MMNov, 2019

基于贝叶斯方法和深度学习的大规模 MIMO 硬件非线性渠道估计

PDF
TL;DR本文研究了非线性硬件失真对单小区 massive MIMO 的上行传输性能的联合影响，并提出了使用深度学习方法估计基站天线的有效通道和失真方差，在高阶非线性下取得更好的性能表现。
non-linear hardware impairmentsmassive mimorician fadingdeep learningbayesian linear minimum mean-squared error
发现论文，激发创造
  • 硬件损伤下的信道估计：贝叶斯方法与深度学习

    本文研究了多天线基站和用户设备中的普遍硬件损坏对上行性能的影响，提出了一种基于深度神经网络的解决方案来估计有效通道。该方法利用了失真特征，比 LMMSE 方法的噪声估计质量更高。

    Aug, 2022

  • 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

  • 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

  • 基于深度学习的分布式 MIMO 及 1 比特光纤前传信道估计

    在分布式大规模多输入多输出 (MIMO) 架构中，我们考虑了试点辅助的上行信道估计问题，其中接入点通过光纤前传链路将接收到的模拟射频信号的两级量化版本连接到中央处理单元。我们在该架构中采用了由 Nguyen 等人 (2023) 最近提出的基于深度学习的信道估计算法，并探索该算法对接入点中的自动增益控制器 (AGCs) 和比较器引入的附加信号失真 (1 比特量化之外的失真) 的鲁棒性。这些组件用于从接收信号生成两级模拟波形。通过模拟结果，我们表明所提出的信道估计方法明显优于 Bussgang 线性最小均方误差信道估计器，并且对于由 AGCs 和比较器引入的附加损坏具有鲁棒性。

    Jun, 2024

  • 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

  • 基于模型驱动的深度学习技术的毫米波海量混合 MIMO 系统通道估计及反馈

    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

  • 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

  • 基于深度神经网络 k-step 预测器的 5G MIMO 通信中的决策导向信道估计

    该研究使用深度神经网络发展一种决策定向通道估计算法，用于高动态车载环境下的多输入多输出空时分块编码系统，并且得到了比现有算法更佳的性能。

    Jan, 2019

  • 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

  • 基于深度学习的信道估计

    本研究提出了一种基于深度学习算法的信道估计方法，利用图像处理中的图像超分辨率和图像恢复技术来进行信道估计，实验结果表明该方法的性能与最小均方误差相当，且优于线性最小均方误差的近似算法。

    Oct, 2018