【摘要】：为了进一步验证所提两种方法的性能，本节采用余弦相似度的方法进一步验证。其中余弦相似度可以表示为将余弦相似性能作为波束成形增益，用于测量大规模MIMO系统的信道重构精度。图9-13LSTM-Attention CsiNet、Reduced LSTM-Attention CsiNet与主流算法的余弦相似度性能的比较图9-14LSTM-Attention CsiNet、Reduced LSTM-Attention CsiNet与主流算法的余弦相似度性能的比较对于室内场景下，Reduced LSTM-Attention CsiNet和LSTM-Attention CsiNet都优于其他的传统算法，且优于CsiNet 1%~1.5%。
为了进一步验证所提两种方法的性能，本节采用余弦相似度的方法进一步验证。其中余弦相似度可以表示为
将余弦相似性能作为波束成形增益，用于测量大规模MIMO系统的信道重构精度。图9-13和图9-14所示为将所提的两种方法与TVAL3、LASSO、CS-CsiNet、CsiNet和RecCsiNet进行比较。
(www.xing528.com)
图9-13 LSTM-Attention CsiNet、Reduced LSTM-Attention CsiNet与主流算法的余弦相似度性能的比较（在室内条件下）
图9-14 LSTM-Attention CsiNet、Reduced LSTM-Attention CsiNet与主流算法的余弦相似度性能的比较（在室外条件下）
对于室内场景下，Reduced LSTM-Attention CsiNet和LSTM-Attention CsiNet都优于其他的传统算法，且优于CsiNet 1%~1.5%。对于室外环境下，同样有较好的效果。由于从信道矩阵中提取的特征被FCN压缩到一个较低的维数，Reduced LSTM-Attention与LSTM-Attention CsiNet相比会带来一些信息损失。M越大，码率越大，CSI反馈精度越好。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
