面向无线通信与感知的信号压缩：一种利用预训练无线基础模型的通用方法

《IEEE Journal on Miniaturization for Air and Space Systems》：Signal Compression for Wireless Communication and Sensing: A General Approach Utilizing Pretrained Wireless Foundation Models

　　

摘要：

人工智能预计将在实现未来 6G 网络中发挥核心作用。开发支持广泛下游任务的基础模型对于推进 6G 标准化至关重要。本文提出了一种利用预训练无线基础模型压缩无线信道状态信息（CSI）的通用框架。该基础模型采用自监督学习进行预训练，并以掩码重建为目标，在预训练期间实现了量级为 10?3 的归一化均方误差。该模型在一系列无线通信和感知任务上进行了评估，包括直接使用压缩后的 CSI 进行预测的分类任务，以及需要完整 CSI 重建的回归任务。对于大规模 MIMO CSI 反馈等回归任务，基础模型的预压缩输出被用作下游压缩器的辅助输入，从而有效提高重建质量。与具有相当反馈比特数的 Type-I 码本相比，我们的方法将 SGCS 提高了 16.22%，并将 NMSE 降低了 93.24%。此外，它在使用仅为 Type-II 码本 29% 的反馈比特的情况下，实现了相当的 SGCS 性能。与现有研究的比较进一步证实了基础模型的压缩输出在提高 CSI 压缩性能方面的贡献。对于基于 WiFi 的人类活动识别和人类身份识别等分类任务，基础模型产生的压缩表示可以直接使用，无需额外的微调。这些表示达到了超过 97% 的准确率，即使在高压缩率下也优于传统的基于 AI 的方法。这些发现表明，利用预训练的无线基础模型能持续增强分类和回归任务的性能，突显了其在无线 CSI 处理中的多功能性和潜力。

显示更多

I. 引言

人工智能（AI）的快速发展深刻影响了通信网络的演进，推动了 AI 技术在这些系统中的深度集成 [1], [2]。在第六代（6G）网络的背景下，人工智能预计将在增强网络智能以及实现通信、感知、计算和安全功能的无缝融合中发挥核心作用 [3], [4]。鉴于此，国际电信联盟（ITU）将"AI 集成通信”确定为未来网络的六大核心应用场景之一，强调了 AI 在塑造下一代系统中的关键作用 [5], [6]。因此，6G 标准化的进展与 AI 在网络各层中的深度融入密切相关 [7], [8]。