Sep, 2023

基于深度学习的上行多用户 SIMO 波束赋型设计

PDF
TL;DR通过提出一种名为 NNBF 的无监督深度学习框架，该研究旨在设计上行接收多用户单输入多输出（MU-SIMO）波束成形，以增强吞吐量并提供计算效率高于传统方法的解决方案。实验结果表明，NNBF 相对于零强制波束成形（ZFBF）和最小均方误差（MMSE）均衡器这两种基准方法在性能上表现出更好的表现，并且能够根据单天线用户设备（UEs）的数量进行扩展而无需进行矩阵伪逆运算，而基准方法则具有显著的计算负担。
5gwireless resource managementdeep learning-based techniquesuplink receive mu-simo beamformingcomputational efficiency
发现论文，激发创造
  • 基于深度学习的联合多用户 MISO 功率分配与波束形成设计

    基于深度学习的无监督式深度学习的联合功率分配和波束形成设计方案可以提高频谱效率，并且相较于传统方法具有较高的计算效率。

    Jun, 2024

  • 用于 MISO 下行波束形成优化的深度学习框架

    本文提出了一种基于深度学习框架和专家知识的下行波束成形优化方法，构建了三个波束成形神经网络用于三种典型优化问题，并在模拟结果中表明该方法具有较快的实现速度和显著降低的计算复杂度。

    Jan, 2019

  • 混合波束成形在 GSM 辅助下的毫米波 MIMO 系统中的有限反馈深度学习

    本文针对毫米波多输入多输出系统中的波束赋型技术进行研究，采用广义空间调制技术进一步提高频谱效率。通过深度学习，设计了 GSM 毫米波 MIMO 系统中的混合波束赋型器，并给出了基于多分辨率网络的 GsmEFBNet 方法，该方法比传统方法具有更高的实现速率和更少的反馈位数。

    Feb, 2023

  • 基于深度学习的下行波束成形优化与天线功率约束算法及实验演示

    本研究使用深度学习研究了多用户多输入单输出系统中的快速下行波束成形算法，其中基站的每个发射天线都有自己的功率约束。研究关注信干噪比（SINR）平衡问题，首先设计了快速次梯度算法，然后提出了一种基于卷积网络和原问题的对偶性的深度神经网络结构来学习最优波束成形。最后，开发了一种算法泛化的方法，以适应不断变化的用户和天线数量，实现了更好的性能与复杂度的平衡。

    Feb, 2020

  • 用于通用 MISO 波束成形的深度学习方法

    本文研究深度学习在下行多用户多天线系统中优化波束成形向量的方法，结合总功率预算作为副信息，使用深度神经网络优化较传统方法更为高效。

    Jul, 2020

  • 使用深度学习进行大规模天线阵列的波束成形设计

    该研究提出了一种基于深度学习的射束成形网络（BFNN）来最大化光谱效率的设计方法，该方法针对大规模天线阵列、有限的射频链路和相移器的模拟设计，能够有效处理不完善的信道状态信息问题，该方法的仿真结果表明其性能明显优于传统方法。

    Apr, 2019

  • 基于数据驱动的深度学习的无线电大规模 MIMO-OFDM 系统的混合波束赋形技术（含隐式 CSI）

    本文提出了一种基于深度学习技术的统一混合波束成形框架，通过将关键传输模块建模为端到端神经网络，实现了在时分复用（TDD）和频分复用（FDD）系统中具有隐式信道状态信息（CSI）的宽带多用户混合波束成形，避免了明确的信道重建，并将传统方法中的不同模块分别处理的流程，改为同时优化所有模块，从而减少了信道估计所需的导频和反馈开销，缓解了量化约束引起的性能损失，并大大提高了系统的速率和可靠性。

    Jan, 2022

  • 用于海量 MIMO 混合波束成形的无监督深度学习

    本研究提出了一种基于 RSSI 的无监督深度学习方法来设计大规模 MIMO 系统中的混合波束成形，并通过适当的 CSI 反馈显著提高了频分双工 FDD 通信中的谱效率，并且提出了一种用于初始接入 IA 的同步信号 SS 以及用于模拟前置器的代码本的方法。

    Jun, 2020

  • MISO 下行系统的鲁棒波束成形学习

    本研究提出了一种基于深度神经网络的训练算法，能够在多用户系统中，仅基于部分自适应通道状态信息的不完全观测，提供有效鲁棒的波束成形方案。

    Mar, 2021

  • 高移动毫米波系统的深度学习协同波束成形

    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