基于深度学习的大规模MIMO CSI反馈的数据增强
摘要：在频分双工（FDD）模式下的大规模多输入多输出（massive MIMO）系统中，用户设备（UE）需要将信道状态信息（CSI）反馈给基站（BS）。尽管深度学习方法在CSI反馈问题中取得了突破，但它们在实际环境中是否仍然保持优异的表现还需要进一步研究。在本文中，我们指出应用中的实时数据集通常因为时间延迟而与训练数据集存在域差异。为了弥合这个差距，我们提出了气泡移位（B-S）数据增强方法，试图通过改变延迟并尽可能保留信道信息来抵消性能下降。此外，为了应对室外场景中复杂信道分布的问题，我们特别提出随机生成（R-G）数据增强方法。它泛化了信道矩阵的特征并缓解了过拟合问题。仿真结果表明，所提出的数据增强方法提高了网络在室内和室外环境中的鲁棒性。开源代码可在https://github.com/zhanghy23/CRNet-Aug获取。
作者：Hengyu Zhang, Zhilin Lu, Xudong Zhang, Jintao Wang
论文ID：2308.00478
分类：Signal Processing
分类简称：eess.SP
提交时间：2023-08-02