Abstract
在FDD大規模MIMO中，可以将上行鍊路信道映射到下行鍊路信道，或者可以将一個天線子集的下行鍊路信道映射到所有其他天線的下行鍊路信道。
作者介紹了空間和頻率中信道映射的新概念，其中将一組天線和一個頻段上的信道映射到另一組天線和一個頻段上的信道。
通過使用深度學習來找尋這種函數映射關系，結果表明，即使64個天線處于不同的頻帶，僅在4-8個天線處擷取的信道也可以有效地映射到所有64個分布式天線上的信道。
這麼做的目的是，憑借深度神經網絡強大的學習能力，減少mmWave和大規模MIMO系統中的訓練和回報開銷。
introduction
這種函數映射關系有什麼用呢？
在FDD場景下
在TDD場景下
- 在TDD無小區大規模MIMO的情況下，此映射意味着僅分布式終端的一個子集上的信道需要饋送到中央處理單元，該中央處理單元将使用它們來預測所有其他終端上的信道，這減少了前傳信令開銷，并允許這些分布式系統擴充。
SYSTEM AND CHANNEL MODELS
Deep Learning for TDD and FDD Massive MIMO: Mapping Channels in Space and Frequency論文閱讀AbstractintroductionSYSTEM AND CHANNEL MODELS基于神經網絡的信道映射關系 信道模型：
Deep Learning for TDD and FDD Massive MIMO: Mapping Channels in Space and Frequency論文閱讀AbstractintroductionSYSTEM AND CHANNEL MODELS基于神經網絡的信道映射關系 構造一個映射問題
是否天線集合M1,頻率f1能映射到另一個天線集合與載波頻率呢？
Deep Learning for TDD and FDD Massive MIMO: Mapping Channels in Space and Frequency論文閱讀AbstractintroductionSYSTEM AND CHANNEL MODELS基于神經網絡的信道映射關系 基于神經網絡的信道映射關系
上文提到的信道映射關系與多種因素有關，包括幾何位置，材料等，傳統的方法基本無法對此模組化，作者提出使用神經網絡來模組化。
學習與預測
學習就是訓練模型，預測就是部署模型
訓練資料
相幹時間内
上行，子天線集合M1，信道資訊
Deep Learning for TDD and FDD Massive MIMO: Mapping Channels in Space and Frequency論文閱讀AbstractintroductionSYSTEM AND CHANNEL MODELS基于神經網絡的信道映射關系 下行，天線集合M2
Deep Learning for TDD and FDD Massive MIMO: Mapping Channels in Space and Frequency論文閱讀AbstractintroductionSYSTEM AND CHANNEL MODELS基于神經網絡的信道映射關系 第一項為輸入網絡的資料，第二項為标簽
Deep Learning for TDD and FDD Massive MIMO: Mapping Channels in Space and Frequency論文閱讀AbstractintroductionSYSTEM AND CHANNEL MODELS基于神經網絡的信道映射關系 
