Jan, 2022

神经网络解决的低复杂度信道估计

PDF
TL;DR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。
machine learningneural networkchannel estimationofdm signalscomputation cost
发现论文，激发创造
  • OFDM 系统中通道估计和信号检测的深度学习能力

    通过深度学习来解决频率选择性衰落以及噪声问题，从而实现在 OFDM 系统中的信道估计和信号检测。

    Aug, 2017

  • Channelformer：基于注意力的神经网络解决无线信道估计和有效的在线训练

    本研究提出了一种名为 Channelformer 的编码器 - 解码器神经网络架构，通过自注意机制实现输入预编码和输出通道估计，在保持性能基本不变的情况下大幅降低计算复杂度，并使用 5G NR 配置的在线训练方法来提高通道估计性能。

    Feb, 2023

  • 基于深度学习的双重色散环境下信道估计调查

    本文针对动态环境下的无线通信系统中频道估计困难的问题，对基于深度学习的频道估计技术进行了广泛的研究和实验模拟，并提供了计算复杂度分析和在线源代码，最终通过在不同移动性情况下的表现评估来支持它们的可靠性和应用。

    Jun, 2022

  • 基于深度学习的 OFDM 系统联合信道估计与信号检测

    本论文提出了一种基于深度学习的新方法，可以利用无线信道的时间和频率相关性来联合估计通道和信号检测，该方法中设计了一个 Channel Estimation Network（CENet）来替代传统的基于导频辅助的估计方案中的插值过程，并基于 CENet 的输出，设计了一个 Channel Conditioned Recovery Network（CCRNet）来恢复传输信号，实验结果表明，CENet 和 CCRNet 相比于传统的估计和检测方法具有更优越的性能，并且两个网络都显示出对参数变化的鲁棒性，这使它们具有实际应用的吸引力。

    Aug, 2020

  • 基于深度学习的时变衰落信道估计算法

    本研究提出了一种基于深度学习和神经网络的物理层信道估计器，可以在没有先验知识的情况下动态追踪信道状态，并且与传统算法和其他深度学习架构相比，具有更好的均方误差性能和鲁棒性。

    Aug, 2019

  • 基于深度学习的信道估计

    本研究提出了一种基于深度学习算法的信道估计方法，利用图像处理中的图像超分辨率和图像恢复技术来进行信道估计，实验结果表明该方法的性能与最小均方误差相当，且优于线性最小均方误差的近似算法。

    Oct, 2018

  • 一种基于机器学习的 OFDM 子带信道预测技术

    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

  • 基于机器学习的 OFDM 系统中联合检测与信道估计方法

    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

  • 基于深度学习的波束空间毫米波大规模 MIMO 系统信道估计

    本文旨在提高毫米波通信中有限射频 (RF) 链路下的通道估计。通过利用学习过程探测的近似传递 (LDAMP) 网络，可以学习信道结构和从大量的训练数据中估计信道。该文章结合了分析和仿真结果，表明即使接收机装备较少的 RF 链路数，LDAMP 神经网络也可以显著优于现有的压缩感知算法，从而进一步证明深度学习在毫米波通信中可以成为强有力的工具。

    Feb, 2018

  • 室内无线信道估计的深度学习方法与低功耗通信

    该研究论文探讨了深度学习在低功耗物联网通信中利用接收信号强度指示器（RSSI）进行准确信道估计的潜力，通过基于全连接神经网络（FCNN）的两个模型（A 和 B），它们分别实现了 99.02% 和 90.03% 的均方误差（MSE）减少。与其他深度学习技术相比，我们的估计模型表现出显著的效率优势。

    May, 2024