文献综述（或调研报告）：
大规模多输入多输出（Multiple-Input Multiple-Output，MIMO）系统被广泛认为是第五代无线通信系统的主要技术之一，通过在基站配备成百甚至上千根天线，在空间域形成多个独立信道同时服务大量用户，能够成倍增加无线通信系统的吞吐量。理论上，随着基站天线数量的增加，阵列增益有望无限制增长从而消除系统在任意给定用户数量和干扰用户功率下的多用户干扰和热噪声，但这些优势建立在基站能够获取高质量信道状态信息（Channel State Information，CSI）的基础上[1]。
为了充分利用大规模MIMO的空间复用增益和阵列增益，基站需要精确获知信道状态信息，以此通过预编码来消除多用户干扰。频分双工（Frequency Division Duplexity，FDD）是目前蜂窝系统中应用最广泛的双工模式。在当前FDD的MIMO系统中，上行链路和下行链路工作在不同的频点上，因此下行链路的信道状态信息需要由用户端获得，并通过反馈链路传送回基站端。通常采用矢量量化（Vector Quantization，VQ）或基于码本的方法[2]来减少反馈开销，但这些方法在一定程度上损失了信道信息，且其产生的反馈量会随着发射天线数量进行线性缩放。考虑到基站端使用大量天线，因此这些方法在大规模MIMO系统中是不可取的。
研究表明，随着基站天线数量增加，用户端在空频域的信道矩阵因基站有限的局部散射体而可被表示成一种稀疏形式[3],[4]。因此，基于压缩感知（Compressive Sensing，CS）的方法被提出[5],[6]，这是目前较为先进的信道反馈方法。具体而言，相关的CSI在某些基上可以转换为不相关的稀疏矩阵，利用CS方法对其进行随机映射来获得降维的测量值；该测量值在占用少量资源开销的情况下通过反馈链路传送回基站，基站再利用CS理论从测量值中恢复出原始的稀疏信道矩阵。通过利用信道状态信息的空时相关性，这些方法不依赖于统计数据且在一定程度上减少了反馈开销。
然而，传统基于CS的方法仍然存在以下几个问题：①CS方法严重依赖于信道结构的先验假设，即信道在某些变换基上满足稀疏性，而实际信道在任何基上都不是完全稀疏的，甚至可能没有可解释的结构；②CS使用随机投影的方法来获得低维度的压缩信号，并没有充分利用信道结构；③现有的用于CSI重建的CS算法多为迭代算法，具有较大的计算开销和较慢的重建速度，不满足系统的实时性要求。因此，一种可以从低压缩率的反馈信息中快速准确地重建信道状态信息的大规模MIMO反馈方法亟待提出。
近年来，人工智能特别是深度学习技术迅猛发展，在计算机视觉、自然语言处理、语音识别等领域获得了巨大成功。深度学习算法可根据大量训练数据有效逼近或拟合任意复杂的函数，能够提取并处理隐含的特征，所以融入了深度学习的智能通信有望打破传统通信系统的模块化结构，降低建模难度，得到整体性能最优的新架构。鉴于深度学习在通信系统各个领域的成功应用[7],[8]，研究者们试图将深度学习技术引入大规模MIMO系统的CSI反馈压缩及重建方案中。
受卷积神经网络（Convolutional Neural Networks，CNNs）在压缩感知图像重建[9]以及结构信号感知和重建[10]上取得重大突破的启发，[11]中提出了一种基于深度学习的大规模MIMO信道状态信息反馈重建架构CsiNet。CsiNet模型结构类似于自动编码器[12],包括编码器和译码器两部分，其中编码器属于用户端，用于CSI感知；译码器属于基站端，用于CSI恢复。具体来说，用户端在获得MIMO信道状态信息在空频域的信道矩阵后，对其进行二维离散傅立叶（DFT）变换，得到在角度延迟域稀疏的信道矩阵；用户端的编码器将信道矩阵编码为更低维度的码字（即压缩测量值），然后通过反馈链路传回基站端；基站端使用译码器从码字中重建出原始信道矩阵的估计值，并进行二维逆DFT变换，从而恢复出原始空频域的信道矩阵重建值。
相比于传统基于CS的方法，CsiNet通过数据驱动方式端到端训练由神经网络构成的基于自动编码器的模型，显示出极大的性能优势。在编码器端，CsiNet没有使用传统CS方法的随机投影，而是通过训练数据学习从原始信道矩阵到码字的变换。该算法不依赖于我们对信道分布的知识，而是直接从训练数据中学习如何有效地利用信道结构。在译码器端，CsiNet通过训练学习从码字到原始信道的逆变换。该算法是非迭代的，比传统CS方法的迭代算法快几个数量级。由此可见，训练好的CsiNet模型可以有效解决传统基于CS方法存在的局限性，且在低压缩比下仍然具有良好的重建性能并能降低时间复杂度，是一种极具潜力的新型CSI感知及恢复机制。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
