Channel Modeling Aided Dataset Generation for AI-Enabled CSI Feedback

本数据集由IEEE支持创建，专注于AI辅助的CSI反馈中的信道建模数据增强。数据集通过有限的现场信道数据提取主要随机参数，并利用这些参数更新TR 38.901模型参数，从而生成新的信道模型数据集。数据集包含800条样本，主要用于优化数据收集和增强，旨在减少数据收集开销和增强模型泛化能力。该数据集的应用领域主要是在大规模MIMO系统中，通过AI模型改进信道状态信息的反馈效率和准确性。

This dataset was developed with the support of IEEE, focusing on data augmentation for channel modeling in AI-assisted CSI feedback. The dataset extracts core stochastic parameters from limited on-site channel measurement data, and updates the parameters of the TR 38.901 model using these parameters to generate a new channel model dataset. Comprising 800 samples, this dataset is primarily used for optimizing data collection and augmentation, with the goal of reducing data collection overhead and enhancing model generalization capability. Its main application scenario is massive MIMO systems, where AI models are employed to improve the feedback efficiency and accuracy of channel state information.

搜集汇总

数据集介绍

构建方式

该数据集通过在特定位置进行现场测量以获取下行信道数据，提取信道的主要统计参数，并使用这些参数更新标准的TR 38.901信道模型，从而生成场景特定的信道模型(SSCM)。随后，利用SSCM生成模拟信道数据，构建数据集。

特点

数据集的特点包括：1) 只需收集有限的现场信道数据，即可生成大量模拟信道数据；2) 降低了数据采集和空口传输的开销；3) SSCM继承了GBSM的性质，能够带来丰富的信道特性，有利于提高模型的泛化能力；4) 可以根据信道统计参数的变化监控模型的有效性。

使用方法

使用该数据集时，首先根据场景的信道统计参数选择或训练AI模型，然后利用生成的数据集对模型进行训练和验证。当UE进入新的场景时，可以获取信道统计参数并上传至网络，网络侧根据这些参数选择合适的子场景数据集进行模型训练或切换。

背景与挑战

背景概述

在无线通信系统中，获取准确的信道状态信息（CSI）对于提高频谱效率和容量密度至关重要。然而，在频分双工（FDD）系统中，下行和上行信道由于在不同频率上运行而表现出不同的信道衰落特性。因此，用户设备（UE）必须通过上行信道向基站（BS）提供精确和全面的下行CSI反馈。CSI反馈的一个挑战是上行资源开销显著，尤其是在大规模MIMO系统中。为了解决这个问题，提出了各种解决方案，例如eType II码本压缩下行CSI，以及基于深度学习的自动编码器CsiNet。尽管自动编码器在性能上优于传统的基于码本的方案，但在实际通信系统中部署仍然存在关键挑战，例如数据收集和空中接口开销大、模型泛化性差、训练时间长等。本文提出了一种基于有限数量的现场信道数据的信道建模辅助数据增强方法，旨在解决这些问题。

当前挑战

该数据集面临的挑战包括：1) 所解决的领域问题的挑战：在动态通信环境中，信道数据集需要频繁更新，导致自动编码器部署困难；2) 构建过程中所遇到的挑战：信道数据与图像或语音数据有本质区别，传统数据增强方法可能无法有效地应用于信道数据。此外，生成数据集和训练AI模型的时间较长，尤其是在对实时性要求高的通信系统中。为了解决这些问题，本文提出了一种基于信道建模的数据增强方法（CMDG），该方法通过优化数据收集和增强，旨在减少数据收集开销并提高模型泛化性。

常用场景

经典使用场景

在频分双工(FDD)多输入多输出(MIMO)系统中，信道状态信息(CSI)的反馈对于提高频谱效率和容量密度至关重要。本文提出了一种基于有限数量的现场信道数据，使用信道建模辅助数据增强的方法。该方法通过用户设备(UE)提取现场信道数据的主要随机参数，并将其传输到基站(BS)。然后，BS使用这些参数更新典型的TR 38.901模型参数，并利用更新后的信道模型生成数据集。这种方法全面考虑了数据集收集、模型泛化、模型监控等方面。

实际应用

该数据集在实际应用场景中具有广泛的应用前景。例如，在6G网络中，该数据集可以帮助基站更准确地获取CSI，从而提高网络的频谱效率和容量密度。此外，该数据集还可以用于开发更先进的信道估计和反馈技术，以支持更高的数据传输速率和更低的延迟。

衍生相关工作

该数据集的提出对相关领域的研究产生了积极的影响。例如，基于该数据集，研究人员可以开发更先进的信道估计和反馈算法，以提高网络的性能。此外，该数据集还可以用于研究信道建模和数据分析方法，以更好地理解无线通信系统的特性和行为。