双注意力通道估计网络在低密度导频大规模 MIMO 系统中实现更少的付款但获得更多
本文提出了一种基于数据驱动的深度学习方法,用于联合设计宽带大规模多输入多输出系统的导频信号和信道估计器。通过利用大规模 MIMO 信道的角度域压缩性,该方法可以从欠定的测量中可靠地重构高维信道,模拟结果表明,该方法优于最先进的压缩感知方法。
Mar, 2020
本文提出了一种采用多个天线设计的系统,在多个蜂窝网络中通过每个基站应用针对每个蜂窝的波束成形来处理多蜂窝干扰,并在信道估计阶段自身实现低速率协调,从而使用用户信道的二阶统计信息降低信道污染效应,得到较传统方法更好的性能,并证明在最大的 MIMO 体制下这种方法有效。
Mar, 2012
本文应用深度学习算法,提出直接输入深度神经网络和选择性输入预测深度神经网络,以估计大规模 MIMO 系统中混合 ADC 的上行通道。实验结果表明,该方法较传统方法在具有混合一位 ADC 的情况下具有更好的表现,在不同 ADC 分辨率模式下也具有较好的效果。
Aug, 2019
本文提出了一个基于深度学习的模型驱动的通道估计和反馈方案,适用于宽带毫米波巨型混合多输入多输出系统,利用角度 - 时延域通道的稀疏性来减少开销。
Apr, 2021
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
该研究使用深度神经网络发展一种决策定向通道估计算法,用于高动态车载环境下的多输入多输出空时分块编码系统,并且得到了比现有算法更佳的性能。
Jan, 2019
本文探讨了深度 CNN 在厘米波 massive MIMO 系统的信道估计中的应用,提出了精简空间频率 CNN、空间频率时间 CNN 和减少空间导频开销 CNN,通过数值结果验证了 CNN 可以在降低复杂度的同时提高估计准确性的结论。
Apr, 2019
本研究旨在通过开发全收发机制,包括下行信道训练(或估计),CSI 反馈和信道重建方案,解决大规模 MIMO 系统中多用户 CSI 的问题。我们的框架利用增强的 Newtonized 正交匹配追踪算法提取频率独立参数,然后开发了有效的下行训练方案,以估计多个用户的下行信道增益。数值结果验证了 eNOMP 算法的精度,并证明了使用重构的下行信道的系统的求和速率性能可以接近使用完美 CSI 的系统。
Feb, 2019
本文提出了一种基于深度学习的联合信道估计和反馈框架,用传统信道设计代替端到端方法实现超大规模 MIMO 系统的信道估计和反馈,其中包含两个网络:一个信道估计网络和一个压缩反馈网络,大量模拟结果和消融研究表明我们的方法优于目前的信道估计和反馈方法。
Jun, 2023
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