MMJun, 2022

基于深度学习的大规模 MIMO 信道状态获取在 5G 进化和 6G 中的应用

PDF
TL;DR本文提出了基于深度学习技术的 CSI 采集的两种实现方案，并在 5G NR 网络中进行了评估，结果表明这些方案在信道状态信息获取方面具有较大的性能提升，可用于 5G 网络和未来的 6G 网络。
deep learningcsi acquisition5g networksspectrum efficiencyartificial intelligence
发现论文，激发创造
  • CSI 反馈中的轻量级卷积神经网络在大规模 MIMO 中的应用

    本文提出了一种基于深度学习的信道状态反馈 (CSI) 网络，通过低复杂度轻量级的 CSI 反馈网络实现了有效 CSI 反馈，该网络在重构性能方面表现更好，并且维持了较少的参数和参数复杂度，具有可行性和潜力。

    May, 2020

  • 大规模 MIMO CSI 反馈的深度学习

    使用深度学习技术，本文提出了一种新型的频分双工模式下的 CSI 感知和恢复机制 CsiNet，将 CSI 转换为一组最佳表示，具有比现有压缩感知方法更好的重建质量和有效的波束成形增益。

    Dec, 2017

  • 基于 1 比特压缩感知的叠加 CSI 反馈的深度学习

    本文提出了一种基于深度学习的方案，以改进基于压缩感知技术的叠加信道状态信息反馈，包括频分双工、大规模 MIMO、1 比特压缩感知、模型驱动方法和干扰消除技术等方面。该方案能够显著提高用户上联信息和下联信道状态信息的恢复精度，并具有对参数变化的鲁棒性。

    Mar, 2022

  • 基于深度学习的大规模 MIMO 系统中的多分辨率 CSI 反馈

    本文提出了一种名为 CRNet 的新型反馈网络，通过在多个分辨率上提取 CSI 特征，实现更好的性能，并介绍了一种先进的训练方案以进一步提高网络性能。仿真结果表明，所提出的 CRNet 在相同计算复杂度下优于最先进的 CsiNet，且不需要额外的信息。

    Oct, 2019

  • 基于深度学习的时变大规模 MIMO 信道 CSI 反馈方法

    本文提出了一种基于深度学习的实时 CSI 反馈架构 CsiNet-LSTM，通过直接从大规模 MIMO 信道的时变训练样本中学习空间结构和时间相关性，大大提高了恢复质量并改善了压缩比与复杂度之间的权衡。模拟结果表明，CsiNet-LSTM 优于现有的压缩感知和 DL 方法，并且在压缩比减小的情况下具有明显的鲁棒性。

    Jul, 2018

  • 5G-Advanced 中 CSI 反馈增强的人工智能

    本文荟萃了 AI 在 5G-Advanced 中的 CSI 反馈增强，重点是其标准化和性能评估方面的挑战和开放性问题。

    Jun, 2022

  • 联合 URRC 和 eMBB 资源分配的深度学习辅助 CSI 估计

    通过采用深度学习技术，本文提出了一种能够解决在高速移动车辆网络中获取发射端信道状态信息的技术，在此基础上进一步解决了一种基于动态网络切片的资源分配问题，实现了全面减少开销和满足阈值的性能优化

    Mar, 2020

  • 高效通道状态反馈中的物理启发深度学习抗锯齿框架

    利用离散傅里叶变换位移定理和多径互易的物理原理，本研究引入了一种新的基站下行信道状态信息上采样框架作为解决低密度导频放置导致的欠采样间隙的后处理解决方案，并结合迭代收缩阈值算法网络（ISTA-Net）架构。通过数值实验结果表明，本研究所提出的基于规则和深度学习的方法在性能上明显优于传统插值技术和现有最先进方法。

    Mar, 2024

  • Dig-CSI：一个分布式和生成模型辅助的 CSI 反馈训练框架

    使用分布式生成器通过用户设备上传并使用局部数据进行训练，Dig-CSI 实现了具有较轻通信开销且性能可比的全局 CSI 反馈模型训练。

    Dec, 2023

  • PolarDenseNet：MIMO 系统中 CSI 反馈的深度学习模型

    本文提出了一种基于自编码器架构的基于 AI 的 CSI 反馈方法，通过将 CSI 编码成低维度潜空间并在 BS 处解码回来来有效地减少反馈开销，同时最小化恢复期间的损失，仿真结果表明，该 AI-based 建议的架构优于采用 5G New Radio（NR）系统中采用的 DFT 基础上的最先进的高分辨率线性组合码书。

    Feb, 2022