MMAug, 2019

基于深度学习的混合分辨率 ADC 海量 MIMO 信道估计

PDF
TL;DR本文应用深度学习算法，提出直接输入深度神经网络和选择性输入预测深度神经网络，以估计大规模 MIMO 系统中混合 ADC 的上行通道。实验结果表明，该方法较传统方法在具有混合一位 ADC 的情况下具有更好的表现，在不同 ADC 分辨率模式下也具有较好的效果。
deep learningmassive mimoadcsdirect-input deep neural networkselective-input prediction dnn
发现论文，激发创造
  • 深度学习在 1 比特 ADC 大规模 MIMO 中的应用：天线增加，导频减少

    该论文研究了使用 1 位模数转换器的上行大规模 MIMO 系统，并开发了一种基于深度学习的信道估计框架，其利用先前信道估计观测和深度神经网络模型学习从量化接收信号到信道的映射，并证明了当使用更多天线时，我们提出的深度学习方法能够实现更好的信道估计性能

    Oct, 2019

  • 基于数据驱动的深度学习设计海量 MIMO 飞行员和信道估计器

    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

  • 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

  • FDD 大规模 MIMO 中分布式信道反馈和多用户预编码的深度学习

    本文研究了基于深度神经网络的频分双工海量多输入多输出系统中的高效分布式信道估计、量化、反馈和下行多用户预编码技术，使用联合设计的序列与新的神经网络架构，使用户的反馈位直接转化为基站端的预编码矩阵，极大地提高了系统性能，且对于不同用户和反馈比特数，设计了实用的鲁棒性测试和普适的神经网络架构。

    Jul, 2020

  • 低分辨率 ADC 下 MIMO 系统的监督学习辅助通信框架

    本文提出了一种基于监督学习的新型通信框架，旨在通过学习在 ADC 使用的量化函数的无线信道和数据检测之间的非线性输入输出系统并在此基础上进行数据检测，以实现低分辨率 ADC 下的 MIMO 系统的性能优化。通过发送所有可能的数据信号作为导频信号来经验性地学习非线性系统的条件概率质量函数 (PMFs)，然后根据所得到的经验性条件 PMFs 执行后续数据检测过程，以实现系统学习过程中传统的信道估计过程的替换，以降低培训开销和检测复杂度。同时，我们还开发了一种监督学习辅助的连续干扰消除方法。在一位 ADC 的情况下，文中推导了在接收机具有完美信道知识的情况下所提出框架的向量错误率的解析表达式，并通过模拟实验验证了所提出框架相对于基于信道估计的传统检测技术的检测误差降低。

    Oct, 2016

  • TDD Massive MIMO OFDM 系统中的频道感知和混合预编码深度学习

    本文提出了一种面向多输入多输出系统的深度学习方法，用于信道侦测和下行混合波束成形，并通过使用神经网络设计模拟感知和混合下行预编码器，以及通过简化的方法学习上行感测矩阵和下行模拟预编码器，将系统性能显着改善。

    Nov, 2020

  • 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

  • 深度 MIMO 检测

    本文研究了基于深度神经网络的 MIMO 检测，并提出了一种适用于此检测任务的现代神经网络架构。通过数值模拟，结果表明，深层网络可以在显著降低复杂性的同时，提供针对具有不良条件通道和误指定噪声方差的鲁棒性，达到最先进的准确性。

    Jun, 2017

  • 基于深度学习的 MIMO 通信

    论文提出了一种新颖的基于无监督深度学习的物理层方案，该方案在单用户多输入多输出 (MIMO) 通信中具有显著的潜力，其考虑了空间多样性和空间复用技术，并将无线信道失真模型引入自编码器优化问题中。

    Jul, 2017

  • 基于深度学习的波束空间毫米波大规模 MIMO 系统信道估计

    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