深度展开用于下一代收发器
本文介绍了一种名为 deep unfolding 的方法,它将迭代优化算法和神经网络工具相结合,可以有效解决机器学习、信号处理、图像处理和通信系统等一系列任务。此次调查重点讨论了在多天线(MIMO)无线系统中,信号检测和预编码以及纠错码的置信传播解码等领域中应用深度展开的情况。实验表明,这种新兴的范式在通信系统中有着显著的效果和通用性。最后,我们总结了一些尚待进一步研究和未来研究方向。
Jun, 2019
本文提出了一种基于优化理论的算法框架,采用深度展开神经网络求解多用户 MIMO 系统中的前编码设计问题,并实现了一个基于 WMMSE 算法的高效 IAIDNN,有效地降低了计算复杂度,同时保持了 WMMSE 算法的性能。
Jun, 2020
在这项研究中,我们对两种深度展开机制进行了比较研究,以便在下一代无线网络中有效地进行功率控制。通过分数规划转换,我们设计了两个解决方案来解决非凸能效问题。第一个解决方案是数值解,而第二个解决方案是封闭形式的解决方案。基于第一个解决方案,我们设计了一个半展开深度学习模型,将无线通信领域的领域知识与数据驱动的深度学习的最新进展结合在一起。此外,我们基于封闭形式解决方案的亮点设计了一个完全展开的深度学习模型,充分利用了具有表达性的封闭形式功率控制解决方案和深度学习的进展。在模拟结果中,我们比较了所提出的深度学习模型和迭代解决方案在准确性和推理速度方面的性能,以展示它们在实时应用于下一代网络的适用性。
Feb, 2024
本文提出了一种基于模型驱动的深度学习网络用于多输入多输出(MIMO)检测,通过深度学习技术优化网络的可训练参数以提高检测性能;由于网络可训练变量的数量等于层数,因此可以在很短的时间内轻松训练网络,并且网络可以处理时变信道,通过数值结果表明该方法可以显著提高 Rayleigh 和相关 MIMO 信道下迭代算法的性能。
Sep, 2018
论文提出了一种新颖的基于无监督深度学习的物理层方案,该方案在单用户多输入多输出 (MIMO) 通信中具有显著的潜力,其考虑了空间多样性和空间复用技术,并将无线信道失真模型引入自编码器优化问题中。
Jul, 2017
本研究提出一种基于深度学习的毫米波大规模 MIMO 混合预编码框架,该框架通过 DNN 训练来优化 MIMO 预编码过程,最终实现减少 BER 和提高频谱效率的目的,并且能够在实现混合预编码的同时大幅度降低所需的计算复杂度。
Jan, 2019
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
本文介绍了一种采用深度展开和量子启发算法改进的 MIMO 多天线系统下信号检测器,其通过消除最大似然检测的局部最小值并训练迭代算法的内部参数来显著提高检测性能。
Jun, 2023
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
本文目的在于探讨在何种场景下,数据驱动的机器学习可以超越传统的 MIMO 收发器,并展示了多种场景中 ML 的性能表现,其中包括闭环 MIMO,开环 MIMO 和多用户 MIMO,并提供了相应神经网络模型的代码实现。
May, 2020