Jul, 2019

PrecoderNet：深度强化学习在毫米波系统中的混合波束成形

PDF
TL;DR本文研究采用深度强化学习中的 PrecoderNet 方法，提高毫米波大规模 MIMO 系统中的信道利用率和降低时延，模拟结果表明该方法具有较好的传输效果和鲁棒性。
hybrid beamformingmillimeter wavemassive mimodeep reinforcement learningprecodernet
发现论文，激发创造
  • 用于海量 MIMO 混合波束成形的无监督深度学习

    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

  • 基于深度学习的毫米波超大规模 MIMO 混合预编码

    本研究提出一种基于深度学习的毫米波大规模 MIMO 混合预编码框架，该框架通过 DNN 训练来优化 MIMO 预编码过程，最终实现减少 BER 和提高频谱效率的目的，并且能够在实现混合预编码的同时大幅度降低所需的计算复杂度。

    Jan, 2019

  • 一种基于深度学习的多用户毫米波 massive MIMO 系统的混合预编码方法

    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

  • 基于深度学习的毫米波大规模 MIMO 稀疏信道估计与混合波束赋形

    本文提出了 DLCS 通道估计方案和 DLQP 混合前缀设计方法，用于多用户毫米波大规模 MIMO 系统，模拟结果表明 DLCS 通道估计方案在规范化均方误差和频谱效率方面优于现有方案，而 DLQP 混合前缀设计方法在相位分辨率较低的情况下具有更好的频谱效率性能。

    Feb, 2020

  • 毫米波大规模 MIMO 系统直接混合预编码的深度学习

    本论文提出了一种新型的神经网络架构 (auto-precoder)，基于少量的训练数据，这种深度学习方法可以同时感知毫米波通道 (channel sensing) 和设计混合预编码矩阵 (hybrid precoding matrices)，从而降低了训练开销，实验结果表明，在 64 个发射天线和 64 个接收天线的系统中仅需 8 或 16 个通道训练数据即可实现近乎最优的速率，这是毫米波和大规模 MIMO 系统信道估计和混合预编码设计问题的一种有前途的解决方案。

    May, 2019

  • 一种无瞬时 CSI 反馈的混合波束成形深度学习框架

    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

  • 用于多载波毫米波大规模 MIMO 中信道估计和混合波束成形的深度学习架构族

    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

  • 基于数据驱动的深度学习的无线电大规模 MIMO-OFDM 系统的混合波束赋形技术（含隐式 CSI）

    本文提出了一种基于深度学习技术的统一混合波束成形框架，通过将关键传输模块建模为端到端神经网络，实现了在时分复用（TDD）和频分复用（FDD）系统中具有隐式信道状态信息（CSI）的宽带多用户混合波束成形，避免了明确的信道重建，并将传统方法中的不同模块分别处理的流程，改为同时优化所有模块，从而减少了信道估计所需的导频和反馈开销，缓解了量化约束引起的性能损失，并大大提高了系统的速率和可靠性。

    Jan, 2022

  • 智能反射器下的毫米波通信：性能优化与分布式强化学习

    本文提出了一种基于可重构智能反射器（IR）辅助下行毫米波基站多用户通信的新型框架，并通过一种新的通道估计方法来实时测量通道状态信息（CSI），进而采用 Q-learning 算法的分布增强学习，结合量化回归和全分布下行速率优化，通过模拟测试表明，与固定的 IR 反射或直接传输方案相比，该方法可以使下行密集多用户界面的速率大幅度提高。

    Feb, 2020

  • 基于深度强化学习的硬件受损和不完美 CSI 情况下，RIS 辅助 MU-MISO 系统中的联合下行波束赋形和 RIS 配置

    本文介绍了一种基于深度强化学习（DRL）的新方法，通过联合优化 MIMO 系统中的发送波束和可重构智能表面（RIS）的相位移位，最大化相位依赖性反射幅度模型下的总下行速率。

    Oct, 2022