MMDec, 2020

DeepBeam：毫米波网络中无需坐标的波形深度学习进行波束管理

PDF
TL;DR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。
mmwavebeam managementdeepbeamwaveform-level deep learningconvolutional neural network
发现论文，激发创造
  • 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

  • 毫米波通信系统深度学习辅助校准波束训练

    本篇论文提出了一种基于宽波束训练的窄波束校准方法，通过深度学习预测最佳的窄波束方向，具有很高的波束成形增益和更小的波束训练开销。

    Jan, 2021

  • 基于深度主动学习的自适应毫米波初始对准波束成形

    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。

    Dec, 2020

  • 基于位置辅助的毫米波波束在线学习

    本文通过多臂老虎机框架，提出了一种在线学习算法，用于选择和优化天线成对的方向，以最大化功率角谱在该位置上的峰值，并在较短的时间步数内实现与无遗漏搜索相当的性能。

    Sep, 2018

  • 基于雷达辅助的 6G 波束预测：深度学习算法与实际演示

    本文介绍了第一次使用基于机器学习的雷达辅助波束预测在实际车联网通信场景中的应用，该应用可利用雷达传感器数据提供的关于收发位置和周边环境的信息来降低或消除毫米波和亚太赫兹的 MIMO 通信系统中波束训练的开销，实现低延迟高流动性应用。本文提出了利用雷达信号处理的领域知识来提取相关特征并将其馈入学习模型的深度学习雷达辅助波束预测方法，并使用了包含毫米波波束训练和雷达测量的大规模真实数据集 Deepsense 6G 来评估所提出的算法，结果显示所提出的算法能够在完全消除雷达 / 通信校准开销的同时达到约 90% 的前 5 个波束预测准确率，节省了 93% 的波束训练开销，这为解决毫米波 / 亚太赫兹通信系统中波束管理开销挑战开辟了一个有希望的方向。

    Nov, 2021

  • 5G 网络的深度强化学习：联合波束形成、功率控制和干扰协调

    本文讨论了如何使用深度强化学习来优化 5G 网络中的波束成形、功率控制和干扰协同，并将其构建为一个非凸优化问题，以最大化信号干扰加噪声比（SINR）; 该算法在子 6 GHz 和毫米波（mmWave）频段的语音无线电和数据无线电中都取得了更好的性能。

    Jun, 2019

  • 基于深度学习的车对车通信的位置感知 60 GHz 毫米波波束成型

    利用车辆位置信息的深度学习解决方案，可用于在毫米波（mmWave）60 GHz 启用的车辆对车辆（V2V）通信中实现基于波束的高效率链路配置，确保最佳的 V2V 视距链路。

    Feb, 2024

  • 基于联邦强化学习的超密集毫米波网络束形管理：一个智能和安全的方法

    本文介绍一种新型系统化波束控制方案，针对超密集的毫米波网络的波束管理问题。在基于联邦学习的波束管理方案中，使用了双层深度 Q 网络（DDQN），非原始数据聚合可以在减少切换成本的同时，理论上保护用户隐私。模拟结果证明了本文所提出的方案的性能增益。

    Oct, 2022

  • 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

  • 深度学习和图像超分辨率引导的毫米波网络束及功率分配

    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