MIMO-OFDM 的精细时频同步:一种极限学习方法
本文针对多天线、多用户系统中链路自适应的问题,提出了一种数据驱动的多用户 MIMO OFDM 系统的链路自适应方法,其中引入了机器学习分类器来选择调制和编码方案,并使用新的估计方法来估计由有限反馈引起的未知用户间干扰,通过贪心算法使用可负担的复杂性进行空间模式和用户选择。在 IEEE 802.11ac 标准中的应用研究表明,该方法可以调度用户和根据信道出路和反馈速率自适应地调整传输参数。
Jun, 2013
本研究旨在通过开发全收发机制,包括下行信道训练(或估计),CSI 反馈和信道重建方案,解决大规模 MIMO 系统中多用户 CSI 的问题。我们的框架利用增强的 Newtonized 正交匹配追踪算法提取频率独立参数,然后开发了有效的下行训练方案,以估计多个用户的下行信道增益。数值结果验证了 eNOMP 算法的精度,并证明了使用重构的下行信道的系统的求和速率性能可以接近使用完美 CSI 的系统。
Feb, 2019
本研究针对频率和时间选择性衰落信道,探讨端到端学习在无线通信上的应用,通过神经网络接收机代替传统正交导频,并使用超定位信号,线性复合和优化星座几何图形等技术替换正交导频,实现了与基线方案相同的误比特率和相对 7%的吞吐量提高,表明协同学习的发射机和接收机是超越 5G 通信系统的一个有趣组成部分,可以消除解调参考信号的需求和相关控制开销。
Sep, 2020
本研究提出了一种通用的同步方法,允许一组软件定义无线电通过在接收和发送方向探测同步波形并联合控制处理系统中的 DMA 块,而在维持相应辅助计算机中的基带处理的同时传输或接收任何正交数据,并运用此同步方法在一组低成本的 SDRs 上实现了基于 FSK 的多数投票计算方案,并引入了相应的过程。通过我们的实验,我们展示了在不使用边缘设备上的信道状态信息的条件下,对于同质和异质数据分布,测试准确性可以达到 95% 以上。
Sep, 2022
本文研究了在现有 OFDM MIMO 系统中,仅基于正交频分复用(OFDM)复杂频道系数的深度神经网络在多输入多输出(MIMO)用户定位方面的可用性,提出了一种两步训练流程来减少所需的训练点数量。
Apr, 2018
本研究提出并比较了两种基于机器学习的 OFDM 系统联合检测 - 信道估计结构,分别使用深度神经网络 (DNN) 和极限学习机 (ELM) 架构来提高数据检测性能,并分析了误码率性能与计算复杂度之间的权衡,展示了提出的 DNN-OFDM 和 ELM-OFDM 检测器方法论的优越性。
Apr, 2023
本研究提出了一种基于机器学习的技术,旨在针对无线环境频率选择性和时变性的复杂度,通过提取通道状态信息实现对正交频分多路复用子带频段的信道预测,实现提高系统性能的目的。
May, 2023
本文提出了一种基于 CFmMIMO 网络的联邦学习方案来最小化联邦学习训练时间,该方案优化了本地准确性,传输功率,数据速率和用户处理频率等参数,并使用在线逐次凸近似算法来解决这个问题。数值结果证实,所提出的联合设计相比基线方案,将训练时间降低了最多 55%,而且与 CF-TDMA massive MIMO 和 collocated massive MIMO 相比,CFmMIMO 在 FL 进程的训练时间方面具有最低的要求。
Sep, 2019
本文目的在于探讨在何种场景下,数据驱动的机器学习可以超越传统的 MIMO 收发器,并展示了多种场景中 ML 的性能表现,其中包括闭环 MIMO,开环 MIMO 和多用户 MIMO,并提供了相应神经网络模型的代码实现。
May, 2020