.png){kind=icon}
返回
Scenario-Adaptive Deep Joint Source-Channel Coding for CSI Feedback
.png){kind=icon}
OA
AI
DOI：10.1109/OJCOMS.2026.3678279.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多输入多输出（MIMO）技术被认为是下一代无线通信系统的关键技术。在频分双工（FDD）MIMO系统中，实现低开销、高谱效率的信道状态信息（CSI）反馈是一个主要挑战。深度学习的出现为基于人工智能（AI）的CSI反馈增强引入了一种有前景的范式，并引起了在原生人工智能无线通信系统标准化方面的关注。然而，现有研究仍面临跨多样化信道场景有限泛化能力的严峻挑战。针对特定环境训练的CSI反馈网络在信道场景变化下往往性能下降，或需要模型切换，这引入了延迟，并在实际部署中导致模型存储开销增加。在本文中，我们提出了一种场景自适应的深度联合信源信道编码（DJSCC）架构。将信道场景信息作为辅助信息，以使网络能够根据通信场景自适应地调整特征提取和反馈带宽。所提出的网络架构JSBANet实现了同时的场景自适应和带宽自适应，从而在提高CSI重建精度的同时降低了反馈开销。在多场景CSI数据集上的广泛实验验证了所提出方法的有效性，并展示了其相对于传统和基于AI的CSI反馈基准方法的性能优势。
Keyword:
CSI feedback
frequency division duplex
deep joint source-channel coding
scenario-adaptation
bandwidth-adaptation
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
I
IF:
6.1
论文数:
505
被引数:
0
机构
引用论文
SwinJSCC: Taming Swin Transformer for Deep Joint Source-Channel CodingSwinJSCC：驯服Swin Transformer以实现深度联合信源-信道编码
OAAI
OAAI分享收藏CNN-Based Analog CSI Feedback in FDD MIMO-OFDM Systems.png)
ICASSP 2020 - 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)OAAI
ICASSP 2020 - 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
OAAI分享收藏分享收藏Convolutional Neural Network-Based Multiple-Rate Compressive Sensing for Massive MIMO CSI Feedback: Design, Simulation, and Analysis基于卷积神经网络的大规模MIMO CSI反馈多速率压缩感知: 设计、仿真与分析OAAI
OAAI分享收藏Deep Learning for Distributed Channel Feedback and Multiuser Precoding in FDD Massive MIMOFDD大规模MIMO中分布式信道反馈和多用户预编码的深度学习OAAI
OAAI分享收藏
查看更多内容