MMDec, 2020

基于深度主动学习的自适应毫米波初始对准波束成形

PDF
TL;DR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。
发现论文，激发创造
  • 毫米波初始对齐的主动学习与 CSI 获取

    该论文研究了大型天线阵列下的毫米波通信技术。通过自适应序列优化天线束成形向量，以改善信号衰减和干扰问题，提出了一种新的自适应序列对齐算法，其搜索时间与性能无噪声双分搜索相匹配。与之前的解决方案相比，该算法在低信噪比（-10dB 至 5dB）的情况下得到了明显的通信速度提升，完成了独立的毫米波通信的首次演示。

    Dec, 2018

  • 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

  • 基于循环神经网络的毫米波通道自适应波束跟踪

    本文介绍了基于循环神经网络 (RNN) 的自适应方法，用于跟踪和预测给定用户终端的离角 (AoD)，提出了改进的帧结构来减少波束对准开销，从而达到更高的通信速率。

    Aug, 2021

  • 使用深度学习进行大规模天线阵列的波束成形设计

    该研究提出了一种基于深度学习的射束成形网络（BFNN）来最大化光谱效率的设计方法，该方法针对大规模天线阵列、有限的射频链路和相移器的模拟设计，能够有效处理不完善的信道状态信息问题，该方法的仿真结果表明其性能明显优于传统方法。

    Apr, 2019

  • 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

    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

  • 高移动毫米波系统的深度学习协同波束成形

    本文提出一种整合了机器学习和协调波束成形技术的解决方案，以克服毫米波系统中窄波束的使用以及高度移动用户在基站之间切换等挑战，并支持高度移动的毫米波应用，同时实现可靠的覆盖、低延迟和可忽略的训练开销。

    Apr, 2018

  • 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

  • DeepBeam：毫米波网络中无需坐标的波形深度学习进行波束管理

    本文提出了 DeepBeam 框架，该框架使用波形级深度学习和卷积神经网络，自动推断波束的角度到达和发送端实际使用的波束，可实现更高的精度和更低的延迟，其数据集和代码已公开发布。

    Dec, 2020

  • 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

  • 基于无监督深度学习的超大规模 MIMO 近场波束成形

    使用基于无监督深度学习的近场波束赋形方法，提出了一种解决极大规模阵列 (ELAA) 通信系统中波束训练开销问题的方法，该方法通过优化波束形成器来最大化多用户网络中的可达速率，并显著降低近场区域的波束训练成本。

    Jun, 2024