Feb, 2020

DeepSIC: 多用户 MIMO 检测的深度软干扰消除

PDF
TL;DR使用机器学习方法提出了一种数据驱动的多用户 MIMO 接收机，称为 DeepSIC，它不需要具体的通道模型或信道状态信息并且能够有效地检测多个符号，尤其是能够在非线性通道中很好地工作。
digital receiversmimointerference cancellationmachine learningchannel state information
发现论文，激发创造
  • 基于深度学习的非正交下行链路 successive interference cancellation

    该研究提出了一种基于深度学习技术的 SIC 检测器，命名为 SICNet，它通过使用深度神经网络，通过软信息推断干扰符号，而不是像经典 SIC 那样使用硬决策解码器，因此，SICNet 在不需要先验知识的情况下可靠地检测了非正交系统下向下链路中的叠加符号。SICNet 还学会了生成准确的软输出，从而在柔性输入纠错解码方面比基于模型的 SIC 更加优秀。同时，该论文还提出一种适用于在线数据的 SICNet 在线训练方法，在更加实际的 CSI 不确定性情况下，SICNet 比其模型驱动的同行具有更少的 CSI 不确定性。

    Jul, 2022

  • 动态信道干扰取消 GAN 框架

    本研究提出了一种在线训练框架，用于快速适应于任何通道变化，以保持模型的最佳性能，该框架将最新的深度展开方法与对抗生成网络相结合，以捕获通道的任何变化并迅速调整网络，在高动态通道上显著优于最近的神经网络模型，并在我们的实验中甚至超过静态通道的性能。

    Aug, 2022

  • 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

  • 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

  • SICNN: 软干扰消除启发式神经网络均衡器

    在本文中，我们提出了一种名为 SICNN 的基于神经网络（NN）的等化方法，它通过模型的深度展开，在消除了模型方法的主要缺点的同时，还实现了对传统通信系统中的等化性能的显著提升。

    Aug, 2023

  • 自适应神经信号检测用于大规模 MIMO

    本文介绍了一种基于深度学习和迭代软阈值算法的 MMNet MIMO 检测方案，通过该方案，可以在同等或更低的计算复杂度下，实现对具有空间相关性的实际信道的在线训练，并在性能上远远优于现有的深度学习方法。

    Jun, 2019

  • 基于模型的深度学习接收机设计 —— 用于速率分裂多接入技术

    本文提出了一种基于模型的深度学习方法的较实用的采用率分裂多址（RSMA）技术的接收机设计，通过使用深度学习技术，能够生成非线性的符号检测边界并改善无线通信系统中的干扰管理问题。

    May, 2022

  • 联合 URRC 和 eMBB 资源分配的深度学习辅助 CSI 估计

    通过采用深度学习技术，本文提出了一种能够解决在高速移动车辆网络中获取发射端信道状态信息的技术，在此基础上进一步解决了一种基于动态网络切片的资源分配问题，实现了全面减少开销和满足阈值的性能优化

    Mar, 2020

  • 基于深度学习的室内定位新型大规模 MIMO 信道探测数据

    本文介绍了一种新的通道声纳架构，可测量不同频段、天线几何和传播环境下的多天线和多子载波通道状态信息（CSI），该架构可用于进行不同应用程序的各种深度学习（DL）技术研究，例如在三维空间中的室内用户定位。通过室内室外的广泛测试，可以提供更全面的开放 CSI 数据集，并标记位置以供科学界进一步测试各种算法。

    Oct, 2018

  • 大规模 MIMO CSI 反馈的深度卷积压缩

    本文提出基于深度学习的 CSI 压缩方案，DeepCMC，它包括卷积层和量化熵编码块，能够显著提高频道状态矩阵的重构质量，并且在相同的压缩率下优于现有的压缩方案。

    Jul, 2019