MMFeb, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • 基于注意力机制的神经网络用于无线信道估计

    本文提出一种利用自注意机制实现正交频分复用波形下行链路信道估计的新型混合编码器 - 解码器结构（称为 HA02），利用 3GPP 信道模型进行模拟，结果显示其在信道估计方面表现更优秀。

    Apr, 2022

  • 神经网络解决的低复杂度信道估计

    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。

    Jan, 2022

  • 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

  • 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

  • OFDM 自编码器用于通信系统端到端学习

    通过基于深度神经网络的自编码器对带循环前缀的正交频分复用系统的端到端学习进行扩展，该实现具有与传统 OFDM 系统相同的优点，在频率选择性衰落通道上比较了自编码器系统与基线系统的性能，并研究了非线性放大器的影响。

    Mar, 2018

  • 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

  • 基于深度学习的一比特正交频分复用接收机

    本文提出了基于深度学习的新颖 OFDM 解调器，该解调器采用单比特量化技术，并设计了一种新的生成式有监督深度神经网络 (DNN) 进行通道估计，并使用神经网络进行数据检测来降低位错率 (BER) 和错误地板。我们的深度学习通道估计和数据检测设计超过了传统的 OFDM 方法，在信噪比 10dB 的情况下表现良好。

    Nov, 2018

  • 基于深度学习的 MIMO-OFDM 系统飞行员设计和信道估计的剪枝

    采用神经网络的联合导频设计与下行信道估计方案，利用卷积神经网络层和非局部注意力模块，在分配导频时选择性减少神经元以降低开销，显著提高了宽带大规模 MIMO 系统的频谱效益。

    Jun, 2020

  • OFDM 端到端学习：从神经接收器到无导频通信

    本研究针对频率和时间选择性衰落信道，探讨端到端学习在无线通信上的应用，通过神经网络接收机代替传统正交导频，并使用超定位信号，线性复合和优化星座几何图形等技术替换正交导频，实现了与基线方案相同的误比特率和相对 7％的吞吐量提高，表明协同学习的发射机和接收机是超越 5G 通信系统的一个有趣组成部分，可以消除解调参考信号的需求和相关控制开销。

    Sep, 2020

  • WaveNets：小波通道注意力网络

    本文介绍了一种在计算机视觉中使用的名为 WaveNet 的基于小波变换的通道注意力机制，可有效提高特征保留能力和图像分类性能。

    Nov, 2022