MMNov, 2021

基于深度学习的 MIMO 有限字母信号线性预编码

PDF
TL;DR本文提出基于深度学习的多输入多输出通信信道中有限字母信号的线性预编码方法，采用线下训练方式，大大降低在线推理阶段的预编码复杂度，并以数值实验验证了该方法在复杂度和性能上的优势。
linear precodingmimo communication channelsfinite-alphabet signalingdeep learningcomputational complexity
发现论文，激发创造
  • MIMO-NOMA 中的安全预编码：一种深度学习方法

    提出了一种新的信令设计，利用深度神经网络在多用户多输入多输出非正交多址信道上实现安全传输，并通过模拟结果表明该模型的信道极限接近于 98% 的机密容量率。

    Oct, 2021

  • 基于深度学习的毫米波超大规模 MIMO 混合预编码

    本研究提出一种基于深度学习的毫米波大规模 MIMO 混合预编码框架，该框架通过 DNN 训练来优化 MIMO 预编码过程，最终实现减少 BER 和提高频谱效率的目的，并且能够在实现混合预编码的同时大幅度降低所需的计算复杂度。

    Jan, 2019

  • 基于深度学习的 MIMO 通信

    论文提出了一种新颖的基于无监督深度学习的物理层方案，该方案在单用户多输入多输出 (MIMO) 通信中具有显著的潜力，其考虑了空间多样性和空间复用技术，并将无线信道失真模型引入自编码器优化问题中。

    Jul, 2017

  • 一种基于深度学习的多用户毫米波 massive MIMO 系统的混合预编码方法

    本文提出了一种卷积神经网络框架以改进混合预编码的性能，并展示其在存在通道矩阵不完美的情况下具有更少的计算时间和更好的性能。

    Nov, 2019

  • TDD Massive MIMO OFDM 系统中的频道感知和混合预编码深度学习

    本文提出了一种面向多输入多输出系统的深度学习方法，用于信道侦测和下行混合波束成形，并通过使用神经网络设计模拟感知和混合下行预编码器，以及通过简化的方法学习上行感测矩阵和下行模拟预编码器，将系统性能显着改善。

    Nov, 2020

  • 多用户 MIMO 系统的深度学习：导频、有限反馈和预编码的联合设计

    本文提出了一种新颖的深度学习架构，结合了 MU-MIMO FDD 系统中频道采集和预编码过程，使用 DNN 单元进行端到端的训练，并展示了与传统技术和其他 DNN 方案相比的有效性。

    Sep, 2022

  • 毫米波大规模 MIMO 系统直接混合预编码的深度学习

    本论文提出了一种新型的神经网络架构 (auto-precoder)，基于少量的训练数据，这种深度学习方法可以同时感知毫米波通道 (channel sensing) 和设计混合预编码矩阵 (hybrid precoding matrices)，从而降低了训练开销，实验结果表明，在 64 个发射天线和 64 个接收天线的系统中仅需 8 或 16 个通道训练数据即可实现近乎最优的速率，这是毫米波和大规模 MIMO 系统信道估计和混合预编码设计问题的一种有前途的解决方案。

    May, 2019

  • 基于深度学习的毫米波大规模 MIMO 稀疏信道估计与混合波束赋形

    本文提出了 DLCS 通道估计方案和 DLQP 混合前缀设计方法，用于多用户毫米波大规模 MIMO 系统，模拟结果表明 DLCS 通道估计方案在规范化均方误差和频谱效率方面优于现有方案，而 DLQP 混合前缀设计方法在相位分辨率较低的情况下具有更好的频谱效率性能。

    Feb, 2020

  • PrecoderNet：深度强化学习在毫米波系统中的混合波束成形

    本文研究采用深度强化学习中的 PrecoderNet 方法，提高毫米波大规模 MIMO 系统中的信道利用率和降低时延，模拟结果表明该方法具有较好的传输效果和鲁棒性。

    Jul, 2019

  • 基于深度学习的信道预测实现 FDD 大规模 MIMO

    通过神经网络进行频域外推，实现 DL 信道状态信息的准确性推测，不需要进行频繁的 PILOT 信号发送，与传统 TDD 信号相比具有可比性，可大幅提升频谱效益。

    Jan, 2019