基于深度学习的IRS辅助MIMO通信系统的CSI压缩及恢复研究

摘要

智能反射面(IRS, Intelligent Reflecting Surface)因成本低、功耗低、可提升通信质量等优点被广泛研究。在采用正交频分复用作为多载波调制方案的IRS辅助频分双工多输入多输出(MIMO, Multiple input Multiple Output)通信系统中,为了提升系统的系统增益,用户端(UE, User Equipment)需要将多个信道的信道状态信息(CSI, Channel State Information)通过反馈链路发送至基站端(BS, Base Station)。因此,相比于传统的MIMO系统,该系统中CSI的数据量和反馈开销无疑将会是更加巨大的。针对此问题,本文提出了一种基于注意力机制的深度残差网络IARNet (Inception-Attention-Residual-Net)来对大数据量的CSI进行压缩重建。该网络在传统的Inception网络结构上结合了多卷积特征融合、混合注意力机制以及残差等子模块,这种混合结构可以有效地将大数据量的CSI进行压缩重建。仿真结果表明,与现有的2种深度学习网络相比,IARNet在基于热身法的模型训练方案加持下可以显著提高大数据量CSI的重建质量。