西华大学 | 一种深度学习1-bit压缩叠加信道状态信息反馈方法 |
CN115087038A (zh) * | 2022-06-09 | 2022-09-20 | 华东师范大学 | 一种用于5g定位的信道状态信息压缩解压方法 |
WO2023097591A1 (en) * | 2021-12-02 | 2023-06-08 | Qualcomm Incorporated | Techniques for reporting channel state information for machine learning-based channel feedback |
CN116248156A (zh) * | 2022-11-09 | 2023-06-09 | 中国电子科技集团公司第五十四研究所 | 基于深度学习的大规模mimo信道状态信息反馈及重建方法 |
-
2023
- 2023-11-08 CN CN202311481311.XA patent/CN117220745B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105471546A (zh) * | 2015-07-31 | 2016-04-06 | 电信科学技术研究院 | 一种反馈和接收信道状态信息csi的方法及装置 |
CN112564757A (zh) * | 2020-12-03 | 2021-03-26 | 西华大学 | 一种深度学习1-bit压缩叠加信道状态信息反馈方法 |
WO2023097591A1 (en) * | 2021-12-02 | 2023-06-08 | Qualcomm Incorporated | Techniques for reporting channel state information for machine learning-based channel feedback |
CN115087038A (zh) * | 2022-06-09 | 2022-09-20 | 华东师范大学 | 一种用于5g定位的信道状态信息压缩解压方法 |
CN116248156A (zh) * | 2022-11-09 | 2023-06-09 | 中国电子科技集团公司第五十四研究所 | 基于深度学习的大规模mimo信道状态信息反馈及重建方法 |
Non-Patent Citations (3)
Title |
---|
Antenna Grouping Based Feedback Compression for FDD-Based Massive MIMO Systems;Byungju Lee等;IEEE TRANSACTIONS ON COMMUNICATIONS;第63卷(第9期);全文 * |
Transformer-based CSI Feedback with Hybrid Learnable Non-Uniform Quantization for Massive MIMO Systems;Binggui Zhou等;2023 32nd Wireless and Optical Communications Conference (WOCC);全文 * |
基于深度学习的CSI 压缩反馈方案研究;王兆圆等;中国科技论文在线精品论文;第16卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117220745A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Deep convolutional compression for massive MIMO CSI feedback | |
CN200973110Y (zh) | 实施空间频率区块编码的无线发射/接收单元及基站 | |
CN109687897B (zh) | 基于深度学习大规模mimo系统的叠加csi反馈方法 | |
CN105337651A (zh) | 一种有限反馈下非正交多址接入系统下行链路的用户选择方法 | |
CN102725967A (zh) | 用于信息反馈以及预编码的方法和装置 | |
CN101291192A (zh) | 时分双工方式下下行多用户多输入多输出的预编码方法 | |
US11956031B2 (en) | Communication of measurement results in coordinated multipoint | |
WO2012099761A1 (en) | Transmission resources in time or frequency using analog modulation | |
Lin et al. | Deep learning phase compression for MIMO CSI feedback by exploiting FDD channel reciprocity | |
CN110289898A (zh) | 一种大规模mimo系统中基于1比特压缩感知的信道反馈方法 | |
CN102811111A (zh) | 一种信道信息反馈方法和系统 | |
CN112564757A (zh) | 一种深度学习1-bit压缩叠加信道状态信息反馈方法 | |
WO2019114690A1 (zh) | 多天线系统中预编码的方法及装置 | |
US20240137082A1 (en) | Communication method and apparatus | |
CN113287265A (zh) | 能够进行模拟预编码和模拟组合的方法 | |
Wang et al. | A novel compression CSI feedback based on deep learning for FDD massive MIMO systems | |
CN117220745B (zh) | 基于深度学习的多用户信道状态信息联合压缩反馈方法 | |
CN113660020A (zh) | 一种无线通信信道信息传输方法、系统和解码器 | |
CN110365384B (zh) | 一种基于大规模mimo混合波束成形系统的用户调度方法 | |
CN102833047B (zh) | 协作多点系统中的多用户预编码方法 | |
TW201944745A (zh) | 基於深度學習作為通道狀態資訊之回饋方法 | |
CN105162505B (zh) | 基于干扰对齐的蜂窝网络下行链路自适应预编码方法 | |
CN116918375A (zh) | 用于开放无线电接入网中的上行协调传输的系统和方法 | |
CN109413749B (zh) | 一种scma网络容量分析与分层多播资源分配方法 | |
CN113055069B (zh) | 基于admm的单组多播单流系统预编码矩阵设计的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |