为了克服通信信道在用户位置发生变化和学习低频函数的偏见带来的困难,本文提出了一种节俭、基于模型的网络,将目标映射函数的低频部分与高频部分分离出来,形成一个超网络架构,其中神经网络只学习高频组件字典中的低频稀疏系数。仿真结果表明,所提出的神经网络在真实合成数据上优于标准方法。
Aug, 2023
通过引入先进的模型化神经网络结构,本文提出了用于信道绘图和波束预测的方法,并在实际合成信道上进行评估,取得了有希望的结果。
Dec, 2023
本文提出了一种基于孪生网络的统一体系结构,可用于监督用户设备定位和无监督信道制图。同时,该框架实现了半监督定位,模拟结果表明该模型在定位和信道制图方面表现良好。
Sep, 2019
本文提出了一种基于卷积自编码器的信道图辅助定位方法,结合多路径信道状态信息,通过无人监督学习构建信道图以捕捉每个无线设备的相对位置,再引入半监督学习,进一步提高了定位精度。与现有的有监督和传统无监督方法相比,所提出的方法在精度上得到了显著提高。
Aug, 2021
本文提出了一种新的框架,以启用预测性的应用无人机作为临时基站来补充地面蜂窝系统的下行通信流量过载,并给出了相应的学习方法、卸载合同、优化问题以及预测算法,仿真结果表明,所提出的方法显著提高了蜂窝和无人机网络的收入,并改善了用户的服务体验。
Nov, 2018
本文提出了一种基于距离度量的信道编码方法,并使用非线性降维技术在实际综合信道上进行经验验证,证明该方法优于先前提出的方法,成本更低。
Apr, 2021
本论文旨在解决在频分双工 (massive MIMO) 系统中,基站获取下行信道状态信息 (CSI) 的难题,提出了一种利用 SCNet(一种稀疏的复数值神经网络)在离线训练后直接预测下行 CSI 的方法,证明了该方法的性能和稳定性。
Aug, 2019
本文研究了利用机器学习,特别是神经网络方法来进行无线通信信道估计问题,并且针对正交频分复用信号的下行场景,采用一个通用的残差卷积神经网络进行了实现,且利用简单的插值层来替换其他网络中的转置卷积层,减少了计算成本。与其他深度学习方法相比,对于 3GPP 信道模型,我们提出的方法表现出更优的均方误差性能。
Jan, 2022
介绍一种基于三元组采样的新型的基于自我监督机器学习技术的信道绘制方法,旨在降低信道状态信息的数据维数,并从中提取控制信道状态信息分布的基本参数,并通过与采集时间的接近度学习有意义的 CSI 样本相似度度量,同时进行降维。在商业 Massive MIMO 系统的数据上对所提出的方法进行了实验验证,并提出和评估了信道绘图过程的变化,包括部分数据集标记可用的部分监督情况。我们评估了获得的信道图与用户位置信息的相似程度。
May, 2020
本篇研究论文讨论如何使用深度学习方法,通过利用发射机和接收机之间的地理位置,不需要通道估计,对干扰链路的优化调度算法,提出了一种新的神经网络结构。并针对现有的基于模型的方法提出了相对公正的基于比例的调度方法。实际测试表明,该方法可适用于大型网络和不同链路密度的部署,并有效地提高了网络效用。
Aug, 2018