Residual Cross-Attention Transformer-Based Multi-User CSI Feedback With Deep Joint Source-Channel Coding

This letter proposes a deep-learning (DL)-based multi-user channel state information (CSI) feedback framework for massive multiple-input multiple-output systems, where the deep joint source-channel coding (DJSCC) is utilized to improve the CSI reconstruction accuracy. Specifically, we design a multi...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Veröffentlicht in:	IEEE wireless communications letters Jg. 14; H. 8; S. 2481 - 2485
Hauptverfasser:	Zhang, Hengwei, Wu, Minghui, Qiao, Li, Liu, Ling, Han, Ziqi, Gao, Zhen
Format:	Journal Article
Sprache:	Englisch
Veröffentlicht:	Piscataway IEEE 01.08.2025 The Institute of Electrical and Electronics Engineers, Inc. (IEEE)
Schlagworte:	Coding Correlation Decoding deep joint source-channel coding (DJSCC) Delays Downlink Encoding Feature extraction Feedback massive multiple-input multiple-output (MIMO) multi-user CSI feedback Noise levels Residual cross-attention Training Transformers Uplink Vectors
ISSN:	2162-2337, 2162-2345
Online-Zugang:	Volltext
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Schreiben Sie den ersten Kommentar!