Apr, 2018

高移动毫米波系统的深度学习协同波束成形

PDF
TL;DR本文提出一种整合了机器学习和协调波束成形技术的解决方案，以克服毫米波系统中窄波束的使用以及高度移动用户在基站之间切换等挑战，并支持高度移动的毫米波应用，同时实现可靠的覆盖、低延迟和可忽略的训练开销。
millimeter wave systemscoordinated beamformingmachine learninghighly-mobile applicationstraining overhead
发现论文，激发创造
  • 毫米波通信系统深度学习辅助校准波束训练

    本篇论文提出了一种基于宽波束训练的窄波束校准方法，通过深度学习预测最佳的窄波束方向，具有很高的波束成形增益和更小的波束训练开销。

    Jan, 2021

  • DeepBeam：毫米波网络中无需坐标的波形深度学习进行波束管理

    本文提出了 DeepBeam 框架，该框架使用波形级深度学习和卷积神经网络，自动推断波束的角度到达和发送端实际使用的波束，可实现更高的精度和更低的延迟，其数据集和代码已公开发布。

    Dec, 2020

  • 毫米波分布式多输入多输出 (D-MIMO) 系统中的机器学习辅助波束管理

    通过研究使用射频信号的射束管理协议，利用人工智能和机器学习的方法，探索如何在分布式多输入多输出系统中通过少量的近似数据来可靠地预测最佳的射束 / 接入点组合。

    Dec, 2023

  • 基于深度学习的车对车通信的位置感知 60 GHz 毫米波波束成型

    利用车辆位置信息的深度学习解决方案，可用于在毫米波（mmWave）60 GHz 启用的车辆对车辆（V2V）通信中实现基于波束的高效率链路配置，确保最佳的 V2V 视距链路。

    Feb, 2024

  • 深度学习和图像超分辨率引导的毫米波网络束及功率分配

    本文提出了基于深度学习和超分辨技术的低开销光束和功率分配方法，以应对多用户毫米波网络中用户和车辆的移动、不必要的光束重新选择和定位等难题，并通过理论和数值分析结果证明了该方法的有效性。

    May, 2023

  • 使用实际毫米波数据的视觉 - 定位多模束预测

    提出了一种基于多模态机器学习的方法，利用无线通信环境中收集到的位置和视觉数据快速预测光束方向，实现了超过 75％ 的准确度和近乎 100％ 的前 3 名光束预测准确度。

    Nov, 2021

  • 基于联邦强化学习的超密集毫米波网络束形管理：一个智能和安全的方法

    本文介绍一种新型系统化波束控制方案，针对超密集的毫米波网络的波束管理问题。在基于联邦学习的波束管理方案中，使用了双层深度 Q 网络（DDQN），非原始数据聚合可以在减少切换成本的同时，理论上保护用户隐私。模拟结果证明了本文所提出的方案的性能增益。

    Oct, 2022

  • 混合波束成形在 GSM 辅助下的毫米波 MIMO 系统中的有限反馈深度学习

    本文针对毫米波多输入多输出系统中的波束赋型技术进行研究，采用广义空间调制技术进一步提高频谱效率。通过深度学习，设计了 GSM 毫米波 MIMO 系统中的混合波束赋型器，并给出了基于多分辨率网络的 GsmEFBNet 方法，该方法比传统方法具有更高的实现速率和更少的反馈位数。

    Feb, 2023

  • 基于无监督学习的低分辨率相移器混合波束成形在 MU-MIMO 系统中的应用

    本文提出了一种基于无监督学习的方案，用于同时设计多用户 Mu-MIMO 系统的模拟前置器和合成器，并结合低分辨率 PS。通过将模拟前置器和合成器的设计问题转换为相位分类问题，并提出一种泛化神经网络体系结构 (PCNet)，能够产生各种 PS 分辨率的解，仿真结果表明，该方案相对于对于最常用的低分辨率 PS 配置的最先进的混合波束成形设计具有更优越的总速率和复杂度性能。

    Feb, 2022

  • 基于位置辅助的毫米波波束在线学习

    本文通过多臂老虎机框架，提出了一种在线学习算法，用于选择和优化天线成对的方向，以最大化功率角谱在该位置上的峰值，并在较短的时间步数内实现与无遗漏搜索相当的性能。

    Sep, 2018