一种无瞬时 CSI 反馈的混合波束成形深度学习框架
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
本文提出了一种基于深度学习技术的统一混合波束成形框架,通过将关键传输模块建模为端到端神经网络,实现了在时分复用(TDD)和频分复用(FDD)系统中具有隐式信道状态信息(CSI)的宽带多用户混合波束成形,避免了明确的信道重建,并将传统方法中的不同模块分别处理的流程,改为同时优化所有模块,从而减少了信道估计所需的导频和反馈开销,缓解了量化约束引起的性能损失,并大大提高了系统的速率和可靠性。
Jan, 2022
本研究提出了一种基于 RSSI 的无监督深度学习方法来设计大规模 MIMO 系统中的混合波束成形,并通过适当的 CSI 反馈显著提高了频分双工 FDD 通信中的谱效率,并且提出了一种用于初始接入 IA 的同步信号 SS 以及用于模拟前置器的代码本的方法。
Jun, 2020
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
本文针对毫米波多输入多输出系统中的波束赋型技术进行研究,采用广义空间调制技术进一步提高频谱效率。通过深度学习,设计了 GSM 毫米波 MIMO 系统中的混合波束赋型器,并给出了基于多分辨率网络的 GsmEFBNet 方法,该方法比传统方法具有更高的实现速率和更少的反馈位数。
Feb, 2023
本文研究采用深度强化学习中的 PrecoderNet 方法,提高毫米波大规模 MIMO 系统中的信道利用率和降低时延,模拟结果表明该方法具有较好的传输效果和鲁棒性。
Jul, 2019
本文介绍了一种联合优化的网络,用于信道估计和反馈,以学习光谱效率波束形成器。同时,应用了部署友好型子阵混合波束形成架构,并特别设计了实用的轻量级端到端网络。实验证明,与仅具有轻微性能损失的先前现有技术方法相比,所提出的网络在资源敏感的用户设备上更轻了 10 倍以上。
Feb, 2023
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