新无线异构网络下行协作多点中的深度学习
本文提出了一个新的框架,将多种理论上行 CoMP 概念与实际 CoMP 算法结合起来,从而综合分析了 uplink CoMP 在下一代无线通信系统中的潜在用途,并解决了需大量附加基础设施和不完美信道知识等问题。
Feb, 2010
本文提出了一种基于深度学习的资源分配策略,通过优化带宽和传输功率来最小化基站的总功耗,并使用级联结构的神经网络和深度迁移学习来应对无线网络中的非平稳性。实验结果表明,相对于全连接神经网络,在 QoS 保证方面,级联神经网络的性能更好。
Mar, 2020
本文提出了一种面向多输入多输出系统的深度学习方法,用于信道侦测和下行混合波束成形,并通过使用神经网络设计模拟感知和混合下行预编码器,以及通过简化的方法学习上行感测矩阵和下行模拟预编码器,将系统性能显着改善。
Nov, 2020
本文提出了一种新颖的深度学习架构,结合了 MU-MIMO FDD 系统中频道采集和预编码过程,使用 DNN 单元进行端到端的训练,并展示了与传统技术和其他 DNN 方案相比的有效性。
Sep, 2022
本文研究了在大规模 MIMO 通信系统中采用 CoMP 和分布式 MIMO 技术的资源分配优化问题,发现该方法显著提高了网络性能并优于仅采用局部协作的大规模 MIMO 系统。
Mar, 2015
这篇论文研究了基于深度学习的方法在 6G 通信系统中同时管理传输和计算能力以及资源分配中的不确定性。通过将估计的信道和计算需求映射到优化的资源分配中,通过在 DNN 输出后注入不确定性样本来获得更好的鲁棒性和延迟性能,特别是在高信道和计算不确定性情况下。
Jun, 2024
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。
Apr, 2018
本文讨论了如何使用深度强化学习来优化 5G 网络中的波束成形、功率控制和干扰协同,并将其构建为一个非凸优化问题,以最大化信号干扰加噪声比(SINR); 该算法在子 6 GHz 和毫米波(mmWave)频段的语音无线电和数据无线电中都取得了更好的性能。
Jun, 2019
本文综述了基于深度学习的 5G 通信方案的发展,并提出了高效的深度学习方案,探讨了非正交多址接入(NOMA)、海量多输入多输出(MIMO)和毫米波(mmWave)的通信框架,并展示了它们卓越的表现。本文的创新点在于深度学习技术在无线物理层框架中的优化方法为通信理论开辟了新的方向。
Apr, 2019
本文提出了一种卷积神经网络框架以改进混合预编码的性能,并展示其在存在通道矩阵不完美的情况下具有更少的计算时间和更好的性能。
Nov, 2019