MMFeb, 2020

基于深度学习的下行波束成形优化与天线功率约束算法及实验演示

PDF
TL;DR本研究使用深度学习研究了多用户多输入单输出系统中的快速下行波束成形算法，其中基站的每个发射天线都有自己的功率约束。研究关注信干噪比（SINR）平衡问题，首先设计了快速次梯度算法，然后提出了一种基于卷积网络和原问题的对偶性的深度神经网络结构来学习最优波束成形。最后，开发了一种算法泛化的方法，以适应不断变化的用户和天线数量，实现了更好的性能与复杂度的平衡。
beamformingdeep learningmultiuser miso systemssinr balancingsubgradient algorithm
发现论文，激发创造
  • 用于 MISO 下行波束形成优化的深度学习框架

    本文提出了一种基于深度学习框架和专家知识的下行波束成形优化方法，构建了三个波束成形神经网络用于三种典型优化问题，并在模拟结果中表明该方法具有较快的实现速度和显著降低的计算复杂度。

    Jan, 2019

  • 用于通用 MISO 波束成形的深度学习方法

    本文研究深度学习在下行多用户多天线系统中优化波束成形向量的方法，结合总功率预算作为副信息，使用深度神经网络优化较传统方法更为高效。

    Jul, 2020

  • MISO 下行系统的鲁棒波束成形学习

    本研究提出了一种基于深度神经网络的训练算法，能够在多用户系统中，仅基于部分自适应通道状态信息的不完全观测，提供有效鲁棒的波束成形方案。

    Mar, 2021

  • 基于迁移学习和元学习的快速下行波束成形自适应

    本文研究多用户多输入单输出下行系统中，信号 - 干扰 - 噪声比平衡问题的快速自适应波束成形优化，提出两种基于深度迁移学习和元学习的离线自适应算法以及一种在线算法，以增强算法在真实可变环境中的适应能力，并证明这种方法优于前期研究中的直接深度学习算法。

    Nov, 2020

  • 基于深度学习的联合多用户 MISO 功率分配与波束形成设计

    基于深度学习的无监督式深度学习的联合功率分配和波束形成设计方案可以提高频谱效率，并且相较于传统方法具有较高的计算效率。

    Jun, 2024

  • 5G 网络的深度强化学习：联合波束形成、功率控制和干扰协调

    本文讨论了如何使用深度强化学习来优化 5G 网络中的波束成形、功率控制和干扰协同，并将其构建为一个非凸优化问题，以最大化信号干扰加噪声比（SINR）; 该算法在子 6 GHz 和毫米波（mmWave）频段的语音无线电和数据无线电中都取得了更好的性能。

    Jun, 2019

  • 基于深度学习的上行多用户 SIMO 波束赋型设计

    通过提出一种名为 NNBF 的无监督深度学习框架，该研究旨在设计上行接收多用户单输入多输出（MU-SIMO）波束成形，以增强吞吐量并提供计算效率高于传统方法的解决方案。实验结果表明，NNBF 相对于零强制波束成形（ZFBF）和最小均方误差（MMSE）均衡器这两种基准方法在性能上表现出更好的表现，并且能够根据单天线用户设备（UEs）的数量进行扩展而无需进行矩阵伪逆运算，而基准方法则具有显著的计算负担。

    Sep, 2023

  • 云无线接入网络中波束成形和前传量化的联合优化深度学习方法

    本文研究了基于深度学习的 C-RAN 系统优化问题，提出了通过构建 DNN 模型来解决复杂的协作波束成型和前程量化问题，并验证了该方法的有效性。

    Jul, 2021

  • 基于深度主动学习的自适应毫米波初始对准波束成形

    本文使用深度学习方法解决毫米波环境下单路径通道中的自适应和序列波束形成设计问题，通过设计一个新颖的深度神经网络，根据基站已有的信息并逐步设计适应性感知矢量，以学习主路径角度到达（AOA）。结果表明，与现有的自适应和非自适应波束形成方案相比，该神经网络具有显著更好的 AOA 获取性能。

    Dec, 2020

  • 使用非量化和量化深度学习网络进行联合天线选择和混合波束形成器设计

    使用深度学习方法优化毫米波通信中的 MIMO 系统天线选择和混合波束成形器设计问题，能够比传统技术提高一个数量级的频谱效率，并且快于传统方法 10 倍，适用于数字移动设备。

    May, 2019