Neural Codebook Design for Network Beam Management

获得准确及时的信道状态信息(CSI)对于大型天线系统来说是一个基本的挑战。像5G这样的移动系统使用一个波束管理框架来连接初始接入、波束成形、CSI获取和数据传输。然而，由于它们之间的相互关系、不同的阵列大小和站点特定的信道和用户分布，这些阶段的码本设计具有挑战性。此外，波束管理通常集中于单扇区操作，而忽略了全面的网络和系统级优化。本文提出了一种端到端学习的码本设计算法，网络波束空间学习(NBL)，它捕捉和优化码本以减轻干扰，同时最大化极大混合阵列的可实现性能。所提出的算法需要有限的共享信息，但设计的码本在波束对准方面优于传统码本超过10dB，并实现了网络频谱效率超过25%的提高。

设计适用于大型天线系统的端到端学习码本算法，以优化网络波束管理并提高网络频谱效率。

使用网络波束学习（NBL）算法，通过端到端学习码本，优化波束管理以降低干扰，同时最大化可实现的性能，比传统码本提高10dB以上的波束对准度，网络频谱效率提高超过25%。

实验结果表明，NBL算法可以在不共享完整CSI信息的情况下，设计出比传统码本更优的波束管理方案。该算法还可以应用于不同天线阵列大小和不同的用户分布。

相关研究包括：End-to-end Learning for Massive MIMO Beamforming，Deep Learning for Wireless Communications，A Survey of Deep Learning for Wireless Communications等。