基于深度迁移学习的 FDD 大规模 MIMO 系统下行信道预测
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
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。
Aug, 2019
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
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
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
该论文提出了一种基于多任务学习的反馈网络架构及相应的训练方案,该方法可以在减少训练成本和存储使用的同时,实现全面的反馈性能。关键词包括:深度学习、信道状态信息、CSI、多任务学习和大规模 MIMO。
Apr, 2022
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
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
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
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