Aug, 2019

基于深度学习的 FDD Massive MIMO 系统下行信道预测

PDF
TL;DR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。
fddmassive mimocsi acquisitionscnetcomplex-valued neural network
发现论文，激发创造
  • 基于深度学习的信道预测实现 FDD 大规模 MIMO

    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

  • 基于深度迁移学习的 FDD 大规模 MIMO 系统下行信道预测

    本文提出一种结合深度迁移学习和元学习的算法，以预测频分双工大规模多输入多输出系统下行信道状态信息 (CSI)。模拟结果表明，该算法在新环境中具有更好的表现，且元学习算法比直接迁移算法具有更高的预测准确性和稳定性。

    Dec, 2019

  • 大规模 MIMO CSI 反馈的深度学习

    使用深度学习技术，本文提出了一种新型的频分双工模式下的 CSI 感知和恢复机制 CsiNet，将 CSI 转换为一组最佳表示，具有比现有压缩感知方法更好的重建质量和有效的波束成形增益。

    Dec, 2017

  • 基于部分信道逆易性的 FDD 大规模 MIMO 下行 CSI 获取的深度学习辅助 HyperRNN

    该论文提出了一种基于 HyperRNN 的增强型端到端设计，利用下行和上行信道同时进行极化和时变相关性，优化长期信道特征从上行到下行的传递，从而降低了归一化均方误差（NMSE）性能并减少了导频长度。

    Apr, 2021

  • 基于 1 比特压缩感知的叠加 CSI 反馈的深度学习

    本文提出了一种基于深度学习的方案，以改进基于压缩感知技术的叠加信道状态信息反馈，包括频分双工、大规模 MIMO、1 比特压缩感知、模型驱动方法和干扰消除技术等方面。该方案能够显著提高用户上联信息和下联信道状态信息的恢复精度，并具有对参数变化的鲁棒性。

    Mar, 2022

  • 深度 UL2DL：从上行到下行的信道知识转移

    利用深度卷积神经网络和生成对抗神经网络来利用上行 CSI 推断下行 CSI，实现无需反馈的数据驱动方案，以发现信道状态信息用于有效分配无线资源，在 FDD 通信中准确推断数据。

    Dec, 2018

  • 高效通道状态反馈中的物理启发深度学习抗锯齿框架

    利用离散傅里叶变换位移定理和多径互易的物理原理，本研究引入了一种新的基站下行信道状态信息上采样框架作为解决低密度导频放置导致的欠采样间隙的后处理解决方案，并结合迭代收缩阈值算法网络（ISTA-Net）架构。通过数值实验结果表明，本研究所提出的基于规则和深度学习的方法在性能上明显优于传统插值技术和现有最先进方法。

    Mar, 2024

  • CSI 反馈中的轻量级卷积神经网络在大规模 MIMO 中的应用

    本文提出了一种基于深度学习的信道状态反馈 (CSI) 网络，通过低复杂度轻量级的 CSI 反馈网络实现了有效 CSI 反馈，该网络在重构性能方面表现更好，并且维持了较少的参数和参数复杂度，具有可行性和潜力。

    May, 2020

  • 基于深度学习的时变大规模 MIMO 信道 CSI 反馈方法

    本文提出了一种基于深度学习的实时 CSI 反馈架构 CsiNet-LSTM，通过直接从大规模 MIMO 信道的时变训练样本中学习空间结构和时间相关性，大大提高了恢复质量并改善了压缩比与复杂度之间的权衡。模拟结果表明，CsiNet-LSTM 优于现有的压缩感知和 DL 方法，并且在压缩比减小的情况下具有明显的鲁棒性。

    Jul, 2018

  • 基于深度学习的大规模 MIMO 系统中的多分辨率 CSI 反馈

    本文提出了一种名为 CRNet 的新型反馈网络，通过在多个分辨率上提取 CSI 特征，实现更好的性能，并介绍了一种先进的训练方案以进一步提高网络性能。仿真结果表明，所提出的 CRNet 在相同计算复杂度下优于最先进的 CsiNet，且不需要额外的信息。

    Oct, 2019