Apr, 2023

柔性双工 MIMO 系统中考虑 RF 链特性的数字交叉链接干扰抵消轻量级机器学习

PDF
TL;DR本研究提出了一种更加现实的基站之间的信道模型以及基于多项式和轻量级前馈神经网络的机器学习交叉链路干扰抵消方法，并通过模拟结果表明，采用机器学习方法实现的交叉链路干扰抵消器可以有效降低计算复杂度并提高性能。
flexible duplexcross-link interferencechannel modelmachine learningneural network
发现论文，激发创造
  • 基于深度学习的信道预测实现 FDD 大规模 MIMO

    通过神经网络进行频域外推，实现 DL 信道状态信息的准确性推测，不需要进行频繁的 PILOT 信号发送，与传统 TDD 信号相比具有可比性，可大幅提升频谱效益。

    Jan, 2019

  • 基于深度迁移学习的 FDD 大规模 MIMO 系统下行信道预测

    本文提出一种结合深度迁移学习和元学习的算法，以预测频分双工大规模多输入多输出系统下行信道状态信息 (CSI)。模拟结果表明，该算法在新环境中具有更好的表现，且元学习算法比直接迁移算法具有更高的预测准确性和稳定性。

    Dec, 2019

  • 使用神经网络进行带内全双工无线电非线性数字自干扰消除

    采用神经网络替代传统的基于多项式基函数的非线性取消方法，可以实现与多项式非线性取消器相当的性能，但具有更低的计算复杂度。

    Nov, 2017

  • 基于深度学习的 FDD Massive MIMO 系统下行信道预测

    本论文旨在解决在频分双工 (massive MIMO) 系统中，基站获取下行信道状态信息 (CSI) 的难题，提出了一种利用 SCNet（一种稀疏的复数值神经网络）在离线训练后直接预测下行 CSI 的方法，证明了该方法的性能和稳定性。

    Aug, 2019

  • 基于数据驱动的深度学习的无线电大规模 MIMO-OFDM 系统的混合波束赋形技术（含隐式 CSI）

    本文提出了一种基于深度学习技术的统一混合波束成形框架，通过将关键传输模块建模为端到端神经网络，实现了在时分复用（TDD）和频分复用（FDD）系统中具有隐式信道状态信息（CSI）的宽带多用户混合波束成形，避免了明确的信道重建，并将传统方法中的不同模块分别处理的流程，改为同时优化所有模块，从而减少了信道估计所需的导频和反馈开销，缓解了量化约束引起的性能损失，并大大提高了系统的速率和可靠性。

    Jan, 2022

  • 全双工收发机自干扰抵消的先进机器学习技术

    本文研究了使用神经网络进行数字自干扰处理，探讨了复数神经网络和循环神经网络的使用，结果发现，复数神经网络有效减少了浮点运算和参数，相比于传统的多项式模型。

    Dec, 2019

  • 用于多载波毫米波大规模 MIMO 中信道估计和混合波束成形的深度学习架构族

    本文利用深度学习方法，通过卷积神经网络对在毫米波多重输入多重输出系统中频率选择性宽带通道的信道估计和混合波束成型进行了研究。该方法相对于当前最先进的优化和深度学习方法，提供更高的频谱效率，较少的计算成本和更少数量的导频信号，并且在接收导频数据，损坏的信道矩阵和传播环境偏差方面具有更高的容忍度。

    Dec, 2019

  • 多用户 MIMO 系统的深度学习：导频、有限反馈和预编码的联合设计

    本文提出了一种新颖的深度学习架构，结合了 MU-MIMO FDD 系统中频道采集和预编码过程，使用 DNN 单元进行端到端的训练，并展示了与传统技术和其他 DNN 方案相比的有效性。

    Sep, 2022

  • 基于模型驱动的深度学习技术的毫米波海量混合 MIMO 系统通道估计及反馈

    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

  • 深度 UL2DL：从上行到下行的信道知识转移

    利用深度卷积神经网络和生成对抗神经网络来利用上行 CSI 推断下行 CSI，实现无需反馈的数据驱动方案，以发现信道状态信息用于有效分配无线资源，在 FDD 通信中准确推断数据。

    Dec, 2018