MMFeb, 2018

基于深度学习的波束空间毫米波大规模 MIMO 系统信道估计

PDF
TL;DR本文旨在提高毫米波通信中有限射频 (RF) 链路下的通道估计。通过利用学习过程探测的近似传递 (LDAMP) 网络，可以学习信道结构和从大量的训练数据中估计信道。该文章结合了分析和仿真结果，表明即使接收机装备较少的 RF 链路数，LDAMP 神经网络也可以显著优于现有的压缩感知算法，从而进一步证明深度学习在毫米波通信中可以成为强有力的工具。
channel estimationmillimeter-wave communicationsneural networkcompressed sensingdeep learning
发现论文，激发创造
  • 基于模型驱动的深度学习技术的毫米波海量混合 MIMO 系统通道估计及反馈

    本文提出了一个基于深度学习的模型驱动的通道估计和反馈方案，适用于宽带毫米波巨型混合多输入多输出系统，利用角度 - 时延域通道的稀疏性来减少开销。

    Apr, 2021

  • 大型智能表面辅助下的毫米波大规模 MIMO 系统的深通道学习

    本文提出了一个深度学习框架，用于大型智能表面辅助大规模 MIMO 系统中的通道估计，其核心是双卷积神经网络结构，用于估计直接和级联信道，结果表明该方法性能优越。

    Jan, 2020

  • 用于多载波毫米波大规模 MIMO 中信道估计和混合波束成形的深度学习架构族

    本文利用深度学习方法，通过卷积神经网络对在毫米波多重输入多重输出系统中频率选择性宽带通道的信道估计和混合波束成型进行了研究。该方法相对于当前最先进的优化和深度学习方法，提供更高的频谱效率，较少的计算成本和更少数量的导频信号，并且在接收导频数据，损坏的信道矩阵和传播环境偏差方面具有更高的容忍度。

    Dec, 2019

  • 基于数据驱动的深度学习设计海量 MIMO 飞行员和信道估计器

    本文提出了一种基于数据驱动的深度学习方法，用于联合设计宽带大规模多输入多输出系统的导频信号和信道估计器。通过利用大规模 MIMO 信道的角度域压缩性，该方法可以从欠定的测量中可靠地重构高维信道，模拟结果表明，该方法优于最先进的压缩感知方法。

    Mar, 2020

  • 基于源编码的毫米波信道估计与基于深度学习的解码

    本文旨在使用基于深度学习的方法解决毫米波通信中的信道估计问题，将信道估计视为源压缩问题，并比较了该方法与现有压缩感知方法的性能差异和最少测量次数下的可靠信道识别问题。

    Apr, 2019

  • 基于贝叶斯方法和深度学习的大规模 MIMO 硬件非线性渠道估计

    本文研究了非线性硬件失真对单小区 massive MIMO 的上行传输性能的联合影响，并提出了使用深度学习方法估计基站天线的有效通道和失真方差，在高阶非线性下取得更好的性能表现。

    Nov, 2019

  • 适用于毫米波智能反射表面的深度去噪神经网络辅助压缩信道估计

    本研究提出了一种深度去噪神经网络辅助压缩信道估计方法，在毫米波反射面系统中降低了训练开销，并使用压缩感知方法从有限的测量中重构出完整的信道矩阵，仿真结果表明这种方法优于现有方案。

    Jun, 2020

  • 基于深度学习的毫米波大规模 MIMO 稀疏信道估计与混合波束赋形

    本文提出了 DLCS 通道估计方案和 DLQP 混合前缀设计方法，用于多用户毫米波大规模 MIMO 系统，模拟结果表明 DLCS 通道估计方案在规范化均方误差和频谱效率方面优于现有方案，而 DLQP 混合前缀设计方法在相位分辨率较低的情况下具有更好的频谱效率性能。

    Feb, 2020

  • 基于深度 CNN 的毫米波大规模 MIMO 系统信道估计

    本文探讨了深度 CNN 在厘米波 massive MIMO 系统的信道估计中的应用，提出了精简空间频率 CNN、空间频率时间 CNN 和减少空间导频开销 CNN，通过数值结果验证了 CNN 可以在降低复杂度的同时提高估计准确性的结论。

    Apr, 2019

  • 基于深度学习的信道估计

    本研究提出了一种基于深度学习算法的信道估计方法，利用图像处理中的图像超分辨率和图像恢复技术来进行信道估计，实验结果表明该方法的性能与最小均方误差相当，且优于线性最小均方误差的近似算法。

    Oct, 2018