17、多天线系统中机器学习在天线选择和 CSI 反馈的应用

多天线系统中机器学习在天线选择和 CSI 反馈的应用

1. 引言

过去三十年里，多天线系统被认为是提升无线通信系统可靠性的最佳方案。从单用户 MIMO 系统到大规模 MIMO 系统，它们成功克服了单天线系统常面临的深度衰落问题，主要通过发射分集和接收分集实现。此外，借助空间复用技术，众多用户可在相同的时频资源上同时得到服务，显著提高了系统的频谱效率。

然而，在设计这类系统时，存在一些限制因素需要考虑。一方面，天线阵列中可能存在性能不佳的天线，导致系统性能下降。而且，硬件成本和能耗也是关注焦点，理想情况下每个天线都需配备射频（RF）模块。另一方面，无线通信环境不断变化，高速移动用户引发的快速衰落、相邻小区导频复用导致的导频污染等现象不可避免，这使得获取信道状态信息（CSI）变得更具挑战性，在频分双工（FDD）模式系统中尤为明显。在这类系统中，用户设备（UE）在下行链路估计无线信道，然后在上行链路将其反馈给基站（BS），这会产生与基站天线数量成正比的开销。

为克服上述限制，有人建议部署比天线数量少的 RF 模块，并仅激活能优化系统性能的天线，即根据误码率（BER）或信噪比（SNR）等标准从可用天线中选择子集，未选中的天线可在条件有利时使用。机器学习（ML）成为处理无线通信系统问题的新选择，一些研究者将天线选择问题视为多类分类问题。对于 FDD 大规模 MIMO 系统的开销问题，许多人提出在反馈前对 CSI 进行压缩以减轻其对系统性能的影响，其中一些人使用了机器学习技术，特别是深度学习。

2. 单用户 MIMO 和不可信中继网络的发射天线选择（TAS）

2.1 系统模型

• 单用户 MIMO