大规模可重构智能表面辅助无线系统中用于信道状态信息估计与反馈的端到端深度学习

《IEEE Transactions on Machine Learning in Communications and Networking》：End-to-End Deep Learning for CSI Estimation and Feedback in Large-Scale RIS-Assisted Wireless Systems

　　为了充分释放智能超表面（RIS）辅助通信系统的潜力，精确的信道估计和可靠地获取完整信道状态信息（CSI）至关重要。然而，由于信道的高维特性，尤其是大规模RIS部署中拥有数百甚至数千个反射元件，这一任务变得越来越具有挑战性。本文提出了一种基于深度学习（DL）的端到端框架，用于RIS辅助无线系统联合执行CSI估计与反馈。所提出的框架首先采用去噪超分辨率网络（DSRNet），从可用的部分CSI中重建完整CSI。随后，采用一种新颖的基于编码器-解码器的CSI反馈网络，称为DCFNet，其中编码器将估计的CSI压缩为紧凑的码字，解码器则利用残差去噪和信道精化子模块来重建CSI。通过联合优化CSI估计、压缩和重建，所提出的框架减少了分别训练的估计模块与反馈模块之间的不匹配。仿真结果表明，所提出的E2E-CsiNet优于代表性的CSI反馈方法和基于深度学习的端到端估计与反馈基线方法。它在CSI重建方面实现了更高的精度。此外，DCFNet实现了良好的精度-复杂度折中。与多种反馈基线方法相比，它减少了可训练参数和内存使用，同时保持了实际的推理时间。这些结果表明，所提出的框架在可扩展的大规模RIS CSI获取方面具有有效性，即使在部分CSI可用和反馈传输存在噪声的条件下也是如此。