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。
Jul, 2019
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
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
本文提出了一个基于深度学习的模型驱动的通道估计和反馈方案,适用于宽带毫米波巨型混合多输入多输出系统,利用角度-时延域通道的稀疏性来减少开销。
Apr, 2021
本文提出了一种基于无监督学习的方案,用于同时设计多用户Mu-MIMO系统的模拟前置器和合成器,并结合低分辨率PS。通过将模拟前置器和合成器的设计问题转换为相位分类问题,并提出一种泛化神经网络体系结构(PCNet),能够产生各种PS分辨率的解,仿真结果表明,该方案相对于对于最常用的低分辨率PS配置的最先进的混合波束成形设计具有更优越的总速率和复杂度性能。
Feb, 2022
本文提出了一种新的高效自编码器(AutoEncoder, AP) 基于深度学习的大规模多输入多输出(mMIMO) 下行系统,该系统中基站配备有大量天线,具有高效能功率放大器(PA) 并为多个用户终端提供服务。具体而言,利用自编码器的概念设计PA感知预编码器和接收解码器,并利用深度神经网络(NN) 设计端到端的大规模多用户(MU) MIMO 下行链路。与以前的方法不同,AP-mMIMO 具有低计算复杂度,适用于全局能效系统。通过数值仿真表明,AP-mMIMO 方案相较于现有文献具有竞争性的性能,同时具有显着较低的复杂度。
Feb, 2022
本文提出了一种新颖的深度学习架构,结合了MU-MIMO FDD系统中频道采集和预编码过程,使用DNN单元进行端到端的训练,并展示了与传统技术和其他DNN方案相比的有效性。
Sep, 2022
本文针对毫米波多输入多输出系统中的波束赋型技术进行研究,采用广义空间调制技术进一步提高频谱效率。通过深度学习,设计了 GSM 毫米波 MIMO 系统中的混合波束赋型器,并给出了基于多分辨率网络的 GsmEFBNet 方法,该方法比传统方法具有更高的实现速率和更少的反馈位数。
Feb, 2023
本文主要研究基于多用户负载调制阵列(MU-LMAs)的毫米波(mmWave)多输入多输出(MIMO)系统,提出了用于下行 MU-LMA 的基于全阵列结构(FAS)发射机和基于 DL 增强的算法,以解决传输器结构问题、自适应码本设计问题和信道状态信息不完全的问题。
Nov, 2023