基于深度学习的 TDD 和 FDD 大规模 MIMO:空中与频率信道映射
通过神经网络进行频域外推,实现 DL 信道状态信息的准确性推测,不需要进行频繁的 PILOT 信号发送,与传统 TDD 信号相比具有可比性,可大幅提升频谱效益。
Jan, 2019
本文研究了具有空间相关通道的 FDD 大规模 MIMO 系统,通过巧妙设计下行信道训练序列和用户 CSIT 反馈码本,利用多用户空间信道相关性,优化了可实现速率。提出的特征空间通道估计方案减小了 FDD 系统和 TDD 系统之间的速率差距,与 JSDM 方案相比,在中等天线数和中至大的信道相干时间内实现了更高的吞吐量,但计算复杂度更高。
Jun, 2014
本论文旨在解决在频分双工 (massive MIMO) 系统中,基站获取下行信道状态信息 (CSI) 的难题,提出了一种利用 SCNet(一种稀疏的复数值神经网络)在离线训练后直接预测下行 CSI 的方法,证明了该方法的性能和稳定性。
Aug, 2019
本文提出了两种基于投影方法的算法变种,利用角度域中的信道互易性来从上行测量中估计下行信道协方差。通过蒙特卡罗模拟,这些方案被证明在典型阵列几何和双工间隙方面相对于当前的最新技术解决方案在准确性和复杂度方面表现更好。
Apr, 2018
本研究旨在通过开发全收发机制,包括下行信道训练(或估计),CSI 反馈和信道重建方案,解决大规模 MIMO 系统中多用户 CSI 的问题。我们的框架利用增强的 Newtonized 正交匹配追踪算法提取频率独立参数,然后开发了有效的下行训练方案,以估计多个用户的下行信道增益。数值结果验证了 eNOMP 算法的精度,并证明了使用重构的下行信道的系统的求和速率性能可以接近使用完美 CSI 的系统。
Feb, 2019
本文从阵列信号处理的角度研究并描述了双宽带效应,提出了适用于 TDD 和 FDD 大规模 MIMO 系统的通道估计策略,并利用阵列信号处理技术,通过实例证明了所提出的方案的有效性。
Aug, 2017
本文旨在提高毫米波通信中有限射频 (RF) 链路下的通道估计。通过利用学习过程探测的近似传递 (LDAMP) 网络,可以学习信道结构和从大量的训练数据中估计信道。该文章结合了分析和仿真结果,表明即使接收机装备较少的 RF 链路数,LDAMP 神经网络也可以显著优于现有的压缩感知算法,从而进一步证明深度学习在毫米波通信中可以成为强有力的工具。
Feb, 2018
本文提出了实用的开环和闭环训练框架,以减少频分双工(FDD)大规模 MIMO 的下行训练阶段的开销,并在数据通信阶段提高性能。
Sep, 2013
本文研究了在现有 OFDM MIMO 系统中,仅基于正交频分复用(OFDM)复杂频道系数的深度神经网络在多输入多输出(MIMO)用户定位方面的可用性,提出了一种两步训练流程来减少所需的训练点数量。
Apr, 2018
本文提出了一种基于数据驱动的深度学习方法,用于联合设计宽带大规模多输入多输出系统的导频信号和信道估计器。通过利用大规模 MIMO 信道的角度域压缩性,该方法可以从欠定的测量中可靠地重构高维信道,模拟结果表明,该方法优于最先进的压缩感知方法。
Mar, 2020