Apr, 2019

利用压缩感知和深度学习实现大型智能表面

PDF
TL;DR本论文提出了一种使用少量活跃元素的大型智能表面 (LIS)，结合压缩感知和深度学习等工具，设计了 LIS 的反射矩阵，从而提高无线系统的覆盖范围和速率。研究结果表明，所提出的压缩感知和深度学习算法能够接近理论上界，且只需极小的训练开销。
large intelligent surfaceswireless systemssparse channel sensorscompressive sensingdeep learning
发现论文，激发创造
  • 大规模智能表面数据传输的潜力

    本文提出了一种大面积智能面（LIS）的概念，通过匹配滤波操作，研究单天线终端与 LIS 的容量和最佳抽样格点。同时，设计了用于数据传输的低复杂度通道缩短解调器。

    Jul, 2017

  • 大型智能表面传输：无线通信的新前沿

    本文提出了采用大型智能表面（LIS）传输方案，对调制入射波的相位来改善接收信号质量，该方案被认为是未来无线通信系统和标准的有前途的候选方案。提出了将 LIS 作为接入点的新概念，并进行了广泛的计算机模拟结果，评估了基于 LIS 的传输潜力。该研究揭示，基于 LIS 的通信可能成为未来无线系统的一个改变游戏规则的范式。

    Feb, 2019

  • 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

  • 利用统计 CSI 的大型智能表面辅助无线通信

    本研究提出了一种基于相位偏移的最优设计方案，通过量化 LIS 来保证通信质量，在不同的传播场景下评估了大规模天线系统的性能

    Dec, 2018

  • 大规模智能表面位置定位技术的潜力探究

    本文研究了一种新型的智能表面定位系统，分析了中心垂线上及其他位置终端的 CRLB 和 Fisher-information。同时，讨论了中心化和分布式部署的影响，发现分布式部署可提高覆盖范围和性能。

    May, 2017

  • 可重构智能表面的定位：一种主动感知方法

    通过利用长短时记忆网络和深度神经网络的方法，本研究提出了一种改进的主动感知设计，旨在解决上行定位问题，其中基站通过可重构智能表面（RISs）帮助定位远程用户。在实验中，我们说明了这种主动感知设计相较于非主动感知方法的优势，同时研究还表明，在具备多个 RISs 的情况下，一个基站的网络性能可以超过使用多个基站的情况。

    Dec, 2023

  • 可重构智能表面的硬件架构，具有最小的有源元件，用于显式信道估计

    本文提出了一种新颖的基于上转换器的可重构智能表面 (RIS) 结构，并利用这个结构，在光束空间域假设稀疏无线信道，提出了一种交替优化方法，用于明确估计连接到单个射频链的 RIS 元件的信道增益。

    Feb, 2020

  • 可重构智能表面：原理和机遇

    本文从物理和通信的角度出发，综述了可重构智能表面（RISs）在无线网络中的应用。针对多天线辅助 RIS 系统，介绍了 RISs 的基本原理和性能评估。另外，从性能分析、信息论和性能优化的角度，系统地调查了现有的 RIS 增强无线网络的设计。此外，对于动态场景中的随机波道波动和用户移动等挑战，阐述了应用机器学习解决这些问题的现有研究成果。最后，确定了 RISs 和其他新兴技术在下一代网络应用中的主要问题和研究机会。

    Jul, 2020

  • 可重构智能表面的深度学习辅助检测

    本文提出了一种用于估计和检测重新可配置智能表面（RIS）信号中符号的深度学习方法，不需要任何驾驶人信号，降低传输开销，优于传统的检测器。

    Oct, 2019

  • 基于深度学习的图像块压缩感知

    本文提出了一种基于块的压缩感知深度学习算法，通过完全连接网络进行块状线性感知和非线性重建，优化了感知矩阵和非线性重构算子，且在重构质量和计算时间方面优于现有技术。

    Jun, 2016