Deep Learning for Hybrid Beamforming with Finite Feedback in GSM Aided mmWave MIMO Systems

要約

ハイブリッド ビームフォーミングは、ミリ波 (mmWave) 多入力多出力 (MIMO) システムの重要な技術として広く認識されています。
スペクトル効率を改善するために、一般化空間変調 (GSM) がさらに導入されます。
ただし、ビームフォーミングに関する既存の作業のほとんどは、完全なチャネル状態情報 (CSI) を想定しており、これは実際のシステムでは非現実的です。
この論文では、ダウンリンク パイロット トレーニング、チャネル推定、CSI フィードバック、およびハイブリッド ビームフォーミングの共同最適化が、GSM 支援周波数分割複信 (FDD) mmWave MIMO システムで考慮されます。
ディープ ラーニングの助けを借りて、GSM ハイブリッド ビームフォーマーは、教師なし学習によってエンドツーエンドで設計されています。
実験は、GsmEFBNet という名前の提案されたマルチ解像度ネットワークが、従来のアルゴリズムと比較して、より少ないフィードバック ビットで達成可能なより良いレートに到達できることを示しています。

要約(オリジナル)

Hybrid beamforming is widely recognized as an important technique for millimeter wave (mmWave) multiple input multiple output (MIMO) systems. Generalized spatial modulation (GSM) is further introduced to improve the spectrum efficiency. However, most of the existing works on beamforming assume the perfect channel state information (CSI), which is unrealistic in practical systems. In this paper, joint optimization of downlink pilot training, channel estimation, CSI feedback, and hybrid beamforming is considered in GSM aided frequency division duplexing (FDD) mmWave MIMO systems. With the help of deep learning, the GSM hybrid beamformers are designed via unsupervised learning in an end-to-end way. Experiments show that the proposed multi-resolution network named GsmEFBNet can reach a better achievable rate with fewer feedback bits compared with the conventional algorithm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google