周总结0207

1. Deep Learning-based Implicit CSI Feedback for Time-varying Massive MIMO Channels

杂志：ICC

关键词：大规模MIMO，DL，隐形feedback

摘要：

However, CsiNet[7] was based on an explicit feedback mechanism, in which the UE should feed back full channel information to the BS. In 5G new radio (NR), CSI feedback schemes are mainly based on the implicit feedback mechanism with codebook, where the UE should only feed back partial channel information to the BS.显式的feedback是把CSI全部反馈回去，这样消耗也大，在5G中必然要发展隐性的feedback。

相关文献中引入LSTM可以提高CSI的时效性，记忆之前时刻的CSI，反馈的CSI是符合时变特性的。

本文提出了一种 基于时间相关辅助dl的隐式反馈框架Tbi-ImCsiNet，该框架利用隐式反馈机制结合了时间相关特性。具体来说，Tbi-ImCsiNet在푇并行双imCsiNet框架前后分别添加了LSTM，以充分利用CSI矩阵之间的相关性。每个CSI矩阵都用CSI矩阵之间的相关性进行初步压缩，然后用双imCsiNet分别进行压缩和重构。利用重构矩阵之间的相关性进一步提高精度。

总结：feedback了V的特征值向量矩阵，参考神经网络利用了隐性，但忽略了时间相关性，本文主要新点是在时变的网络下，信道有时间相关性。

2. Cell-Free Terahertz Networks A Spatial-Spectral Approach

杂志：IEEE Wireless Communications Letters.

关键词：cell-free ，太赫兹，天线选择方案

3. Low-Complexity Joint Beamforming for RIS-Assisted MU-MISO Systems Based on Model-Driven Deep Learning

杂志：IEEE Transactions on Wireless Communications.

关键词：beamforming，DL（可训练变量和图神经网络来加速该算法的收敛速度），imperfect CSI, 双时间尺度的随机优化算法

4. Integrated CSI Feedback and Localization Using Deep Learning

杂志：ICC

关键词：DL，feedback&location同时

内容

FLnet集成两个模块，同时提升两个功能的性能，相互促进【终端处的编码器压缩并量化下行CSI。然后，BS处的解码器和DNN分别重建下行CSI，并根据反馈信息预测UE的位置。】

通过将CSI反馈和定位相结合，这两个任务相互强化，即在较小的范围内提高了CSI重构精度和定位精度

FLnet定位功能更好，且两个功能可相互强化，有的地方还是略差于S-FLnet，这个做了个对比作为基线。