使用非量化和量化深度学习网络进行联合天线选择和混合波束形成器设计
本文利用深度学习方法,通过卷积神经网络对在毫米波多重输入多重输出系统中频率选择性宽带通道的信道估计和混合波束成型进行了研究。该方法相对于当前最先进的优化和深度学习方法,提供更高的频谱效率,较少的计算成本和更少数量的导频信号,并且在接收导频数据,损坏的信道矩阵和传播环境偏差方面具有更高的容忍度。
Dec, 2019
本研究提出了一种基于 RSSI 的无监督深度学习方法来设计大规模 MIMO 系统中的混合波束成形,并通过适当的 CSI 反馈显著提高了频分双工 FDD 通信中的谱效率,并且提出了一种用于初始接入 IA 的同步信号 SS 以及用于模拟前置器的代码本的方法。
Jun, 2020
本研究使用深度学习研究了多用户多输入单输出系统中的快速下行波束成形算法,其中基站的每个发射天线都有自己的功率约束。研究关注信干噪比(SINR)平衡问题,首先设计了快速次梯度算法,然后提出了一种基于卷积网络和原问题的对偶性的深度神经网络结构来学习最优波束成形。最后,开发了一种算法泛化的方法,以适应不断变化的用户和天线数量,实现了更好的性能与复杂度的平衡。
Feb, 2020
该论文提出了一种基于混合知识数据驱动的方法,用于在无蜂窝大规模多输入多输出系统中进行通道语义获取和多用户波束 forming,以提高室外无线传输性能并缩小与室内传输能力之间的差距。
Jul, 2023
本文研究了使用毫米波频率进行无线蜂窝通信系统的大规模天线阵列,提出了一种混合波束成形架构,该架构包含低维数字波束成形器和使用模拟相移器实现的射频波束成形器,证明了该架构可以实现任何完全数字波束成形器的性能,并提出了一种启发式混合波束成形设计方法。
Jan, 2016
本研究提出一种基于深度学习框架的混合波束成形和通道估计方法,使用三个卷积神经网络设计混合波束和估计通道信息,不需要即时反馈 CSI,并具有比传统技术更高的频谱效率和更低的计算复杂度。
Jun, 2020
本文介绍了一种联合优化的网络,用于信道估计和反馈,以学习光谱效率波束形成器。同时,应用了部署友好型子阵混合波束形成架构,并特别设计了实用的轻量级端到端网络。实验证明,与仅具有轻微性能损失的先前现有技术方法相比,所提出的网络在资源敏感的用户设备上更轻了 10 倍以上。
Feb, 2023
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
本文研究毫米波系统中具有 OFDM 调制的杂合波束成形技术,提出一种全新的并行设计算法,旨在实现具有最大的频谱效率,同时减小硬件复杂度并接近全数字波束成形方案的性能。
Nov, 2017