.png){kind=icon}
返回
Transformer-Inspired Deep Adaptive CSI Sensing With Learnable Quantizer
.png){kind=icon}
PRE
AI
DOI：10.1109/TVT.2025.3549764.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
作为5G和下一代通信的关键使能技术，多天线技术通常需要准确的信道状态信息（CSI）来释放其潜力。然而，相应的CSI感知具有挑战性，特别是在基于码本反馈机制的频分双工系统中。虽然传统上这是通过解决相位恢复（PR）问题来实现的，但基于PR的现有方法通常使用启发式感知预编码器，这些预编码器很难有效捕获反馈之间的时序依赖关系并实现自适应感知。受Transformer启发，本研究提出了一种CSI感知深度神经网络，利用多头注意力从反馈中学习环境知识并自适应调整预编码器。此外，我们还进一步考虑了反馈量化的影响，开发了一种可学习的计算高效的量化器，并将其嵌入到我们提出的自适应感知中。数值结果表明，我们提出的方法显著优于现有方法，并且可学习的量化器能够有效缓解反馈量化带来的性能损失。
Keyword:
CSI recovery
FDD
finite feedback
adaptive sensing
deep learning
期刊
IF:
7.1
论文数:
1.8W
被引数:
6.6W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏Environment Knowledge-Aided Massive MIMO Feedback Codebook Enhancement Using Artificial Intelligence
PREAI
分享收藏
查看更多内容