学会检测
本文研究了基于深度神经网络的 MIMO 检测,并提出了一种适用于此检测任务的现代神经网络架构。通过数值模拟,结果表明,深层网络可以在显著降低复杂性的同时,提供针对具有不良条件通道和误指定噪声方差的鲁棒性,达到最先进的准确性。
Jun, 2017
本文提出了一种基于模型驱动的深度学习网络用于多输入多输出(MIMO)检测,通过深度学习技术优化网络的可训练参数以提高检测性能;由于网络可训练变量的数量等于层数,因此可以在很短的时间内轻松训练网络,并且网络可以处理时变信道,通过数值结果表明该方法可以显著提高 Rayleigh 和相关 MIMO 信道下迭代算法的性能。
Sep, 2018
本研究提出了一种新的深度学习方法,即使用另一个神经网络(超网络)来生成基于神经网络的检测器的权重,以解决多输入多输出系统的最优符号检测问题,并且能够在不需要重新训练的情况下实现接近最先进性能的结果。
Feb, 2020
本文介绍了一种基于深度学习和迭代软阈值算法的 MMNet MIMO 检测方案,通过该方案,可以在同等或更低的计算复杂度下,实现对具有空间相关性的实际信道的在线训练,并在性能上远远优于现有的深度学习方法。
Jun, 2019
本文介绍了利用模块化神经网络实现多天线信号检测,通过降低干扰和信号扩展以及神经网络的设计来达到减小量化误差的目的。本文的方法可以通过模块化来降低学习复杂度,并具有优于其他基于深度学习的 MIMO 检测方法的性能。
Apr, 2020
本文使用图神经网络(GNNs)学习图模型和马尔可夫链的随机场(MRF)来解决无线通信中的大规模 MIMO 检测问题,实验表现出比基于置信传播(BP)的 MMSE(minimum mean-squared error)基准检测器更好的性能。
Jul, 2020
本文采用深度学习底底的禁忌搜索检测,提出了快速收敛稀疏连接检测网络(FS-Net),并基于其实现适应性提前终止算法和修改搜索过程,以实现较好性能,并达到约 90%的复杂度降低。
Sep, 2019
利用深度学习的进展,本研究提出了 Multiple-Input-Multiple-Output Neural Networks (MIMONets) 的概念,通过超定的计算来降低推理成本,并在动态参数范围内实现准确率与吞吐量的权衡。MIMONets 应用于 CNN 和 Transformer 架构,分别命名为 MIMOConv 和 MIMOFormer,并通过实证评估验证了它们的高速和准确性。
Dec, 2023
本文提出了基于图神经网络的 MP 检测器后验分布启发式微调的新框架,同时提出了两种基于神经网络的检测器,其中 GEPNet 检测器最大化检测性能,GPICNet 检测器平衡性能和复杂度,仿真结果显示,GEPNet 检测器在各种配置下的性能接近最大似然性能,GPICNet 检测器比 BPIC 检测器的多路复用增益翻倍。
Jun, 2022
本研究提出了一种基于模型驱动深度学习技术的大规模 MIMO 检测器,通过构建一个学习的共轭梯度下降网络(LcgNet),明确学习它们的通用值和增强网络通过增加这些步长的维度,并通过低分辨率非均匀量化器智能量化步幅,有效地减少了复杂性和内存成本。
Jun, 2019