快变信道环境下,采用频分双工模式下的大规模MIMO系统,用户通过反馈链路将信道状态信息(Channel State Information,CSI)发送给基站,为适应信道快速变化保证系统性能,要求降低反馈时延及减少反馈开销.提出一种基于深度学习的多分辨率信道状态信息网络(Multi-resolution Channel State Information Network,MCSINet),对反馈的信道状态信息进行压缩及预测,能够显著减少信道状态信息捕获与反馈开销,及降低时延.MCSINet模拟信道状态信息编解码系统,采用残差网络从信道样本中学习并完成信道预测,并通过多分辨率的卷积操作以及针对不同压缩率改变网络结构,从而更好预测信道状态.实验结果表明:与LASSO,TVAL3,CSINet等方法相比,MCSINet可以显著提高恢复信道状态信息,并且具有更低的误码率,复杂度和时延.
采用随机几何理论分析异构蜂窝网络性能时,通常假设用户均匀分布且独立于基站。但在实际的异构蜂窝网络中,小基站一般部署在热点地区或覆盖盲区,因此,小基站与用户的空间位置存在相关性。针对三维空间中蜂窝用户以小基站为父节点的Matern簇过程和Thomas簇过程进行建模,再采用最大信号干扰比(signal to interference ratio,SIR)的小区接入准则,在瑞利衰落信道下推导出下行链路的覆盖概率;通过蒙特卡罗仿真验证理论结果,分析用户簇过程的半径或方差、SIR门限值、小基站密度和小基站功率对覆盖概率的影响,并比较三维用户簇分布模型、三维用户均匀分布模型和二维用户簇分布模型的网络性能。实验结果表明基于三维用户簇分布模型的异构蜂窝网络具有较好的覆盖概率。
