摘要：随着第五代移动通信技术的到来，大规模的多输入多输出技术（Multiple Input Multiple Output,MIMO）将发挥出巨大的作用。由于频分双工（Frequency Division Duplexing,FDD）有更好的覆盖性，但是不具备信道互易性，因此它需要在用户设备处估计下行链路CSI并反馈到基站。

MIMO系统需要基站中的下行信道信息从而更好地利用空间分集和复用增益。然而，在频分双工MIMO系统中，大量的信道信息反馈受到限制并且降低了总体的频谱效率。本文提出了一种基于深度学习的信道信息矩阵压缩方案——CsiNet。仿真结果表明，在相同压缩的信道状态矩阵的重构质量方面，CsiNet明显优于最先进的压缩方案。

关键词：CNN；信道信息反馈；MIMO；频分双工

目   录

摘  要

ABSTRACT

第一章  绪论-1

1.1 研究背景及意义-1

1.2 Csi反馈研究现状-1

1.3 传统算法存在的问题-2

1.4 机器学习-3

1.5 论文的章节安排-5

第二章  系统模型-6

2.1 信道模型-6

2.2 卷积神经网络-7

2.3 TensorFlow-8

2.4 本章小结-9

第三章  CsiNet-10

3.1 CsiNet结构-10

3.2 本章小结-11

第四章  仿真及结果分析-12

4.1 仿真参数-12

4.2 仿真结果-12

4.3 重构结果分析-13

4.4 本章小结-15

第五章  总结与展望-16

5.1 总结-16

5.2 展望-16

参考文献-17

致  谢-19