Методы сжатия данных прекодирования в сетях сотовой связи пятого поколения

Поступила: 28.01.2025

Принята к публикации: 10.02.2025

Ключевые слова: 5G NR, MIMO, CSI, сотовая связь, Beamforming, сжатие данных, базовая станция, антенная решетка, пользовательское оборудование, дискретное преобразование Фурье, дискретное вейвлет-преобразование, сингулярное разложение.

DOI: 10.55959/MSU/0137–0782–15–2025–49–3–53–61

Для цитирования статьи

Писковский В.О., Лысенко Д.Р. Методы сжатия данных прекодирования в сетях сотовой связи пятого поколения // Вестник Московского университета. Серия 15. Вычислительная математика и кибернетика. 2025. № 3. С. 53-61 https://doi.org/10.55959/MSU/0137–0782–15–2025–49–3–53–61.

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция-Некоммерчески») 4.0 Всемирная

Писковский В.О. (Московский государственный университет им. М.В. Ломоносова (МГУ))
Лысенко Д.Р. (Московский государственный университет им. М.В. Ломоносова (МГУ))

Аннотация

Системы связи пятого поколения 5G NR используют антенные решетки для направленной передачи и приема, что, в свою очередь, способствует повышению производительности и эффективности связи. Для дуплексных систем с частотным разделением каналов важна обратная связь о состоянии канала. Выбор кодовой страницы для конфигурации антенной решетки базовой станции и антенных портов клиентского устройства происходит при помощи обмена отчетами. Суть работы состоит в оптимизации процедуры обмена, применении и исследовании методов сжатия данных.

Литература

We n C.-K., S h i h W.-T., J i n S. Deep learning for massive MIMO CSI feedback // IEEE Wireless Communications Letters. 2018. 7. N 5. P. 748–751.
G u o J., We n C.-K., J i n S., L i G. Y. Overview of deep learning-based CSI feedback in massive MIMO systems // IEEE Transactions on Communications. 2022. 70. N 12. P. 8017–8045.
J a e c k e l S., R a s c h k o w s k i L., B ‥o r n e r K., T h i e l e L. QuaDRiGa: A 3-D multi-cell channel model with time evolution for enabling virtual field trials // IEEE Transactions on Antennas and Propagation. 2014. 62. N 6. P. 3242–3256.
Wa n g T., We n C.-K., J i n S., L i G. Y. Deep learning-based CSI feedback approach for time-varying massive MIMO channels // IEEE Wireless Communications Letters. 2018. 8. N 2. P. 416–419.
M o u r y a S., A m u r u S., K u c h i K. K. Multi-Task Learning for Multi-User CSI Feedback // arXiv preprint arXiv:2211.08173. 2022.
H a n X., Wa n g Z., L i D., T i a n W., L i u X., L i u W., J i n S., J i a S., Z h a n g Z., Ya n g N. AI enlightens wireless communication: A transformer backbone for CSI feedback // China Communications, 2024.
3GPP, 5G System Overview [Электронный ресурс]. URL: https://www.3gpp.org/technologies/5g-systemoverview (дата обращения 23 января 2025).
3GPP, Release 18 [Электронный ресурс]. URL: https://www.3gpp.org/specifications-technologies/releases/release-18 (дата обращения 23 января 2025).
3GPP, 3rd Generation Partnership Project; Technical Specification Group Radio Access Network; NR; Physical layer procedures for data [Электронный ресурс]. URL: https://atisorg.s3.amazonaws.com/archive/3gpp documents/Rel16/ATIS.3GPP.38.214.V1620.pdf (дата обращения 23 января 2025).
S u n Y., X u W., L i a n g L., Wa n g N., L i G. Y., Yo u X. A lightweight deep network for efficient CSI feedback in massive MIMO systems // IEEE Wireless Communications Letters. 2021. 10. N 8. P. 1840–1844.
MathWorks, Discrete Fourier Transform [Электронный ресурс]. URL: https://www.mathworks.com/help/signal/ug/discrete-fourier-transform.html (дата обращения 23 января 2025).
MathWorks, Singular Value Decomposition [Электронный ресурс]. URL: https://www.mathworks.com/help/matlab/ref/double.svd.html?s_tid=doc_ta (дата обращения 23 января 2025).
MathWorks, Wavelet Toolbox [Электронный ресурс]. URL: https://www.mathworks.com/help/wavelet/release-notes.html (дата обращения 23 января 2025).