CN117941325A - 用于mimo csi反馈的方法和装置 - Google Patents

用于mimo csi反馈的方法和装置 Download PDF

Info

Publication number
CN117941325A
CN117941325A CN202280060045.0A CN202280060045A CN117941325A CN 117941325 A CN117941325 A CN 117941325A CN 202280060045 A CN202280060045 A CN 202280060045A CN 117941325 A CN117941325 A CN 117941325A
Authority
CN
China
Prior art keywords
matrix
csi
domain
base station
indexed
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.)
Pending
Application number
CN202280060045.0A
Other languages
English (en)
Inventor
庆奎范
桂建卿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
MediaTek Singapore Pte Ltd
Original Assignee
MediaTek Singapore Pte Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by MediaTek Singapore Pte Ltd filed Critical MediaTek Singapore Pte Ltd
Publication of CN117941325A publication Critical patent/CN117941325A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0204—Channel estimation of multiple channels
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/021—Estimation of channel covariance
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0224—Channel estimation using sounding signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Radio Transmission System (AREA)

Abstract

用户设备(UE)在多输入多输出(MIMO)传输中向基站报告信道状态信息(CSI)。UE基于从基站接收到的CSI参考信号(CSI‑RS)构建CSI矩阵。CSI矩阵在发射(Tx)天线域、频域和时域中至少是三维的。UE将CSI矩阵变换为至少在Tx波束域、延迟域和多普勒域中的变换矩阵。UE使用多层神经网络将变换后的CSI矩阵编码为一维特征向量，并将该一维特征向量发送给基站。

Description

用于MIMO CSI反馈的方法和装置
相关申请的交叉引用
本申请要求2021年9月15日提交的申请号为63/244,295的美国临时申请的权益，其全部内容通过引用并入申请。
技术领域
本发明的实施例涉及无线通信；更具体地说，涉及用于传输信道状态信息(channel state information，CSI)反馈。
背景技术
第五代新无线电(The Fifth Generation New Radio，5G NR)是用于移动宽带通信的电信标准。NR由第三代合作伙伴计划(the 3rd Generation Partnership Project，3GPP)颁布，以显着提高延迟、可靠性、吞吐量等性能指标。此外，NR支持波束成形、多输入多输出(multiple-input multiple-output，MIMO)天线技术和载波聚合。
在5G NR网络中，基站可以向用户设备(user equipment，UE)发送一个或多个参考信号，包括信道状态信息参考信号(channel state information reference signal，CSI-RS)。基于CSI-RS的测量，UE可以例如估计下行链路信道质量并获得下行链路传输中的空间信息。UE将估计的信道质量报告给基站，基站基于来自UE的报告发送预编码的下行链路信号。基站还可以基于UE的报告调整下行数据速率和调制方案。
UE在MIMO传输中向基站的报告会产生很大的开销，对于典型无线系统中的有限带宽来说，这通常大得令人望而却步。因此，现有的5G NR技术可以进一步改进，以使运营商和用户获益。这些改进也可能适用于其他多址技术和采用这些技术的电信标准。
发明内容
在一个实施例中，提供一种用于UE在多输入多输出(multiple-input multiple-output，MIMO)传输中向基站报告信道状态信息(channel state information，CSI)的方法。该方法包括基于从基站接收的CSI参考信号(CSI reference signal，CSI-RS)构建CSI矩阵。CSI矩阵在发射(transmit，Tx)天线域、频域和时域中至少是三维的。该方法还包括将CSI矩阵变换为至少在Tx波束域、延迟域和多普勒域中的变换矩阵；使用多层神经网络将变换后的CSI矩阵编码为一维特征向量；将一维特征向量发送给基站。
在另一个实施例中，提供了一种用于基站在MIMO传输中从UE获得CSI的方法。该方法包括从UE接收一维特征向量，并使用多层神经网络将一维特征向量解码为Tx波束域、延迟域和多普勒域中的至少三维矩阵。该方法还包括至少在Tx天线域、频域和时域中将矩阵变换为CSI矩阵，以及基于CSI矩阵对下行链路传输进行预编码。
其他方面和特征对于本领域普通技术人员而言在结合附图阅读以下具体实施例的描述时将变得显而易见。
附图说明
本发明通过示例而非限制的方式在附图的图中示出，其中相同的附图标记指示相似的元件。需要说明的是，本发明中对“一个(a)”或“一个(one)”实施例的不同称谓并不一定是同一个实施例，这样的称谓至少意味着一个。此外，当结合实施例描述特定特征、结构或特性时，提交的是在本领域技术人员的知识范围内实现与其他实施例结合的这种特征、结构或特性，无论是否没有明确描述。
图1是图示根据一个实施例的用于CSI压缩和重构的进程的图。
图2是图示根据一个实施例的分别由UE和基站执行的操作的图。
图3是图示根据一个实施例的由UE使用的深度神经网络(deep neural network，DNN)的示例的示意图。
图4是图示根据一个实施例的由基站使用的DNN的示例的示意图。
图5是图示根据一个实施例由UE执行的方法的流程图。
图6是图示根据一个实施例由基站执行的方法的流程图。
图7是图示根据一个实施例的与基站执行无线通信的装置的框图。
具体实施方式
在以下描述中，阐述了许多具体细节。然而，应当理解，可以在没有这些具体细节的情况下实践本发明的实施例。在其他情况下，未详细示出公知的电路、结构和技术，以免混淆对本描述的理解。然而，本领域的技术人员将理解，本发明可以在没有这些具体细节的情况下实施。本领域的普通技术人员通过所包含的描述将能够实现适当的功能而无需过度实验。
本发明的实施例提供了一种具有神经网络的用户设备(user equipment，UE)和基站，以减少信道状态信息(channel state information，CSI)传输中的开销。UE和基站都支持多输入多输出(multiple-input multiple-output，MIMO)传输。UE使用第一神经网络将CSI的矩阵表示压缩为一维(one-dimensional，1D)特征向量，基站使用另一个神经网络从一维特征向量重构CSI。在一个实施例中，CSI包括时域、频域和空间域中的信道信息。第一神经网络用作编码器，第二神经网络用作解码器。在以下公开中，术语“压缩”和“编码”可互换使用，并且术语“解压缩”和“解码”可互换使用。UE通过发送一维特征向量向基站报告下行链路CSI，基站根据一维特征向量重构CSI。
CSI压缩的深度学习方法可以显着增加大规模MIMO系统中的下行链路吞吐量。由于基站的天线数量众多，这些大规模MIMO系统通常在下行链路CSI反馈中具有严重的开销。与现有的基于感知的CSI压缩相比，本申请描述的深度学习方法在基站的均方误差(meansquared error，MSE)方面提供了更好的重建性能。此外，本申请描述的深度学习方法充分利用了所有物理域(即天线、时间和频率)的相关性，与现有方法相比，可以更好地估计信道条件。
所公开的方法以及实现该方法的装置和计算机产品可以应用于基站(例如，5GNR网络中的gNB)和UE之间的无线通信。应注意，虽然此处可使用与5G或NR无线技术相关的术语来描述实施例，但本发明可应用于其他多址技术和采用这些技术的电信标准，例如长期演进(Long Term Evolution，LTE))系统、未来的3GPP系统、IEEE协议等。
图1是图示根据一个实施例的用于CSI压缩和重构的进程100的图。在诸如5GNR网络的一些网络环境中，基站(base station，BS)120可以被称为gNodeB、gNB等。在另一种网络环境中，基站可能有其他名称。BS120和UE 150相互发送波束形成的信号。
UE 150也可以以其他名称为人所知，例如移动台、订户单元等。UE 150可以是固定的或移动的。UE 150的示例可以包括蜂窝电话(例如，智能手机)、无线通信设备、手持设备、膝上型计算机、平板电脑、游戏设备、可穿戴设备、娱乐设备、传感器、车辆、信息娱乐设备、物联网(Internet-of-Things，IoT)设备或任何可以通过无线介质进行通信的设备。UE 150可以被配置为通过空中接口接收和发送信号到无线电接入网络中的一个或多个小区。
在一个实施例中，BS120和UE 150都支持MIMO传输。对于MIMO传输，发射器可以利用多个发射(transmit，Tx)天线将数据传输到配备有多个接收(receive，Rx)天线的接收器。在一个实施例中，BS120和UE 150都包括用于在Tx和Rx方向上执行波束控制和跟踪的MIMO天线。BS120形成用于下行链路传输和上行链路接收的多个波束，并且UE 150还形成用于上行链路传输和下行链路接收的波束。每个波束对应于BS120和UE 150之间的空间关系。对于UE 150，空间关系等价于UE 150可以在模拟和/或数字域中应用的空间滤波。
BS120向服务小区中的UE 150或一组UE发送下行链路参考信号。参考信号之一是信道状态信息参考信号(channel state information reference signal，CSI-RS)。BS120可以为UE 150使用的CSI-RS配置配置一组时间和频率资源。根据CSI-RS配置，UE 150接收具有给定时间和频率资源的CSI-RS用于信道质量估计、频率和时间跟踪等用途。CSI-RS可以是周期性的、非周期性的或半持久的。UE基于CSI-RS计算信道矩阵并将信道矩阵的表示报告给基站。本申请中的术语“信道矩阵”指的是对从基站发送的下行链路信号(s)与UE接收的信号(r)之间的关系进行建模的矩阵H。这种关系的简化形式可以表示为：
r＝H·s+n，其中n是噪声信号。
参考图1中的进程100，BS120在步骤101向UE 150发送CSI-RS。基于接收到的CSI-RS，UE 150在步骤102估计下行链路信道质量并构造CSI的矩阵表示。矩阵表示(H1)在本申请中被称为CSI矩阵。CSI矩阵可以是信道矩阵、信道矩阵的协方差、从信道矩阵的奇异值分解(singular value decomposition，SVD)得到的正交矩阵、或者从信道矩阵计算的另一个矩阵。在步骤103，UE 150将离散傅里叶变换(Discrete Fourier Transform，DFT)应用于CSI矩阵以生成变换的CSI矩阵DFT具有减少CSI矩阵中非零元素的效果。在步骤104，UE150将第一深度神经网络(DNN1)应用于变换后的CSI矩阵以获得一维特征向量。特征向量也称为压缩向量，因为特征向量中的元素数量少于变换后的CSI矩阵中元素的总数。在步骤105，UE 150将特征向量发送到BS120。
BS120在步骤106将DNN(例如，DNN2)应用于特征向量以生成矩阵然后在步骤107将逆DFT(inverse DFT，IDFT)应用于/>以生成重构的CSI矩阵(H2)。重构的CSI矩阵指示BS120和UE 120之间的无线电信道或链路的质量。基于重构的CSI矩阵，BS120在步骤108确定MIMO预编码方案，即用于下行链路传输的UE优选的传输层数，并对下行链路信号进行相应的预编码。在步骤109，BS120向UE 150发送预编码的下行链路信号。
图2是图示根据一个实施例的分别由UE和基站执行的操作的图。正交频分复用(orthogonal frequency-division multiplexing，OFDM)系统中的nR×nT MIMO信道可以表示为四维(four-dimensional，4D)信道矩阵：
其中，nR是UE的Rx天线数量，nT是基站的Tx天线数量，n是以OFDM符号或时隙为单位的时域索引，m是以子载波或子带为单位的频域索引。
当nR＝1时，MIMO信道可以表示为Tx天线、时域和频域中的三维(three-dimensional，3D)信道矩阵，如下所示。
H3D＝{h[i,n,m]:1≤i≤nT,1≤n≤N,1≤m≤M},
其中N是OFDM符号或时隙的总数，M是子载波或子带的总数。
H3D可以通过3D-DFT在波束域、延迟域和多普勒域中转换为 其中j是波束索引，k是多普勒分量的索引，l是延迟分量的索引。UE将DNN1应用于/>以生成1D特征向量hv。在这里的描述中，MIMO信道矩阵在Tx天线域、频域和时域中至少是3D的。
参考图2，UE 150将DFT 210和DNN 220应用于MIMO信道矩阵(H)以生成一维特征向量。在可选实施例中，UE可以将DFT 210和DNN 220应用于信道矩阵H的协方差C＝H·HH，或者从信道矩阵H＝USVH的SVD获得的正交矩阵V，或者从信道矩阵H计算出的其他矩阵。这里所使用的术语“CSI矩阵”是指MIMO信道矩阵H、协方差矩阵C、正交矩阵V或从信道矩阵H计算出的其他矩阵。在UE侧的CSI矩阵记为H1，基站侧重构的CSI矩阵记为H2。
UE 150将DFT 210应用于CSI矩阵H1以在至少Tx波束域、延迟域和多普勒域中生成变换的CSI矩阵UE 150然后使用DNN 220(即，DNN1)将/>压缩成一维特征向量hv。UE150然后将特征向量hv发送到BS120。BS120使用DNN 230(即，DNN2)将hv解压缩成矩阵/>BS120然后将IDFT 240应用于/>以生成重构的CSI矩阵H2。注意图2的实施例可以应用于维度大于三的CSI矩阵(例如，4D CSI矩阵)的压缩和重构。
图3是图示根据一个实施例的由UE使用的DNN的示意图。如前所述，DNN1在UE侧，DNN1的输入是DFT变换的CSI矩阵在该示例中，DNN1包括多层卷积神经网络(convolutional neural network，CNN)310。在CSI矩阵是3D的实施例中，每个CNN 310将3D内核应用于3D矩阵。在CSI矩阵是4D的另一个实施例中，每个CNN 310将4D内核应用于4D矩阵。DNN1还包括将多维CSI矩阵展平为一维向量的展平(flatten)层320，以及将一维向量压缩为压缩的一维向量(也称为特征向量hv)的全连接(fully-connected，FC)层330。可以理解，DNN1可能包括图3中未显示的附加层。
图4是示出根据一个实施例的基站使用的DNN的示意图。如前所述，DNN2在基站端，DNN2的输出是一个矩阵通过IDFT变换为一个重构的CSI矩阵H2。在该示例中，DNN2包括将接收到的一维特征向量hv解压缩为未压缩的一维向量的FC层430，以及将一维未压缩向整形为多维矩阵的整形层420。DNN2还包括CNN 410的多层。在CSI矩阵是3D的实施例中，每个CNN 410将3D内核应用于3D矩阵。在CSI矩阵是4D的另一个实施例中，每个CNN将4D内核应用于4D矩阵。可以理解，DNN2可以包括图4中未显示的附加层。此外，DNN1和DNN2的分层结构不一定是对称的。例如，DNN2可能比DNN1具有更多、更少或不同的层；与DNN1相比，DNN2的层间连接可能更多、更少或不同。
在一个实施例中，DNNl(编码器)和DNN2(解码器)可以通过监督训练联合训练。也就是说，将训练样本输入DNN1，并将DNN2的输出与输入训练样本进行比较。例如，计算DNN1输入和DNN2输出之间的均方误差(mean square error，MSE)，并用于更新DNN1和DNN2的内核权重和偏差(bias)。可以基于基于梯度的方法执行更新。在一个实施例中，可以由UE和基站联合执行训练。在另一个实施例中，训练可以由计算机系统(例如，服务器)执行，训练后的DNN1和DNN2分别下载到UE和基站。训练可以在多种操作环境中进行。
图5是图示根据一个实施例的由UE执行以在MIMO传输中向基站报告CSI的方法500的流程图。当UE基于来自基站的CSI-RS构建CSI矩阵时，方法500开始于步骤510。CSI矩阵在Tx天线域、频域和时域中至少是3D的。UE在步骤520将CSI矩阵(例如，通过DFT)变换成至少在Tx波束域、延迟域和多普勒域中的变换矩阵。UE在步骤530使用多层神经网络将变换后的CSI矩阵编码为一维特征向量。UE在步骤540将一维特征向量发送到基站。
图6是图示根据一个实施例的由基站执行以在MIMO传输中从UE获得CSI的方法600的流程图。当基站从UE接收一维特征向量时，方法600开始于步骤610。在步骤620，基站使用多层神经网络将1D特征向量解码成Tx波束域、延迟域和多普勒域中的至少3D矩阵。在步骤630，基站至少在Tx天线域、频域和时域中将矩阵变换(例如，通过IDFT)成CSI矩阵。在步骤640，基站基于CSI矩阵对下行链路传输进行预编码。
参考图5的实施例，CSI矩阵还可以包括Rx天线域中的第四维度，其被变换(例如，通过DFT)到Rx波束域中。参考图6的实施例，CSI矩阵还可以包括从Rx波束域变换(例如，通过IDFT)的Rx天线域中的第四维度。Rx天线域可以由UE处的Rx天线的数量来索引。时域可以由符号或时隙的数量来索引。频域可以由子带或子载波的数量来索引。Tx天线域可以由基站处的Tx天线的数量来索引。多层神经网络可以包括一个或多个卷积神经网络层。
在一个实施例中，CSI矩阵是MIMO信道矩阵。在另一个实施例中，CSI矩阵是从MIMO信道矩阵的奇异值分解(singular value decomposition，SVD)计算的正交矩阵。在又一个实施例中，CSI矩阵是MIMO信道矩阵的协方差矩阵。
图7是示出根据一个实施例的与基站750执行无线通信的装置700的框图。在一个实施例中，装置700可以是UE，基站750可以是gNb等。在一个实施例中，装置700可以是图1和图2中的UE 150，并且基站750可以是图1和图2中的BS120。基站750包括天线组件755(例如，MIMO天线阵列)形成用于发射和接收信号的波束。装置700还包括天线组件710(例如，MIMO天线阵列)以支持波束成形操作。基站750包括存储器，其中存储了DNN2。装置700还包括存储电路(也称为存储器740)，其中存储了DNN1。
此外，装置700包括收发器电路(也称为收发器720)，该收发器电路包括被配置为提供与无线电接入网络中的另一个站的无线电通信的发射器和接收器。发射器和接收器可以在每个簇的数字前端中包括滤波器，并且每个滤波器可以被使能以通过信号并且被去能以阻止信号。装置700还包括处理电路730，其可以包括耦接于处理电路73的一个或多个控制处理器、信号处理器、中央处理单元、核和/或处理器核。。装置700还可以包括接口(例如用户接口)。装置700可以结合到无线系统、站、终端、设备、器具、机器和可操作以在诸如5GNR网络的多接入网络中执行无线通信的IoT中。
在一个实施例中，基站750和装置700都可以使用计算机可读介质存储和传输(内部和/或通过网络与其他电子设备一起)代码(由软件指令组成)和数据，例如非暂时有形计算机可读介质(例如，例如磁盘；光盘；只读存储器；闪存设备的计算机可读存储介质)和暂时计算机可读传输介质(例如，电、光学、声学或其他传播信号的形式)。例如，存储器740可以包括存储计算机可读程序代码的非暂时性计算机可读存储介质。当由处理器执行时，代码使处理器执行根据本申请公开的实施例的操作，例如图5和图6中公开的方法。
尽管在本申请中使用装置700和基站750作为示例，但是应当理解，这里描述的方法适用于能够执行无线通信的任何计算和/或通信设备。
已经参照图7的示例性实施例描述了图5和图6的流程图的操作。然而，应当理解，图5和图6的流程图的操作可以通过实施例来执行除了图7的实施例之外，图7的实施例可以执行与参考流程图讨论的那些不同的操作。虽然图5和图6的流程图显示了由本发明的某些实施例执行的操作的特定顺序，但应该理解这种顺序是示例性的(例如，替代实施例可以以不同的顺序执行操作，组合某些操作，重叠某些操作等)。
本申请已经描述了各种功能组件或块。如本领域技术人员将理解的，功能块将优选地通过电路(专用电路或通用电路，其在一个或多个处理器和编码指令的控制下操作)实现，其通常包括晶体管被配置为根据本申请描述的功能和操作来控制电路的操作。
虽然本发明已经根据几个实施例进行了描述，但是本领域技术人员将认识到本发明不限于所描述的实施例，并且可以在所附权利要求的精神和范围内进行修改和变更来实施。该描述因此被认为是说明性的而不是限制性的。

Claims (20)

1.一种用户设备在多输入多输出(MIMO)传输中向基站报告信道状态信息(CSI)的方法，包括：
基于从所述基站接收到的CSI参考信号(CSI-RS)构建CSI矩阵，其中所述CSI矩阵在发射(Tx)天线域、频域和时域中至少是三维的；
将所述CSI矩阵变换为至少在Tx波束域、延迟域和多普勒域中的变换矩阵；
使用多层神经网络将变换后的CSI矩阵编码为一维特征向量；以及
将所述一维特征向量发送给所述基站。
2.根据权利要求1所述的方法，其中，所述CSI矩阵还包括接收(Rx)天线域中的第四维度，所述第四维度被变换为Rx波束域。
3.根据权利要求2所述的方法，其中，所述Rx天线域由所述用户设备处的Rx天线的数量索引。
4.根据权利要求1所述的方法，其中，所述时域由符号或时隙的数量索引。
5.根据权利要求1所述的方法，其中，所述频域由子带或子载波的数量索引。
6.根据权利要求1所述的方法，其中，所述Tx天线域由所述基站处的Tx天线的数量索引。
7.根据权利要求1所述的方法，其中，所述CSI矩阵是MIMO信道矩阵。
8.根据权利要求1所述的方法，其中，所述CSI矩阵是从MIMO信道矩阵的奇异值分解计算的正交矩阵。
9.根据权利要求1所述的方法，其中，所述CSI矩阵是MIMO信道矩阵的协方差矩阵。
10.根据权利要求1所述的方法，其特征在于，所述多层神经网络包括一个或多个卷积神经网络层。
11.一种基站在多输入多输出(MIMO)传输中从用户设备获取信道状态信息(CSI)的方法，包括：
从所述用户设备接收一维特征向量；
使用多层神经网络将一维特征向量解码为发射(Tx)波束域、延迟域和多普勒域中的至少三维矩阵；
至少在Tx天线域、频域和时域中将所述矩阵变换为CSI矩阵；以及
基于所述CSI矩阵预编码下行链路传输。
12.根据权利要求11所述的方法，其中，所述CSI矩阵还包括从Rx波束域变换的接收(Rx)天线域中的第四维度。
13.根据权利要求12所述的方法，其中，所述Rx天线域由所述用户设备处的Rx天线的数量索引。
14.根据权利要求11所述的方法，其中，所述时域由符号或时隙的数量索引。
15.根据权利要求11所述的方法，其中，所述频域由子带或子载波的数量索引。
16.根据权利要求11所述的方法，其中，所述Tx天线域由所述基站处的Tx天线的数量索引。
17.根据权利要求11所述的方法，其中，所述CSI矩阵是MIMO信道矩阵。
18.根据权利要求11所述的方法，其中，所述CSI矩阵是从MIMO信道矩阵的奇异值分解计算的正交矩阵。
19.根据权利要求11所述的方法，其中，所述CSI矩阵是MIMO信道矩阵的协方差矩阵。
20.根据权利要求11所述的方法，其中，所述多层神经网络包括一个或多个卷积神经网络层。
CN202280060045.0A 2021-09-15 2022-08-25 用于mimo csi反馈的方法和装置 Pending CN117941325A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202163244295P 2021-09-15 2021-09-15
US63/244,295 2021-09-15
PCT/CN2022/114796 WO2023040618A1 (en) 2021-09-15 2022-08-25 Method and apparatus for mimo csi feedback

Publications (1)

Publication Number Publication Date
CN117941325A true CN117941325A (zh) 2024-04-26

Family

ID=85602406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280060045.0A Pending CN117941325A (zh) 2021-09-15 2022-08-25 用于mimo csi反馈的方法和装置

Country Status (3)

Country Link
CN (1) CN117941325A (zh)
TW (1) TW202315347A (zh)
WO (1) WO2023040618A1 (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018143688A1 (ko) * 2017-02-01 2018-08-09 엘지전자(주) 무선 통신 시스템에서 채널 상태 정보 참조 신호 송수신 방법 및 이를 위한 장치
EP3576312A1 (en) * 2018-05-30 2019-12-04 FRAUNHOFER-GESELLSCHAFT zur Förderung der angewandten Forschung e.V. Doppler-delay codebook-based precoding and csi reporting for wireless communications systems
EP3576361A1 (en) * 2018-06-01 2019-12-04 FRAUNHOFER-GESELLSCHAFT zur Förderung der angewandten Forschung e.V. Explicit channel information feedback based on high-order pca decomposition or pca composition
WO2020150860A1 (en) * 2019-01-21 2020-07-30 Qualcomm Incorporated Techniques for frequency domain restriction for channel state information with frequency domain compression

Also Published As

Publication number Publication date
WO2023040618A1 (en) 2023-03-23
TW202315347A (zh) 2023-04-01

Similar Documents

Publication Publication Date Title
US9667378B2 (en) Multi-granular feedback reporting and feedback processing for precoding in telecommunications
CN117044125A (zh) 用于支持在fdd mimo系统中进行csi反馈的机器学习或人工智能技术的方法和装置
WO2008011451A2 (en) Reduced feedback transmit beamforming
CN114642019B (zh) 一种信道信息获取的方法
JP7238167B2 (ja) プリコーディング行列表示及び決定方法、及び通信装置
CN113824479A (zh) 无线通信系统的终端、基站以及由终端和基站执行的方法
CN111431679B (zh) 参数配置方法和通信装置
CN110324070B (zh) 通信方法、通信装置和系统
CN111757382B (zh) 指示信道状态信息的方法以及通信装置
CN112751598B (zh) 一种预编码矩阵的处理方法和通信装置
KR20190104382A (ko) 전송 다이버시티 방법, 단말 및 기지국
WO2020221117A1 (zh) 一种用于构建预编码矩阵的系数指示方法和通信装置
WO2016165761A1 (en) Multi-stream faster-than-nyquist transmission using bandwidth partitioning
WO2023040618A1 (en) Method and apparatus for mimo csi feedback
CN111756422A (zh) 指示信道状态信息的方法以及通信装置
EP4264849A1 (en) Transceiver method between receiver (rx) and transmitter (tx) in an overloaded communication channel
WO2020073788A1 (zh) 指示和确定预编码向量的方法以及通信装置
CN112436874B (zh) 用于构建预编码向量的向量指示方法、通信装置及计算机可读存储介质
EP3997800A1 (en) Channel prediction framework for radio communication
WO2024031515A1 (en) Methods and apparatuses for transmitting csi feedback message
CN114499608B (zh) 用信号发送端口信息
WO2022160345A1 (zh) 信道重建方法、基站和终端
CN108288981B (zh) 一种信道信息反馈及确定方法、接收端和发射端设备
WO2024064541A1 (en) Neural network architecture for csi feedback
KR20230174120A (ko) 무선 통신 시스템에서 인공 지능 기반의 채널 상태 정보 피드백을 위한 정보를 송수신하기 위한 방법 및 장치

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