基于人工智能的大規(guī)模MIMO信道狀態(tài)信息反饋綜述*

陳成瑞，程 港，何世彪，廖 勇

(1.重慶工程學(xué)院 電子信息學(xué)院，重慶 400056；2.重慶大學(xué) 微電子與通信工程學(xué)院，重慶 400044)

0 引 言

隨著科技的快速發(fā)展，人們對無線設(shè)備的數(shù)量、數(shù)據(jù)傳輸速率以及可靠性等需求逐步增長，第五代(5G)移動通信技術(shù)也逐漸普及。為了達到5G高可靠、大容量的性能要求，大規(guī)模多輸入多輸出(Multiple-Input Multiple-Output,MIMO)技術(shù)通過在基站(Base Station,BS)部署大規(guī)模天線陣列，成倍提高頻譜效率和能量效率，已成為5G的關(guān)鍵技術(shù)之一[1]。

在大規(guī)模MIMO系統(tǒng)中，BS能夠在低信噪比的情況下恢復(fù)從用戶設(shè)備接收到的信息，同時為多個用戶提供服務(wù)[2-3]。然而，BS需要獲取瞬時信道狀態(tài)信息(Channel State Information,CSI)才能獲得這些增益，而獲得的CSI的準確性直接影響到大規(guī)模MIMO系統(tǒng)的性能[4]。對于上行鏈路，只需要用戶端發(fā)送訓(xùn)練導(dǎo)頻，BS就可以很容易地通過終端發(fā)送的導(dǎo)頻來準確估計CSI，而下行鏈路的CSI獲取很難實現(xiàn)，這也是在當(dāng)前大規(guī)模MIMO技術(shù)中需要解決的問題。在時分雙工(Time Division Duplex,TDD)模式中，BS通過上行鏈路發(fā)送訓(xùn)練導(dǎo)頻進行信道估計，再利用互易性就可以推斷出下行鏈路的CSI[5]。而在頻分雙工(Frequency Division Duplex,FDD)模式中存在弱互易性，這使得通過觀察上行鏈路CSI[6]來推斷下行鏈路的CSI變得困難。在傳統(tǒng)的MIMO系統(tǒng)中，F(xiàn)DD系統(tǒng)的下行鏈路CSI首先由用戶端通過下行導(dǎo)頻估計獲取后反饋給BS，然后采用基于碼本或者采用矢量量化的方法來減小反饋開銷[7]，但是這種方式在大規(guī)模MIMO中是不可行的，因為在BS處使用了大量天線，這將大大增加CSI矩陣的維數(shù)，碼本的反饋量和設(shè)計復(fù)雜度會顯著提升。

由于物理傳播環(huán)境中存在共享的局部散射，多用戶大規(guī)模MIMO系統(tǒng)在用戶信道矩陣中表現(xiàn)出聯(lián)合稀疏結(jié)構(gòu)。因此，基于壓縮感知(Compressive Sensing,CS)的CSI反饋方案被提出。在實際系統(tǒng)中，由于信道時間相關(guān)性的存在，分組衰落假設(shè)可以用來壓縮CSI[8]反饋并獲得稀疏性，在一定程度上減小反饋開銷[9]。但是，大部分傳統(tǒng)的基于CS的反饋方法還存在一些缺陷，體現(xiàn)在[10]：①當(dāng)考慮如何以更少的反饋量來獲取更精確的信道狀態(tài)信息時，并未考慮到在實際應(yīng)用中信道時延的問題，CSI 從反饋到基站端重構(gòu)出來都有時延差，現(xiàn)代通信系統(tǒng)中信道一般都是快速變化的，較大的時延差將會使當(dāng)前的信道信息與重構(gòu)出的信道信息有較大的偏差；②沒有考慮到在實際應(yīng)用中移動端的信道估計誤差以及反饋鏈路誤差，這些因素對信道反饋有著嚴重的影響；③雖然是利用信道的相關(guān)性對其壓縮，然后通過重構(gòu)算法對其進行恢復(fù)，能有效減少反饋量，但是在考慮提高重構(gòu)精度的時候并未考慮到計算復(fù)雜度的問題；等等。

目前基于傳統(tǒng)通信理論設(shè)計的通信系統(tǒng)極大地限制了性能的進一步提高，導(dǎo)致了嚴重的瓶頸。近年來，人工智能技術(shù)特別是深度學(xué)習(xí)等已被認為是處理復(fù)雜通信系統(tǒng)的一種有前景的工具，其優(yōu)化無線通信的潛力已被證明[11-12]。利用深度學(xué)習(xí)技術(shù)，通信系統(tǒng)可以根據(jù)大量訓(xùn)練數(shù)據(jù)和信道模型去適應(yīng)新的信道條件，降低建模難度，這樣在物理層基礎(chǔ)理論和關(guān)鍵技術(shù)上都能有所突破，從而得到整體性能更優(yōu)的架構(gòu)。國內(nèi)外的大量研究將深度學(xué)習(xí)技術(shù)引入基于大規(guī)模MIMO的CSI反饋方案中并取得了一些成果，為傳統(tǒng)方法不能解決的難題提供了新的思路。

本文介紹了大規(guī)模MIMO系統(tǒng)下CSI反饋的研究背景和現(xiàn)狀，闡述了國內(nèi)外有關(guān)將人工智能技術(shù)融入CSI反饋中的代表性方案，給出了一些未來參考研究的方向，以方便后續(xù)研究者快速聚焦，進而開展更有針對性的研究。

1 系統(tǒng)模型

國內(nèi)外基于深度學(xué)習(xí)的CSI反饋方案大多從FDD模式下大規(guī)模MIMO系統(tǒng)模型出發(fā)，因此本文主要研究此系統(tǒng)模型。

(1)

(2)

2 代表性研究方案

2.1 基于深度學(xué)習(xí)的CSI反饋架構(gòu)CsiNet

在對基于神經(jīng)網(wǎng)絡(luò)的CS反饋方法與結(jié)構(gòu)信號感知和恢復(fù)[13]的認知下，文獻[14]提出了一種大規(guī)模MIMO下基于深度學(xué)習(xí)的新型感知和恢復(fù)機制，即CsiNet。CsiNet是可以用于擴展研究的基礎(chǔ)架構(gòu)，它的結(jié)構(gòu)與自動編碼器類似，都有編碼器和譯碼器兩個部分。其中編碼器部分特性對應(yīng)于感知機制，與使用隨機投影不同，CsiNet從原始信道矩陣學(xué)習(xí)轉(zhuǎn)換，通過訓(xùn)練數(shù)據(jù)壓縮碼字，直接從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)有效利用信道結(jié)構(gòu)特征；譯碼器部分的特性則是對應(yīng)于恢復(fù)機制，CsiNet學(xué)習(xí)從碼字到原始信道的逆變換。

CsiNet的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，編碼器的第一層是一個卷積層，以信道矩陣的實部和虛部作為其輸入，這一層使用尺寸為3 × 3的內(nèi)核來生成兩個特征圖。在卷積層之后，將特征圖重構(gòu)為一個N×1的向量，并使用一個全連接層生成碼字s，這是一個M維的實值向量。前兩層模擬CS的投影，作為編碼器。一旦獲取到碼字s，就使用多個層(作為解碼器)將其映射回信道矩陣。解碼器的第一層是一個全連接層，它將碼字s視為輸入和輸出兩個大小為Nc×Nt的矩陣，它作為信道矩陣實部和虛部的初始估計，然后將初始估計輸入幾個“RefineNet”單元，不斷地細化重構(gòu)。每個RefineNet單元由4層組成，第1層是輸入層，生成2個特征圖；剩下的3層都使用內(nèi)核,第2層生成8個特征圖，第3層分別生成16個特征圖，最后一層生成最終重構(gòu)的信道矩陣。

圖1 CsiNet網(wǎng)絡(luò)結(jié)構(gòu)

表1 CsiNet與CS算法的NMSE性能比較

由表1可知，CsiNet的NMSE值最低(在表中進行了標紅)，并且在所有壓縮比下都顯著優(yōu)于基于CS的方法。由于CsiNet不依賴于人們對信道分布的了解，直接從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)有效利用信道結(jié)構(gòu)特征，而且算法是非迭代的，比傳統(tǒng)基于CS的算法要快幾個數(shù)量級。即使在基于傳統(tǒng)CS方法無法工作的低壓縮率下，CsiNet也具有良好的重構(gòu)性能，并且能有效降低時間復(fù)雜度。

2.2 基于雙向信道互易性的CSI反饋

5G基站需要用戶設(shè)備(User Equipment,UE)提供下行鏈路CSI反饋，為了應(yīng)對快速變化的環(huán)境，終端需要頻繁地反饋CSI，從而造成帶寬資源浪費。文獻[19]研究了FDD系統(tǒng)中上行鏈路和下行鏈路的相關(guān)性，通過上行鏈路CSI估計UE上的低速率CSI，然后恢復(fù)下行鏈路的CSI，以此提高恢復(fù)精度。

圖2展示的是上行鏈路和下行鏈路CSI在不同置信區(qū)間(Confidence Interval,CI)水平上的相關(guān)系數(shù)分布。從圖中可以看出，CSI的實部和虛部直接拆分出的原始形式中，其上行鏈路CSI和下行鏈路CSI之間的相關(guān)系數(shù)在正相關(guān)和負相關(guān)之間劇烈波動，非常不穩(wěn)定。這會導(dǎo)致在恢復(fù)下行鏈路CSI時，難以有效利用信道互易性。不過，通過對不同載波頻率下CSI的信道模型和物理原理的研究[20]可以了解到，在FDD系統(tǒng)中，隨機相位差會因為兩個不同的載波頻率而產(chǎn)生。在MIMO多徑信道模型中，延遲域中幅度的相關(guān)性比相位的相關(guān)性更強。

圖2 上行和下行鏈路CSI在不同置信區(qū)間的相關(guān)系數(shù)分布

因此，需要將延遲域中的CSI元素轉(zhuǎn)換到極坐標系中，再來分別考慮上行鏈路和下行鏈CSI的幅度和相位相關(guān)性。從圖2中可以看到，上下行鏈路之間的CSI中表現(xiàn)出極強的幅度相關(guān)性，相應(yīng)的相位相關(guān)性卻不同，它們在正相關(guān)和負相關(guān)之間有著明顯的浮動。把CSI的實部和虛部的符號進行分離，那么上下行鏈路信道系數(shù)的絕對值(Absolute Value,ABS)具有較強的相關(guān)性，而其符號間的相關(guān)性卻不那么明顯。這表明了幅度和絕對值這兩個指標在CSI上行鏈路和下行鏈路的系數(shù)中是密切相關(guān)的，為了獲取大規(guī)模MIMO系統(tǒng)中CSI的反饋增益，可以利用好延遲域中的上下行鏈信道之間的幅度相關(guān)性。

基于上述分析，文獻[19]提出了兩個用于大規(guī)模MIMO系統(tǒng)中CSI反饋的深度祌經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)DualNet-ABS和DualNet-MAG。DualNet-ABS和DualNet-MAG分別利用CSI的系數(shù)在絕對值和幅度上的雙向信道相關(guān)性來優(yōu)化CSI的重構(gòu)精度。其中，DualNet是利用基站處的上行鏈路CSI當(dāng)作譯碼器網(wǎng)絡(luò)的輔助輸入，從而使譯碼器從大規(guī)模MIMO系統(tǒng)中用戶設(shè)備的下行鏈路CSI反饋中實現(xiàn)更高精度的CSI恢復(fù)。圖3是DualNet-MAG的總體架構(gòu)，DualNet-ABS的架構(gòu)與其類似。從圖3中可以看出，用戶端需要將下行鏈路CSI的幅值和相位分離，分離后，CSI的幅度被送入深度自編碼器網(wǎng)絡(luò)，該網(wǎng)絡(luò)由一個卷積層、形狀重塑層和全連接層組成。第一層是卷積層，這一層使用尺寸為3×3的卷積核來生成一個特征圖，用方形的數(shù)量來表示特征圖的數(shù)量，在特征圖上用X1×X2來表示其大小。經(jīng)過卷積層之后，特征圖被重塑成一個矢量，然后由全連接層生成維度為M的碼字矢量s。當(dāng)基站端接收到碼字s后，它將幫助恢復(fù)上行鏈路CSI。接收到的s首先用一個全連接層映射成原始維度，然后上行鏈路CSI矩陣將被重塑為一個矢量。接下來，將拼接層重塑為2個特征圖，以此作為殘差網(wǎng)絡(luò)的輸入。DualNet-MAG中的殘差網(wǎng)絡(luò)包含兩個殘差塊，可以有效地解決梯度消失問題[21]。每個殘差塊中的3個卷積層使用尺寸為3×3的卷積核分別生成8個、16個和2個特征圖。最后，將幅值與其相對應(yīng)的相位組合成完全恢復(fù)的CSI系數(shù)。

圖3 DualNet-MAG網(wǎng)絡(luò)結(jié)構(gòu)[19]

2.3 基于時間相關(guān)性的CSI差分反饋

現(xiàn)代移動通信系統(tǒng)中，要想獲得多天線帶來的通信速率的提升，需要基于準確的CSI進行預(yù)編碼來達到目的，這就使得針對時變CSI的及時反饋變得尤為重要[22-23]。在大規(guī)模MIMO系統(tǒng)中，采集的信道數(shù)據(jù)序列具有時間相關(guān)性，這是因為CSI反饋周期小于信道相干時間[24]，而時間相關(guān)性是可以對信道矩陣進行高效壓縮的。

文獻[25]提出了一種基于深度學(xué)習(xí)的方法，使用深度循環(huán)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時間相關(guān)性，并采用深度可分離卷積來收縮模型。通過研究不同結(jié)構(gòu)的時空特征表示，設(shè)計了特征提取模塊。實驗結(jié)果表明，該方法在恢復(fù)質(zhì)量和精度上有著良好的表現(xiàn)。

文獻[26]提出了差分反饋的思想，利用先驗CSI信息，用戶設(shè)備和基站端可以借助它們之前存儲的CSI估計來促進CSI的反饋和重構(gòu)。其中，用戶設(shè)備只是壓縮反饋CSI變化的那一部分，并不是完整的CSI，這樣可以在不丟失共有關(guān)鍵信息的前提下保證更大程度的壓縮。

在簡化反饋網(wǎng)絡(luò)設(shè)計的同時要兼顧相鄰時刻CSI的相關(guān)性，因此，需要使用一階自回歸模型來建立信道變化矩陣[27-29]：

Ht=γHt-1+Vt。

(3)

式中：Ht和Ht-1是t和t-1時刻的信道矩陣；Vt是一個隨機矩陣，它的均值為0;γ是常數(shù)。如果給定Ht和Ht-1，那么可以對γ進行估計：

(4)

為了保證CSI反饋的精度，需要增加單次CSI反饋的數(shù)據(jù)量或者反饋的頻率?；谝浑A自回歸模型，提出低復(fù)雜度的編碼器的譯碼器模型如下：

(5)

(6)

通過此簡化模型，可以建立差分反饋網(wǎng)絡(luò)，它利用CSI的一階自回歸模型主動反饋相鄰時隙之間的CSI預(yù)測誤差，從而在大規(guī)模MIMO系統(tǒng)中進行高效率的CSI反饋以及重構(gòu)。

圖4 差分反饋網(wǎng)絡(luò)結(jié)構(gòu)

實驗表明，差分反饋網(wǎng)絡(luò)具有很多優(yōu)勢。與基于循環(huán)神經(jīng)網(wǎng)絡(luò)的CSI反饋比較，差分反饋網(wǎng)絡(luò)可以利用之前時隙的訓(xùn)練模型來初始化以后時隙中的網(wǎng)絡(luò)參數(shù)，并且可以直接當(dāng)作未來時刻的反饋網(wǎng)絡(luò)。而且，差分反饋網(wǎng)絡(luò)中的CSI矩陣相對來說更加稀疏，這使得差分反饋網(wǎng)絡(luò)在反饋的時候可以進行更高效率的壓縮。此外，因為相鄰連續(xù)時隙的CSI反饋有相似的數(shù)據(jù)特征，所以差分反饋網(wǎng)絡(luò)早期時隙中的預(yù)訓(xùn)練模型是可以用于未來時隙模型的初始化的，以此來提高訓(xùn)練效率。差分網(wǎng)絡(luò)在降低了神經(jīng)網(wǎng)絡(luò)的計算開銷和參數(shù)量的同時，也明顯降低了存儲開銷和復(fù)雜度，這些良好的表現(xiàn)更適用于大多數(shù)無線網(wǎng)絡(luò)的應(yīng)用。

2.4 基于長短期記憶網(wǎng)絡(luò)的CSI反饋

文獻[30]提出利用長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)擴展一個基于深度學(xué)習(xí)的CsiNet架構(gòu)，圖5是CsiNet-LSTM的網(wǎng)絡(luò)結(jié)構(gòu)。在進行角度時延域的特征提取以及恢復(fù)重構(gòu)時，該結(jié)構(gòu)采用了兩種不同的壓縮率。其中，高壓縮率的CsiNet將第一通道的H1′轉(zhuǎn)換為M1×1的碼字矢量，該矢量保留了足夠的結(jié)構(gòu)信息以進行高分辨率恢復(fù)。由于剩余信道和第一個信道之間的相關(guān)性包含的信息量更少，所以低壓縮率的編碼器在剩余的T-1個信道矩陣上生成一系列M2×1的碼字向量。在被送入低壓縮率的CsiNet譯碼器之前，T-1個碼字矢量都與第一個M1×1的碼字矢量相連接，以便充分利用反饋信息，每個CsiNet都輸出兩個矩陣從角度時延域提取特征。圖5中顯示的所有低壓縮率的CsiNet都共享相同的網(wǎng)絡(luò)參數(shù)，即權(quán)重和偏差，這將大大減少參數(shù)開銷。此外，如果T的值改變以適應(yīng)信道變換的速率和反饋頻率，那么該結(jié)構(gòu)體系可以很容易地重新調(diào)整，以在具有不同T值的信道上繼續(xù)執(zhí)行。圖5中的灰塊來自原始CsiNet的載荷參數(shù)，作為整個結(jié)構(gòu)體系端到端訓(xùn)練之前的預(yù)訓(xùn)練。接下來使用LSTM擴展CsiNet解碼器進行時間相關(guān)的提取和最終重構(gòu)。LSTM包含原始的內(nèi)存單元，可以將之前提取的信息保存很長一段時間，以便之后進行預(yù)測。CsiNet解碼器的輸出在被送入三層LSTM之前形成一個長度為T的序列，每個LSTM含有與輸出維度相同數(shù)量的隱藏單元，最后的輸出被重構(gòu)成最終的恢復(fù)矩陣。在每個時間步長，LSTM都會從之前的輸入中學(xué)習(xí)時間相關(guān)性，然后將它們與當(dāng)前輸入合并，以提高低壓縮率下的恢復(fù)質(zhì)量。

圖5 CsiNet-LSTM的網(wǎng)絡(luò)結(jié)構(gòu)[30]

2.5 基于DNNet去噪網(wǎng)絡(luò)的CSI反饋

傳統(tǒng)的壓縮感知算法高度依賴于信道稀疏度，為了解決這個問題，可采用深度學(xué)習(xí)技術(shù)將CSI壓縮成一個低維碼字，在反饋鏈接完善的情況下，它比CS算法表現(xiàn)出更好的性能，但在實際應(yīng)用中，存在各種干擾和非線性效應(yīng)。因此，文獻[31]提出了一種基于深度學(xué)習(xí)的去噪網(wǎng)絡(luò)DNNet來提高信道反饋的性能。圖6是DNNet網(wǎng)絡(luò)的結(jié)構(gòu)。DNNet的基本思想是通過噪聲提取單元(Noise Extraction Unit,NEU)從碼字中提取噪聲，然后從碼字中減去噪聲。NEU采用L層的全連接神經(jīng)網(wǎng)絡(luò)，包括1個輸入層、1個輸出層和L-2個隱藏層。

圖6 DNNet網(wǎng)絡(luò)的結(jié)構(gòu)

輸入碼字可以寫為

(7)

在輸入碼字之前，首先進行批量歸一化(Batch Normalization,BN)，加速深度網(wǎng)絡(luò)訓(xùn)練，避免輸出飽和：

(8)

NEU的輸出為從碼字中提取的噪聲，即

(9)

第l層的輸出可以寫成

(10)

式中：ζ(x)=(1+exp(-x))-1是加入非線性變換的Sigmoid激活函數(shù)。隱藏層的神經(jīng)元數(shù)為1 024，一般高于碼字的維數(shù)，這樣更容易捕獲噪聲。為了避免高維網(wǎng)絡(luò)的過擬合，需要在隱藏層中加入散度稀疏性約束：

(11)

(12)

(13)

然后，將去噪后的碼字從DNNet輸出到譯碼器中進行CSI重構(gòu)。

在預(yù)訓(xùn)練階段，分別訓(xùn)練自編碼器模型和DNNet，得到下一個聯(lián)合訓(xùn)練階段的初始權(quán)重系數(shù)。以H的實部和虛部作為輸入數(shù)據(jù)來訓(xùn)練自編碼器模型，其大小為2×Np×Nt，Np代表信道矩陣的前p行。自動編碼器模型的權(quán)重系數(shù)被初始化，這樣就符合截斷正態(tài)分布。

使用COST2100信道模型來生成數(shù)據(jù)集，配置天線數(shù)Nt=32，子載波數(shù)Nc=1 024，然后將其轉(zhuǎn)化為角延遲域，分別生成100 000個樣本作為訓(xùn)練集，30 000個樣本作為驗證集，20 000個樣本作為測試集。學(xué)習(xí)率、批量分別設(shè)置為0.001和200。完成對自編碼器模型的訓(xùn)練后，在碼字中加入噪聲，DNNet的數(shù)據(jù)集是由噪聲層自動生成的，所以只需要生成自編碼器模型的數(shù)據(jù)集。

仿真結(jié)果表明，聯(lián)合訓(xùn)練階段可以通過DNNet進一步提高CsiNet的性能。通過比較預(yù)訓(xùn)練階段后CsiNet與DNNet、聯(lián)合訓(xùn)練階段后CsiNet與DNNet以及使用深度AE[32]和噪聲[33]訓(xùn)練CsiNet后的NMSE性能發(fā)現(xiàn)，隨著信噪比的增加，算法的NMSE逐漸減小。聯(lián)合訓(xùn)練階段后CsiNet與DNNet顯著相關(guān)，所有信噪比均優(yōu)于預(yù)訓(xùn)練階段后的結(jié)果，說明聯(lián)合訓(xùn)練階段后DNNet增強了網(wǎng)絡(luò)的抗噪性能。此外，聯(lián)合訓(xùn)練DNNet的CsiNet在所有信噪比上都優(yōu)于其他算法，聯(lián)合訓(xùn)練DNNet的CsiNet表現(xiàn)最好。

2.6 其他方案以及改進

相較于傳統(tǒng)的CSI反饋方案，深度學(xué)習(xí)技術(shù)的引入被用于更多復(fù)雜的場景，同時也降低了反饋開銷，提升了恢復(fù)精度等。國內(nèi)外的研究者也在持續(xù)不斷地研究具有更高性能的方案。文獻[19]研究了FDD系統(tǒng)中上行鏈路和下行鏈路的相關(guān)性，通過上行鏈路CSI估計UE上的低速率CSI，然后恢復(fù)下行鏈路的CSI以提高恢復(fù)精度。文獻[30]在基于深度學(xué)習(xí)的CsiNet架構(gòu)中引入LSTM網(wǎng)絡(luò)，提升了CSI重構(gòu)精度。這些方案都在不同程度上提升了性能，文獻[26，34]在已有的反饋方案上對網(wǎng)絡(luò)結(jié)構(gòu)進行了一些優(yōu)化和調(diào)整，采用深度可分離卷積來收縮模型，并研究不同結(jié)構(gòu)的解耦時空特征表示，設(shè)計了特征提取模塊，在低壓縮比下也具有顯著的魯棒性。同時，在譯碼器網(wǎng)絡(luò)中增加注意機制也能提升網(wǎng)絡(luò)性能。

文獻[31]提出了一種基于深度學(xué)習(xí)的去噪網(wǎng)絡(luò)DNNet，聯(lián)合訓(xùn)練DNNet的CsiNet在所有信噪比上都優(yōu)于其他算法，同時，聯(lián)合訓(xùn)練階段后DNNet增強了網(wǎng)絡(luò)的抗噪性能。另外，文獻[14，19，33]提出的基于深度學(xué)習(xí)的信道反饋算法可與所提出的DNNet協(xié)同工作，進一步提高反饋性能。

3 展望

以上基于大規(guī)模MIMO的智能CSI反饋方案在不同方面、不同程度上為解決大規(guī)模MIMO系統(tǒng)中高精度、低開銷等CSI反饋問題提供了思路。雖然基于人工智能尤其是深度學(xué)習(xí)技術(shù)的CSI反饋方案在一定程度上彌補了傳統(tǒng)方法的不足之處，并且在未來移動通信系統(tǒng)的應(yīng)用中有著極大的潛力，但是，未來對無線通信有著高可靠性和超高容量的強烈需求，將人工智能技術(shù)應(yīng)用于CSI反饋仍然面臨著巨大的挑戰(zhàn)。

3.1 快速部署能力和泛化性

現(xiàn)有的大部分CSI反饋網(wǎng)絡(luò)是根據(jù)不同具體場景下的訓(xùn)練集使得網(wǎng)絡(luò)權(quán)重更新，由于大規(guī)模MIMO系統(tǒng)的無線通信配置和應(yīng)用場景可能不同，如果每種場景都進行新的網(wǎng)絡(luò)訓(xùn)練，那將耗費大量的計算資源，并且每種場景下都收集訓(xùn)練數(shù)據(jù)還會增加實際部署成本。如果能基于不同場景下信道數(shù)據(jù)的共性特征，結(jié)合遷移學(xué)習(xí)等方法把訓(xùn)練好的模型遷移到其他場景的模型中，就能實現(xiàn)CSI反饋網(wǎng)絡(luò)對其他新場景進行快速調(diào)整。因此，需要設(shè)計并研究模型驅(qū)動的CSI反饋方案，提升快速部署能力和泛化性。

3.2 基于實測數(shù)據(jù)的CSI反饋

現(xiàn)有的基于大規(guī)模MIMO的CSI反饋方案基本都停留在仿真階段，缺乏大規(guī)模MIMO系統(tǒng)信道實測數(shù)據(jù)的支撐。目前的研究工作仍然是基于特定仿真信道生成的數(shù)據(jù)集，盡管有相關(guān)的文獻和標準表示信道模型能反映大規(guī)模MIMO信道的核心特征，但是實際信道場景是千變?nèi)f化的，仿真得到的CSI數(shù)據(jù)集和實際場景下測得的數(shù)據(jù)集依然存在差異。因此，研究者可以通過收集實際信道的真實數(shù)據(jù)并建立典型場景下的大規(guī)模MIMO信道數(shù)據(jù)庫，然后對網(wǎng)絡(luò)架構(gòu)再進行訓(xùn)練，從而針對真實數(shù)據(jù)中的差異特性對CSI反饋網(wǎng)絡(luò)進行優(yōu)化，為以后的部署打好基礎(chǔ)。

3.3 信道估計和信道反饋聯(lián)合優(yōu)化

FDD模式下的大規(guī)模MIMO系統(tǒng)中，由于天線數(shù)目的增加，下行信道估計也會遇到導(dǎo)頻開銷增長的問題。因此，考慮到時間相關(guān)性、雙向信道相關(guān)性和空頻域相關(guān)性等信道特性帶來的冗余，需要設(shè)計低導(dǎo)頻開銷的信道估計方案，根據(jù)現(xiàn)有的CSI反饋方案和信道估計方案進行聯(lián)合優(yōu)化。

3.4 新的網(wǎng)絡(luò)結(jié)構(gòu)或算法

現(xiàn)有的基于深度學(xué)習(xí)的反饋方案基本都采用基于自動編碼器的網(wǎng)絡(luò)架構(gòu)，雖然比傳統(tǒng)的壓縮感知算法有所改進，但并沒有實質(zhì)性的創(chuàng)新，而其他方案又用不同的神經(jīng)網(wǎng)絡(luò)進行替換，無法進一步突破。因此，可以應(yīng)用其他新型學(xué)習(xí)算法或網(wǎng)絡(luò)結(jié)構(gòu)，如聯(lián)邦學(xué)習(xí)算法框架，讓人工智能系統(tǒng)能夠更加高效、安全、準確地使用數(shù)據(jù)和場景運用。

4 結(jié)束語

本文首先介紹了大規(guī)模MIMO系統(tǒng)下CSI反饋的研究背景和現(xiàn)狀，構(gòu)建了FDD大規(guī)模MIMO系統(tǒng)模型，然后闡述了國內(nèi)外有關(guān)將人工智能技術(shù)融入CSI反饋中的代表性方案，包括基于深度學(xué)習(xí)的CSI反饋架構(gòu)CsiNet、基于雙向信道互易性的CSI反饋、基于時間相關(guān)性的CSI差分反饋、基于長短期記憶網(wǎng)絡(luò)的CSI反饋、基于DNNet去噪網(wǎng)絡(luò)的CSI反饋。這些方案從不同角度、不同程度上對傳統(tǒng)方案進行改進，在提升CSI重構(gòu)精度、降低反饋開銷等方面取得了很好的成果。本文對智能CSI反饋遇到的挑戰(zhàn)進行了歸納，給出了一些未來參考研究的方向。

雖然將人工智能技術(shù)應(yīng)用于CSI反饋仍然面臨著巨大的挑戰(zhàn)，但未來對無線通信有著高可靠性和超高容量的強烈需求，它表現(xiàn)出的性能優(yōu)勢在許多應(yīng)用前景中仍有極大的潛力。