La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Deep Learning-Based Massive MIMO CSI Acquisition for 5G Evolution and 6G Acquisition massive MIMO CSI basée sur le Deep Learning pour 5G Evolution et 6G

Xin WANG, Xiaolin HOU, Lan CHEN, Yoshihisa KISHIYAMA, Takahiro ASAI

  • Vues en texte intégral

    0

  • Citer

Résumé:

L'acquisition d'informations sur l'état du canal (CSI) côté émetteur constitue un défi majeur dans les systèmes MIMO massifs pour permettre des transmissions à haut rendement. Pour résoudre ce problème, divers schémas de rétroaction CSI ont été proposés, notamment des schémas de rétroaction limités avec une quantification vectorielle basée sur un livre de codes et une rétroaction explicite de matrice de canal. En raison des limitations de la capacité du canal de rétroaction, un problème commun à ces schémas est la représentation efficace du CSI avec un nombre limité de bits côté récepteur et sa reconstruction précise basée sur les bits de rétroaction du récepteur côté émetteur. Récemment, inspirées par des applications réussies dans de nombreux domaines, les technologies d'apprentissage profond (DL) pour l'acquisition de CSI ont suscité un intérêt considérable de la part des chercheurs universitaires et industriels. Compte tenu du mécanisme de rétroaction pratique des réseaux New Radio (NR) de 5e génération (5G), nous proposons respectivement deux schémas de mise en œuvre de l'intelligence artificielle pour CSI (AI4CSI), le récepteur basé sur DL et la conception de bout en bout. Les schémas AI4CSI proposés ont été évalués dans les réseaux 5G NR en termes d'efficacité spectrale (SE), de surcharge de rétroaction et de complexité de calcul, et comparés aux schémas existants. Pour démontrer si ces schémas peuvent être utilisés dans des scénarios réels, nos enquêtes ont utilisé à la fois les données de canaux modélisées et les canaux mesurés pratiquement. Lorsque l'acquisition CSI basée sur DL est appliquée uniquement au récepteur, ce qui a peu d'impact sur l'interface radio, elle fournit un gain SE d'environ 25 % à un niveau de surcharge de rétroaction modéré. Il est possible de le déployer dans les réseaux 5G actuels lors des évolutions 5G. Pour les améliorations CSI de bout en bout basées sur DL, les évaluations ont également démontré leur gain de performances supplémentaire sur SE, qui est de 6 à 26 % par rapport aux récepteurs basés sur DL et de 33 à 58 % par rapport aux schémas CSI existants. Compte tenu de son impact important sur la conception des interfaces aériennes, il s’agira d’une technologie candidate pour les réseaux de 6e génération (6G), dans lesquels une interface aérienne conçue par l’intelligence artificielle peut être utilisée.

Publication
IEICE TRANSACTIONS on Communications Vol.E105-B No.12 pp.1559-1568
Date de publication
2022/12/01
Publicisé
2022/06/15
ISSN en ligne
1745-1345
DOI
10.1587/transcom.2022EBP3009
Type de manuscrit
PAPER
Catégories
Technologies de communication sans fil

Auteurs

Xin WANG
  DOCOMO Beijing Communications Laboratories, Co. Ltd.
Xiaolin HOU
  DOCOMO Beijing Communications Laboratories, Co. Ltd.
Lan CHEN
  DOCOMO Beijing Communications Laboratories, Co. Ltd.
Yoshihisa KISHIYAMA
  NTT DOCOMO, INC.
Takahiro ASAI
  NTT DOCOMO, INC.

Mots-clés

Table des matières