MMApr, 2023

基于双向循环神经网络的高移动通信深度学习信道估计

PDF
TL;DR本文研究双向选择信道估计在无线系统中的应用，由于动态环境下的多径传播和多普勒干扰，传统的估计方案在高移动情况下表现出性能降低的问题，引入双向循环神经网络对其进行优化，本文所提出的基于门控循环单元的双向循环神经网络估计法相对于卷积神经网络估计法在不同移动情况下能更准确地估计双向选择信道，并大幅减少计算复杂度。
发现论文，激发创造
  • 基于深度学习的双重色散环境下信道估计调查

    本文针对动态环境下的无线通信系统中频道估计困难的问题，对基于深度学习的频道估计技术进行了广泛的研究和实验模拟，并提供了计算复杂度分析和在线源代码，最终通过在不同移动性情况下的表现评估来支持它们的可靠性和应用。

    Jun, 2022

  • 基于深度学习的时变衰落信道估计算法

    本研究提出了一种基于深度学习和神经网络的物理层信道估计器，可以在没有先验知识的情况下动态追踪信道状态，并且与传统算法和其他深度学习架构相比，具有更好的均方误差性能和鲁棒性。

    Aug, 2019

  • 基于深度神经网络 k-step 预测器的 5G MIMO 通信中的决策导向信道估计

    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

  • 基于深度学习的信道估计

    本研究提出了一种基于深度学习算法的信道估计方法，利用图像处理中的图像超分辨率和图像恢复技术来进行信道估计，实验结果表明该方法的性能与最小均方误差相当，且优于线性最小均方误差的近似算法。

    Oct, 2018

  • 基于深度 CNN 的毫米波大规模 MIMO 系统信道估计

    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

  • 基于 DNN 的信道估计定位：特征设计和实验结果

    本文讨论了在大规模 MIMO 移动通信系统中，利用深度神经网络（DNN）进行基于信道状态信息（CSI）的定位的实际问题，并引入了一种基于特征设计的方法来提高 DNN 的性能，该方法的目标是使特征对于考虑的障碍是不变的。通过在户外校园环境中收集到的地理标记 CSI 数据集上进行实验评估，表明本文所提出的方法具有很高的效率，并可以很好地适用于定位任务。

    Mar, 2020

  • 室内无线信道估计的深度学习方法与低功耗通信

    该研究论文探讨了深度学习在低功耗物联网通信中利用接收信号强度指示器（RSSI）进行准确信道估计的潜力，通过基于全连接神经网络（FCNN）的两个模型（A 和 B），它们分别实现了 99.02% 和 90.03% 的均方误差（MSE）减少。与其他深度学习技术相比，我们的估计模型表现出显著的效率优势。

    May, 2024

  • 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

  • 大型智能表面辅助下的毫米波大规模 MIMO 系统的深通道学习

    本文提出了一个深度学习框架，用于大型智能表面辅助大规模 MIMO 系统中的通道估计，其核心是双卷积神经网络结构，用于估计直接和级联信道，结果表明该方法性能优越。

    Jan, 2020

  • 双向循环神经网络在色散强度调制信道上进行端到端优化传输

    本研究提出一种基于序列自编码收发器的双向深度循环神经网络（BRNN)，该网络使用滑动窗口技术来实现高效数据流估计。我们发现，这种滑动窗口 BRNN 相比之前的基于块的前馈神经网络（FFNN）自编码器在所有检测的距离上都能显著降低误码率，从而增加传输距离。与 FFNN 接收器实现的基于两级脉冲幅度调制的最新 IM/DD 方案相比较，我们的结果表明，在训练更少的参数的情况下，SBRNN 在 42 和 84 Gb /s 下均优于这些系统。我们的新型 SBRNN 设计旨在为具有存储器的非线性信道（例如光学 IM/DD 光纤信道）的端对端深度学习系统进行定制。

    Jan, 2019