Aug, 2023

基于模型的位置到信道映射学习

PDF
TL;DR为了克服通信信道在用户位置发生变化和学习低频函数的偏见带来的困难，本文提出了一种节俭、基于模型的网络，将目标映射函数的低频部分与高频部分分离出来，形成一个超网络架构，其中神经网络只学习高频组件字典中的低频稀疏系数。仿真结果表明，所提出的神经网络在真实合成数据上优于标准方法。
communication systemschannel estimationneural networkspatial coordinateshypernetwork architecture
发现论文，激发创造
  • 基于相似性的信道映射和用户定位预测

    通过使用无线网络中用户上传链路信号的信息，提出了一种基于有标注数据库的监督机器学习方法，可以同时预测用户位置和信道质量，具有比之前提出的方法更优的结果，成本更低。

    Dec, 2020

  • 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

  • 频域学习

    通过在频域进行学习和频道选择，我们提出了减少冗余和显著信息以提高图像分类精度的学习方法，得出使用该方法的 ResNet-50、MobileNetV2 和 Mask R-CNN 在图像分类和实例分割上表现更好的结论。

    Feb, 2020

  • 利用信道状态信息的神经射频 SLAM 实现无监督定位和建图

    该研究提出了一种基于编码器 - 解码器结构的神经网络模型，通过无需位置信息的信道状态信息，联合学习用户位置和环境地图参数化，并能在单锚点 SISO 配置下实现亚米级定位精度和 4 厘米中位误差的环境地图重建。

    Mar, 2022

  • 无模型训练端到端通信系统

    本文提出了一种使用神经网络自编码器进行端到端学习的通信系统的新的学习算法，该算法可以训练具有未知信道模型或具有不可微分组件的通信系统，并在软件定义无线电上实现，并在同轴电缆和无线信道上实现了最先进的性能。

    Dec, 2018

  • 基于信道图的模型化深度学习用于波束预测

    通过引入先进的模型化神经网络结构，本文提出了用于信道绘图和波束预测的方法，并在实际合成信道上进行评估，取得了有希望的结果。

    Dec, 2023

  • 基于生成式神经网络的毫米波信道建模

    本文提出了一种基于生成神经网络训练的方法来构建并评估毫米波波段的 28GHz 空地信道通信系统的统计信道模型，该方法考虑了每个链路的延迟、方向和路径增益，并在最小化先验假设的情况下通过训练数据自动生成通道损耗、延迟和角度信息。

    Aug, 2020

  • 基于深度学习的 TDD 和 FDD 大规模 MIMO：空中与频率信道映射

    本文提出一种将频率和空间的信道图映射至其他频率和空间信道的新概念 —— 信道映射，并证明该映射函数在多种实际 MIMO 通信场景下存在，可由深度神经网络进行学习建模，可用于减少传输和反馈开销，适用于大规模 MIMO，分布式终端，毫米波束预测，MIMO 雷达和基于 MASSIVE MIMO 的定位。

    May, 2019

  • 时变无线通信信道的衰落和阴影建模

    在这篇论文中，我们提出了一种将深度学习神经网络与混合密度网络模型相结合的新方法，以得到普通无线通信系统中给定通信距离的接收功率的条件概率密度函数（PDF）。此外，我们还设计和实现了一种深度迁移学习方案，使得信道模型能够动态适应通信环境的变化。通过在 Nakagami 衰落信道模型和 Log-normal 阴影信道模型上进行广泛实验，结果表明新方法比以前基于深度学习的信道模型在统计准确性、速度和鲁棒性方面更好。

    May, 2024

  • 潜在的功能映射

    将光谱几何原理融入神经建模中，提出一个多功能框架，通过在功能域中比较不同空间，测量其内在相似性，找到它们之间的对应关系，并有效地在不同空间之间转移表示，从而在各种应用中验证了我们的框架，展示了潜在的功能映射可以作为表示对齐的多功能工具。

    Jun, 2024