Apr, 2020

基于图神经网络的大规模 MIMO 网络通道跟踪

PDF
TL;DR本文采用图神经网络方法，提出了一种适用于高速移动场景下的大规模 MIMO 网络的新型信道跟踪方法，通过少量导频进行初步的信道估计，将所得数据以图的形式表示并通过图上的边权来描述信道空间相关性，引入了主要单元的计算过程并设计了一个基于图神经网络的信道跟踪框架，包括编码器，核心网络和解码器 ，仿真结果证实了我们提出的基于 GNN 的方案比采用前馈神经网络方法的方案表现更好。
发现论文，激发创造
  • 大规模 MIMO 检测的图神经网络

    本文使用图神经网络（GNNs）学习图模型和马尔可夫链的随机场（MRF）来解决无线通信中的大规模 MIMO 检测问题，实验表现出比基于置信传播（BP）的 MMSE（minimum mean-squared error）基准检测器更好的性能。

    Jul, 2020

  • 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 CNN 的毫米波大规模 MIMO 系统信道估计

    本文探讨了深度 CNN 在厘米波 massive MIMO 系统的信道估计中的应用，提出了精简空间频率 CNN、空间频率时间 CNN 和减少空间导频开销 CNN，通过数值结果验证了 CNN 可以在降低复杂度的同时提高估计准确性的结论。

    Apr, 2019

  • 大规模 MIMO 信道状态信息预测的频谱时域图神经网络

    在 5G 通信系统领域，准确预测信道状态信息 (CSI) 对优化性能至关重要。该论文介绍了一种开创性的方法：采用图傅里叶变换，将无线信道的空间关系和时间动态融合到谱时图神经网络 (STEM GNN) 中。我们将 STEM GNN 方法与传统的循环神经网络 (RNN) 和长短期记忆 (LSTM) 模型进行了比较，发现 STEM GNN 显著提高了整体通信系统性能。例如，在一个场景中，STEM GNN 的速率为 5.009 bps/Hz，比 LSTM 高出 11.9%，比 RNN 高出 35%。STEM GNN 的谱时分析能力捕捉到传统模型常常忽视的复杂模式，提供了波束成形、干扰抑制和超可靠低延迟通信 (URLLC) 方面的改进。

    Sep, 2023

  • 从捕获的流量追踪构建基于图的深度学习网络模型

    通过使用一种新颖的编码方法来捕捉抓取数据包序列中的信息，并使用改进的消息传递算法更好地表示物理网络中的依赖关系，我们提出了一种基于图神经网络的解决方案，旨在更好地捕捉真实网络场景的复杂性。我们展示了该方案能够学习并推广到未见过的抓取网络场景。

    Oct, 2023

  • 微观视频细胞跟踪的图神经网络

    提出了一种基于图神经网络的细胞追踪方法，通过对细胞实例进行建模和关联，提取整个时间序列的细胞轨迹并使用新型的图神经网络块类型进行相互更新，最后通过解决边分类问题构建细胞的轨迹和谱系树。该方法在 2D 和 3D 数据集上的实验结果表明其优于目前大部分细胞追踪方法，在细胞追踪和突出细胞形态变化上具有优势。

    Feb, 2022

  • 可扩展无线电资源管理的图神经网络：架构设计与理论分析

    本篇论文提出通过使用图神经网络解决大规模射频资源管理问题，通过设计有效的神经网络结构和理论分析，证明了信息传递图神经网络不仅满足置换等变性，而且能够适用于大规模问题且效率高，进一步通过分布式优化算法分析了方法的性能和泛化性，提供解释性和理论保证。

    Jul, 2020

  • 学习用图神经网络进行无小区大规模 MIMO 的最优线性预编码

    我们开发了一种名为 OLP-GNN 的图神经网络，通过在 1 到 2 毫秒的时间预算内计算最优线性前编码器以实现最小下行用户数据速率的最大化，该方法在不同 AP 和 UE 数量以及不同的可见光和非可见光射频传播环境下实现了接近最优的频谱效率。

    Jun, 2024

  • 一种用于可扩展无线功率控制的图神经网络方法

    本文提出使用图神经网络（GNNs）解决功率控制问题，并设计了干扰图卷积神经网络（IGCNet）来学习最佳功率控制。IGCNet 在无监督的情况下展现出了较好的性能，并且可以解决传统算法下的功率控制问题。

    Jul, 2019

  • 基于图神经网络的 MU-MIMO 检测器

    本文提出了基于图神经网络的 MP 检测器后验分布启发式微调的新框架，同时提出了两种基于神经网络的检测器，其中 GEPNet 检测器最大化检测性能，GPICNet 检测器平衡性能和复杂度，仿真结果显示，GEPNet 检测器在各种配置下的性能接近最大似然性能，GPICNet 检测器比 BPIC 检测器的多路复用增益翻倍。

    Jun, 2022