May, 2023

基于深度学习辅助的张量 CP 分解交替最小二乘法及其在大规模 MIMO 信道估计中的应用

PDF
TL;DR提出了一种基于深度学习的 CP decomposition 算法，使用深度神经网络生成有利的初始值，加速和提高了信道估计的精度。
candecomp/parafaccp decompositiondeep learningmimo systemchannel estimation
发现论文，激发创造
  • 实用的随机 CP 张量分解

    本文介绍了一种基于随机最小二乘法的 CANDECOMP / PARAFAC (CP) 分解方法，旨在提高多维数据的分析效率。通过优化 CP-ALS 的个别步骤，如预处理，Khatri-Rao 乘积以及停止条件等，方法可显著缩短计算时间，减少计算所需内存，并提高算法的鲁棒性。

    Jan, 2017

  • 随机 CP 张量分解

    本文研究了 CANDECOMP/PARAFAC（CP）张量分解在多维数据降维中的应用，提出了一种基于随机算法的简单但强大的算法来计算大规模张量的近似 CP 分解，并通过多个实验结果证明了该算法的性能。

    Mar, 2017

  • 毫米波 MIMO-OFDM 系统低秩张量分解辅助的信道估计

    本文讨论毫米波 (mmWave) MIMO-OFDM 系统下行信道估计的问题，利用基站 (BS) 和移动站 (MS) 上的大型天线阵列进行方向预编 / 波束成形。本文提出了一种基于 CANDECOMP/PARAFAC (CP) 分解的方法，以估算信道参数 (包括到达 / 离开角度、时延和衰落系数)，并且通过模拟结果与基于压缩感知的方法进行对比，证明了该方法的性能优越性。

    Sep, 2016

  • 具有最坏情况保证的张量分解更高效的抽样方法

    提出了基于采样的交替最小二乘法（ALS）方法，用于对张量进行低秩分解的 CP 和张量环分解，其成本不具有指数依赖性，并在特征提取实验中应用了这些方法，从而显著提高了先前的最新技术水平。

    Oct, 2021

  • 使用 CP 分解和递归最小二乘法从不完整的观测中快速在线低秩张量子空间跟踪

    本文介绍了一种基于 CANDECOMP/PARAFAC（CP）分解的在线低秩张量子空间跟踪算法，它特别解决了感兴趣子空间是动态时变的情况，并采用递归最小二乘（RLS）算法提高跟踪性能，数值评估表明该算法在迭代收敛速度方面优于现有算法。

    Sep, 2017

  • 基于 CP 分解的递归最小二乘在线低秩张量子空间跟踪算法

    提出了一种基于 CP 分解和递归最小二乘法的在线张量子空间跟踪算法 OLSTEC。数值评估表明，与现有的在线算法相比，OLSTEC 算法在每次迭代中具有更快的收敛速度。

    Feb, 2016

  • 基于深度学习的毫米波大规模 MIMO 稀疏信道估计与混合波束赋形

    本文提出了 DLCS 通道估计方案和 DLQP 混合前缀设计方法，用于多用户毫米波大规模 MIMO 系统，模拟结果表明 DLCS 通道估计方案在规范化均方误差和频谱效率方面优于现有方案，而 DLQP 混合前缀设计方法在相位分辨率较低的情况下具有更好的频谱效率性能。

    Feb, 2020

  • 双极化大规模 MIMO 系统的基于张量的信道估计

    探讨了在 3GPP 双向道路中引入双极化天线组合的实际应用，利用低秩张量分解算法可以有效地估计信道的关键参数， 并开发了压缩张量分解算法来减轻下行训练开销，证明了该方法的有效性。

    May, 2018

  • 深度神经网络压缩的量化可知因式分解

    使用张量分解和量化相结合的方法，通过交替方向乘数法来压缩神经网络的权重，实现在保持预测质量的同时减少参数和计算量，并展示出与现有后训练量化方法相比的竞争性结果和高灵活性的优势。

    Aug, 2023

  • Fine-tuned CP 分解加速卷积神经网络

    该研究提出一种使用张量分解和有区别的微调方法来加速卷积神经网络中的卷积层，并且在两个 CNN 上进行验证并表明它具有与以前方法相竞争的性能，能够获得较高的 CPU 加速和较小的精度下降，这对于图像分类具有很大帮助。

    Dec, 2014