用于通用 MISO 波束成形的深度学习方法
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
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。
Feb, 2020
研究了一种基于深度学习的有限反馈方法,通过神经网络替代了包括导频辅助通道训练过程、通道码本设计和波束形成向量选择在内的端到端有限反馈过程,并训练神经网络以产生二进制反馈信息和高效的波束形成向量,以最大化有效信道增益,与传统的有限反馈方案相比,所提出的深度学习方法在降低计算复杂度的同时,显示了 1 dB 的符号误差率(SER)增益。
Dec, 2019
本文提出了基于深度学习和超分辨技术的低开销光束和功率分配方法,以应对多用户毫米波网络中用户和车辆的移动、不必要的光束重新选择和定位等难题,并通过理论和数值分析结果证明了该方法的有效性。
May, 2023
通过使用深度学习在大规模 MIMO 网络下行链路中执行最小最大功率分配和最大乘积功率分配,神经网络可以通过学习用户设备(UE)的位置和最优功率分配策略之间的映射,预测新的 UE 位置的功率分配配置,并比传统的优化方法具有更好的性能 - 复杂度平衡,不需要计算任何统计平均值,能够保证接近最优的性能。
Dec, 2018
本文提出了一种基于深度学习的功率控制算法,用于解决无蜂窝网络下具有最大最小用户公平性问题的大规模多输入多输出系统中的最大最小速率优化问题,使用无监督学习的方法使深度神经网络学习最佳用户功率分配方案,模型训练快速且灵活,性能显著且具有较低的计算复杂度和快速实现优势,同时提出了一个在线学习阶段,在处理速度较快的情况下实现了接近最优的性能。
Feb, 2021
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
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