基于核密度函数的分布感知量化器在大规模MIMO信道状态信息反馈中的应用：采用梯形近似的方法

《AEU - International Journal of Electronics and Communications》：Distribution aware kernel density function-based quantizer using trapezoidal approximation for massive MIMO CSI feedback

　　

在大规模多输入多输出（massive Multiple-Input Multiple-Output, mMIMO）系统中，信道状态信息（Channel State Information, CSI）反馈因信道矩阵的高维特性成为关键瓶颈。尽管压缩技术有效降低了反馈开销，但量化阶段常未考虑压缩后CSI的统计分布，导致反馈失真增加。研究人员提出了一种基于核密度估计（Kernel Density Estimation, KDE）的分布感知非均匀量化器，能够根据压缩CSI的经验分布自适应确定量化电平。具体而言，该方法利用核密度函数推导Lloyd–Max（LM）算法框架下条件均值的数值表达式，以最小化量化误差。为验证其有效性，该量化器与基于主成分分析（Principal Component Analysis, PCA）的压缩方案结合，形成统一的CSI反馈框架。使用真实CSI数据集的仿真结果表明，所提出的PCA+KDQ方法在归一化均方误差（Normalized Mean Square Error, NMSE）和余弦相似度方面均优于现有均匀量化、μ律、A律及基于预定义密度函数的经典LM量化方法，即使在较低比特分辨率下亦然。此外，频谱效率和误码率评估进一步证实了该方法在有限反馈约束下的有效性。

研究背景方面，大规模MIMO（mMIMO）技术在基站端配置大量天线，可实现高效空间复用并显著提升频谱效率。然而，这些性能增益依赖于基站获得精确的下行链路信道状态信息（CSI）。在频分双工（Frequency Division Duplex, FDD）系统中，CSI需由用户设备（User Equipment, UE）估计并反馈至基站（gNodeB, gNB）。当前3GPP标准中的Type I与Type II码本虽具备兼容性，但在高维信道场景中的可扩展性受限。Rel-18已强调基于人工智能（AI）的CSI反馈技术的必要性。机器学习驱动的CSI压缩方法虽取得良好重建精度，但因计算复杂度高及训练数据需求大，在实际系统中应用受限。相比之下，主成分分析（PCA）等轻量级压缩方法受到关注，但其量化阶段的反馈失真问题尚未得到充分解决。传统均匀量化无法匹配CSI的非均匀分布，μ律与A律量化需人工调节系数，直方图量化则仅能粗略逼近概率密度函数，易导致量化伪影。因此，优化量化设计以提升CSI反馈性能具有重要现实意义。

研究人员开展了一种基于核密度估计（KDE）的分布感知量化器（Kernel Density Function-based Quantizer, KDQ）的研究，将其与PCA压缩模块集成，形成PCA+KDQ统一框架。实验采用IEEE DataPort公开的真实CSI数据集，结果表明该方法在不同压缩比下均实现更低的归一化均方误差（NMSE）和更高的余弦相似度，并在有限反馈条件下保持较高频谱效率与更低误码率。此研究发表于《AEU - International Journal of Electronics and Communications》。

关键技术方法方面，研究人员首先利用PCA对高维CSI矩阵进行降维处理，以减少反馈数据量；随后引入基于核密度估计的分布感知量化器（KDQ），结合Lloyd–Max（LM）算法与梯形近似法精确计算条件均值，从而自适应优化量化电平；实验部分基于公开真实CSI数据集，采用NMSE、余弦相似度、频谱效率及误码率等指标进行性能评估。

研究结果部分，系统模型小节中，研究人员构建了FDD下行mMIMO系统模型，明确基站天线数N_t远大于1，并给出接收信号与各参数的数学关系。研究方法小节中，提出PCA与KDQ结合的框架，详细阐述了核密度函数在量化电平优化中的作用及梯形近似的数值计算过程。仿真结果小节中，通过对比实验证明PCA+KDQ在低比特量化条件下仍显著优于传统量化方法，并在不同压缩比下保持稳定性能。结论小节中，研究人员指出KDQ可无缝集成于现有标准化CSI反馈流程，无需改变传输机制，具备良好的兼容性与实用价值。

讨论与结论方面，研究人员认为，与传统量化方法相比，KDQ利用KDE对压缩CSI的概率密度进行平滑建模，克服了直方图方法的突变过渡缺陷，并能自适应匹配实际数据分布，从而在低比特条件下显著降低量化失真。该方法与PCA结合，不仅保证了低计算复杂度，还提升了CSI重建质量，对实际mMIMO系统的有限反馈设计具有重要意义。研究证实，在不改变现有3GPP反馈架构的前提下，KDQ可有效提升系统频谱效率并降低误码率，为未来mMIMO系统的CSI反馈优化提供了一种高效、标准化的解决方案。