IALNet：一种用于大规模MIMO信道状态信息（CSI）反馈的集成注意力轻量级神经网络

《IEEE Wireless Communications Letters》：IALNet: An Integration Attention Lightweight Neural Network for Massive MIMO CSI Feedback

　　基于轻量级神经网络的CSI反馈优化方法研究，提出集成注意力模块（IAM）有效整合CSI矩阵的垂直与水平方向相关性，在保持压缩/重建精度的同时显著降低计算复杂度。实验表明该方案在室内外场景中均优于现有SOTA网络，为5G FDD系统提供高效灵活的CSI反馈解决方案。

　　

摘要：

近期基于深度学习的信道状态信息（CSI）反馈方法取得了显著进展。然而，许多现有方法通过设计更复杂的深度学习模块来提高CSI的压缩效率和重建精度，但这会增加计算复杂性。在本文中，我们提出了一种新型的轻量级神经网络IALNet用于CSI反馈问题。在所提出的IALNet中，我们设计了一个集成注意力模块（IAM）来提升网络性能。具体而言，通过将CSI矩阵的垂直和水平方向的相关信息嵌入到信道注意力中，IALNet能够捕捉CSI矩阵的分布特征，同时关注垂直和水平方向上的重要区域，从而增强特征表示能力。广泛的实验结果表明，我们的IALNet在室内外场景中均优于之前的最佳技术（SOTA）网络，提供了一种高效、低成本且灵活的CSI反馈解决方案。

引言

大规模多输入多输出（MIMO）系统是实现新型无线电（NR）无线通信系统中优异频谱和能量效率的基本技术，尤其是在5G通信系统中。5G最初是为时分双工（TDD）设计的，上行链路和下行链路使用相同的频率但时间上分开，这些信道的互易性使得可以通过上行链路估计下行链路的信道状态信息（CSI）。但由于许多国家在法律和技术支持方面的限制，建议采用频分双工（FDD）模式，即上行链路和下行链路使用不同的频率且不具备互易性。在FDD系统中，需要将下行链路的CSI从用户设备（UE）反馈到基站（BS）。基站准确掌握CSI对于实现大规模MIMO的性能提升至关重要[1]。通过配备数十甚至数百个活性天线，基站可以充分利用空间多样性来提高信道容量并同时服务多个用户。然而，由于大规模MIMO系统中天线阵列庞大，直接进行CSI反馈的开销显然是不可接受的。因此，在反馈之前需要对CSI进行压缩以减少开销。