改进毫米波成像系统的新型混合学习算法
本研究探讨了近场下太赫兹合成孔径雷达(SAR)成像系统和算法,重点关注了结合信号处理和机器学习技术的新兴算法,包括安全应用中的目标检测和 SAR 图像超分辨率。还讨论了新兴算法和太赫兹 SAR 的相关问题、挑战和未来研究方向,包括系统和算法基准的标准化、采用最先进的深度学习技术、信号处理优化的机器学习以及混合数据驱动信号处理算法。
Sep, 2023
提出了一种基于多模态机器学习的方法,利用无线通信环境中收集到的位置和视觉数据快速预测光束方向,实现了超过 75% 的准确度和近乎 100% 的前 3 名光束预测准确度。
Nov, 2021
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
本文提出一种整合了机器学习和协调波束成形技术的解决方案,以克服毫米波系统中窄波束的使用以及高度移动用户在基站之间切换等挑战,并支持高度移动的毫米波应用,同时实现可靠的覆盖、低延迟和可忽略的训练开销。
Apr, 2018
本文介绍了第一次使用基于机器学习的雷达辅助波束预测在实际车联网通信场景中的应用,该应用可利用雷达传感器数据提供的关于收发位置和周边环境的信息来降低或消除毫米波和亚太赫兹的 MIMO 通信系统中波束训练的开销,实现低延迟高流动性应用。本文提出了利用雷达信号处理的领域知识来提取相关特征并将其馈入学习模型的深度学习雷达辅助波束预测方法,并使用了包含毫米波波束训练和雷达测量的大规模真实数据集 Deepsense 6G 来评估所提出的算法,结果显示所提出的算法能够在完全消除雷达 / 通信校准开销的同时达到约 90% 的前 5 个波束预测准确率,节省了 93% 的波束训练开销,这为解决毫米波 / 亚太赫兹通信系统中波束管理开销挑战开辟了一个有希望的方向。
Nov, 2021
本文研究了在 3.5 GHz 频段内使用 13 种不同的算法(包括信号检测理论和机器学习)以及深度学习架构进行 SPN-43 雷达检测的性能表现,并发现机器学习算法优于传统信号检测方法。
Jun, 2018
本文针对毫米波和太赫兹频段(30-300 GHz 与 0.1-10 THz)中高扩散损耗和分子吸收常常限制信号传输距离和覆盖范围的问题进行了研究,提出了物理层距离感知设计、超大规模 MIMO 通信、反射阵列以及智能面技术等四种方法,并提出了这些技术的潜在联合设计,可以结合技术优点增加通信距离,在本文中进行了定性分析和定量模拟,证明了上述技术的可行性。
Feb, 2019
我们的研究将毫米波雷达成像超分辨率重新定义为一维信号超分辨率光谱估计问题,通过利用雷达信号处理领域知识,引入创新的数据归一化和基于信噪比的损失函数,实现了适用于汽车雷达成像的定制深度学习网络,表现出了可观的可扩展性、参数效率和快速推理速度,以及在雷达成像质量和分辨率方面的提升性能。广泛的测试证实,我们的 SR-SPECNet 在产生高分辨率的雷达距离 - 方位图像方面,超过了现有方法,在不同天线配置和数据集大小方面都表现出色。源代码和新的雷达数据集将在网上公开提供。
Jun, 2024
本论文提出了一种新型的神经网络架构 (auto-precoder),基于少量的训练数据,这种深度学习方法可以同时感知毫米波通道 (channel sensing) 和设计混合预编码矩阵 (hybrid precoding matrices),从而降低了训练开销,实验结果表明,在 64 个发射天线和 64 个接收天线的系统中仅需 8 或 16 个通道训练数据即可实现近乎最优的速率,这是毫米波和大规模 MIMO 系统信道估计和混合预编码设计问题的一种有前途的解决方案。
May, 2019