Feb, 2022

利用深度学习实现指向和 RSRP 的光束管理，用于 5G 以后的系统

PDF
TL;DR使用惯性测量单元提供的方向信息结合基于递归神经网络的数据驱动策略调整波束管理，相对于传统波束管理和利用粒子滤波的方向辅助的波束管理策略，该策略在快速改变设备朝向的情况下，提高了波束预测的准确性达 34％，并将均值 RSRP 提高了最多 4.2 dB。
beam managementorientationinertial measurement unitdata-driven strategyrecurrent neural network
发现论文，激发创造
  • 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

  • 毫米波分布式多输入多输出 (D-MIMO) 系统中的机器学习辅助波束管理

    通过研究使用射频信号的射束管理协议，利用人工智能和机器学习的方法，探索如何在分布式多输入多输出系统中通过少量的近似数据来可靠地预测最佳的射束 / 接入点组合。

    Dec, 2023

  • 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

  • 被动波束成形的无监督学习

    本文提出一种基于深度学习技术的反射式无源波束成形方案，以提升无线通信系统的能量和频谱效率，并通过仿真证明其在维持性能的同时相较于半正定松弛方法大大减少了计算复杂度。

    Jan, 2020

  • 用于海量 MIMO 混合波束成形的无监督深度学习

    本研究提出了一种基于 RSSI 的无监督深度学习方法来设计大规模 MIMO 系统中的混合波束成形，并通过适当的 CSI 反馈显著提高了频分双工 FDD 通信中的谱效率，并且提出了一种用于初始接入 IA 的同步信号 SS 以及用于模拟前置器的代码本的方法。

    Jun, 2020

  • 基于公平性驱动的 DRL 算法在 RIS 增强的 5G 网络中实现无缝三维无人机连接性优化

    本文研究了可重构智能表面（RIS）辅助的大规模多输入多输出系统在三维中为扩展无线蜂窝覆盖的问题，其中多个 RIS 分别装备有一组被动元件，部署以同时服务多个无人机（UAV）的基站（BS）在 5G 无线通信的时频资源中。通过联合优化 BS 的发送波束形成参数和 RIS 的相移参数来最大化 UAV 的最小信干噪比（SINR），并确保 UAV 之间的公平性。我们提出了两种新颖的算法来解决这个问题，并利用深度确定性策略梯度作为最优化方法来求解 BS 的波束形成矩阵和 RIS 的相移参数。通过模拟结果证明了我们提出的解决方案的有效性，并得出了一些有见地的观察结果。

    Nov, 2023

  • 基于贝叶斯优化的毫米波 MIMO 通信系统波束对准

    本论文提出使用机器学习策略 Bayesian optimization 来有效解决毫米波通信中非常狭窄的波束对准问题，提高信道的谱效率并减小了通信的开销。

    Jul, 2022

  • 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 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

  • 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