MMSep, 2022

可重构智能表面辅助下的太赫兹大规模 MIMO 基于分层传输的深度学习多址

PDF
TL;DR本文提出了一种基于深度学习技术的速率分裂多址接入方案以及在 RIS-assisted 的太赫兹多用户 MIMO 系统中的 CSI 获取方法。
reconfigurable intelligent surfacetera-hertzdeep learningrate-splitting multiple accesscsi acquisition network
发现论文，激发创造
  • 多用户多天线传输的全连接可重构智能面辅助分裂速率多址

    本文基于 Rate-splitting multiple access (RSMA) 的理念，将 RSMA 应用于 Reconfigurable Intelligent Surface (RIS) 辅助的 MISO 广播信道中，在优化全连接 RIS 的散射矩阵与发送波束形成器以最大化总速率的同时，大幅提高了光谱效率。

    Jan, 2022

  • 基于模型的深度学习接收机设计 —— 用于速率分裂多接入技术

    本文提出了一种基于模型的深度学习方法的较实用的采用率分裂多址（RSMA）技术的接收机设计，通过使用深度学习技术，能够生成非线性的符号检测边界并改善无线通信系统中的干扰管理问题。

    May, 2022

  • 利用深度强化学习优化多用户 MISO 系统的可重构智能面

    本文研究了利用可重构智能表面 (RIS) 反射阵列所协助的 MIMO 传输，通过深度强化学习 (DRL) 基于试错交互获得基站传输波束和 RIS 相位移位的联合设计。仿真结果表明，该算法学习能力逐渐提高，与两个最新的基准算法相比表现相当。

    Feb, 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

  • 基于深度强化学习的硬件受损和不完美 CSI 情况下，RIS 辅助 MU-MISO 系统中的联合下行波束赋形和 RIS 配置

    本文介绍了一种基于深度强化学习（DRL）的新方法，通过联合优化 MIMO 系统中的发送波束和可重构智能表面（RIS）的相位移位，最大化相位依赖性反射幅度模型下的总下行速率。

    Oct, 2022

  • 基于矩阵校准的级联通道估计在可重构智能表面辅助多用户 MIMO 中的应用

    本文旨在解决可重构智能表面在多用户 MIMO 系统中的信道获取问题，通过提出一种基于矩阵校准和信息传递的新算法，实现了对级联信道的有效估计，大大提高了效率和准确性。

    Dec, 2019

  • 基于统计信道状态信息的 RIS 辅助 MIMO 无线通信的大系统可达速率分析

    研究旨在通过设计最优传输协方差矩阵和对角相移矩阵，来实现下行可配置智能表面辅助的 MIMO 无线通信系统的最大达到遗传率。通过大维度随机矩阵理论的复制方法导出了可达遗传速率的大系统近似，从而可以使用交替优化算法识别渐近优化的传输协方差和对角相移矩阵，该算法可以显著提高可配置智能表面辅助的 MIMO 系统的性能。

    Mar, 2021

  • 一种基于元学习的速率分裂多址预编码优化框架

    本文提出了一种基于元学习的预编码器优化框架，用于直接优化具有部分发射机信道状态信息的速率分割多址（RSMA）预编码器。通过利用紧凑神经网络的过拟合来最大化明确的平均和速率表达式，我们有效规避了对任何其他训练数据的需求，同时最小化了总运行时间。数值结果表明，在中等规模场景中，基于元学习的解决方案可以达到与传统预编码器优化相似的和速率性能，在大规模情况下明显优于次优的低复杂度预编码器算法。

    Jul, 2023

  • 基于 RIS 的 EH-NOMA 网络：一种深度强化学习方法

    该论文提出一种基于能量收集的可重构智能表面帮助非正交多用户下行通信系统提高谱效率的新方法，使用深度学习算法解决由于用户通信状态的动态变化和可利用能源的动态变化影响的非凸问题，获得了比其他基准算法更好的通信成功率表现。

    Apr, 2023

  • 用于 RIS 辅助的毫米波 MIMO 信道的信道估计

    采用迭代加权方法对 RIS 辅助下的毫米波 MIMO 信道进行了两级渠道估计，评估了所提出的方案的平均频谱效率和 RIS 波束成型增益，并证明了它实现了高分辨率估计，且平均频谱效率比具有完美 CSI 的方案具有可比性。

    Feb, 2020