Apr, 2018

基于深度学习的大规模 MIMO 室内用户定位

PDF
TL;DR本文研究了在现有 OFDM MIMO 系统中，仅基于正交频分复用（OFDM）复杂频道系数的深度神经网络在多输入多输出（MIMO）用户定位方面的可用性，提出了一种两步训练流程来减少所需的训练点数量。
deep neural networksmimouser positioningofdmnon-line of sight
发现论文，激发创造
  • 基于深度学习的室内定位新型大规模 MIMO 信道探测数据

    本文介绍了一种新的通道声纳架构，可测量不同频段、天线几何和传播环境下的多天线和多子载波通道状态信息（CSI），该架构可用于进行不同应用程序的各种深度学习（DL）技术研究，例如在三维空间中的室内用户定位。通过室内室外的广泛测试，可以提供更全面的开放 CSI 数据集，并标记位置以供科学界进一步测试各种算法。

    Oct, 2018

  • 学习本地化：大规模 MIMO-OFDM 系统中用户定位的 3D CNN 方法

    本文提出一种利用角度 - 延时信道功率矩阵（ADCPM）作为指纹的用户定位方法，并应用三维卷积神经网络模型来提高位置估计准确度，模拟结果表明该方法比传统基于搜索的方法具有更高的定位准确度，更强的噪声抗扰性。

    Oct, 2019

  • 大规模 MIMO 的直接定位

    该研究提出了一种基于压缩感知框架的直接定位方法，通过联合处理分布式大规模 MIMO 基站获得的观测值来区分 LOS 和非 LOS 信号路径，以实现用户位置的高精度定位。

    Jul, 2016

  • 基于高效下行信道重构的 FDD 大规模 MIMO 技术

    本研究旨在通过开发全收发机制，包括下行信道训练（或估计），CSI 反馈和信道重建方案，解决大规模 MIMO 系统中多用户 CSI 的问题。我们的框架利用增强的 Newtonized 正交匹配追踪算法提取频率独立参数，然后开发了有效的下行训练方案，以估计多个用户的下行信道增益。数值结果验证了 eNOMP 算法的精度，并证明了使用重构的下行信道的系统的求和速率性能可以接近使用完美 CSI 的系统。

    Feb, 2019

  • 基于深度学习的信道预测实现 FDD 大规模 MIMO

    通过神经网络进行频域外推，实现 DL 信道状态信息的准确性推测，不需要进行频繁的 PILOT 信号发送，与传统 TDD 信号相比具有可比性，可大幅提升频谱效益。

    Jan, 2019

  • 基于大规模 MIMO 系统的实用室内定位

    该研究证明了仅基于神经网络和 (Massive) MIMO 通信系统的信道状态信息的室内定位系统 (IPS) 的实用性，提供了良好的精度和无需使用额外的协议 / 信号开销来实现用户定位任务。

    May, 2019

  • 基于数据驱动的深度学习的无线电大规模 MIMO-OFDM 系统的混合波束赋形技术（含隐式 CSI）

    本文提出了一种基于深度学习技术的统一混合波束成形框架，通过将关键传输模块建模为端到端神经网络，实现了在时分复用（TDD）和频分复用（FDD）系统中具有隐式信道状态信息（CSI）的宽带多用户混合波束成形，避免了明确的信道重建，并将传统方法中的不同模块分别处理的流程，改为同时优化所有模块，从而减少了信道估计所需的导频和反馈开销，缓解了量化约束引起的性能损失，并大大提高了系统的速率和可靠性。

    Jan, 2022

  • 基于端到端学习的 MIMO 物理层通信基准测试

    本文目的在于探讨在何种场景下，数据驱动的机器学习可以超越传统的 MIMO 收发器，并展示了多种场景中 ML 的性能表现，其中包括闭环 MIMO，开环 MIMO 和多用户 MIMO，并提供了相应神经网络模型的代码实现。

    May, 2020

  • 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

  • 基于深度学习的 MIMO 通信

    论文提出了一种新颖的基于无监督深度学习的物理层方案，该方案在单用户多输入多输出 (MIMO) 通信中具有显著的潜力，其考虑了空间多样性和空间复用技术，并将无线信道失真模型引入自编码器优化问题中。

    Jul, 2017