Multi-Domain-Korrelationsunterstütztes implizites CSI-Feedback mit Deep Learning

Deep Learning wurde eingeführt, um das implizite Feedback zur Kanalzustandsinformation (CSI) zu verbessern, und es übertrifft die auf Codebüchern basierenden Feedbackmethoden in bestehenden Systemen erheblich. Diese Studie schlägt ein mehrdimensionales, korrelationsunterstütztes implizites CSI-Feedbackframework vor, das Deep Learning nutzt. Dieses Framework behält den bestehenden impliziten Feedbackmechanismus bei und führt gleichzeitig die Unterstützung durch die mehrdimensionale Korrelationseigenschaft der CSI-Matrizen in den Feedbackprozess ein, um die Leistung zu verbessern. Zunächst wird ein zeitkorrelationsunterstütztes implizites Feedback-Framework vorgeschlagen, bei dem die Korrelation zwischen benachbarten CSI-Matrizen genutzt wird, um die Genauigkeit der CSI-Rekonstruktion zu verbessern. Zweitens wird, um die Korrelation zwischen dem Uplink- und dem Downlink-Kanal zu nutzen, die Uplink-Kanalstärke in den CSI-Rekonstruktionsprozess an der Basisstation eingeführt. Darüber hinaus kombiniert das Framework die Unterstützung durch zeitliche und bidirektionale Kanalkorrelationseigenschaften zur weiteren Leistungssteigerung. Simulationsergebnisse zeigen, dass mit Hilfe der mehrdimensionalen Korrelationseigenschaft der Feedbackaufwand im Vergleich zu Ansätzen ohne Nutzung von Korrelation und Typ-II-Codebuch um 75% bzw. 85% reduziert werden kann.