Oct, 2023

自回归注意力神经网络用于动态元表面天线的非直射用户跟踪

PDF
TL;DR在本文中，我们提出了一种两阶段的基于机器学习的方法，专门针对非直射多径环境进行用户跟踪；首先，我们使用新提出的基于注意力机制的神经网络将嘈杂的信道响应映射到用户的可能位置；接着，通过一个可学习的自回归模型，利用时间相关的信道信息对过去的用户位置进行预测，借助动态智能表面天线的接收架构以及减少了导频数量，该方法在室外射线追踪场景中的数值评估结果表明，尽管直射路径被阻断，该方法在各种多径环境中均能实现较高的定位准确性。
user localizationdynamic metasurface antennastwo-stage machine-learning-based approachnon-los multipath settingshigh position accuracy
发现论文，激发创造
  • 基于深度学习的大规模 MIMO 室内用户定位

    本文研究了在现有 OFDM MIMO 系统中，仅基于正交频分复用（OFDM）复杂频道系数的深度神经网络在多输入多输出（MIMO）用户定位方面的可用性，提出了一种两步训练流程来减少所需的训练点数量。

    Apr, 2018

  • 路径探索者：基于注意力的动态非直视追踪与移动机器人

    非直视成像是一个活跃的研究领域，在动态环境中基于移动相机实现非直视成像一直是一个未解决的问题。本研究提出了一种数据驱动的非直视成像方法，PathFinder，可以通过在小型、功耗受限的移动机器人上安装标准 RGB 相机来使用。我们使用一个基于注意力机制的神经网络来处理连续帧序列的线视 ideo，从中提取包含多个垂直平面的图像，并选择提取获得最大非直视成像信息的平面。我们使用无人机进行视频采集，并验证了该方法在野外场景中的有效性，从而实现了低成本的动态非直视成像。

    Apr, 2024

  • 基于深度主动学习的自适应毫米波初始对准波束成形

    本文使用深度学习方法解决毫米波环境下单路径通道中的自适应和序列波束形成设计问题，通过设计一个新颖的深度神经网络，根据基站已有的信息并逐步设计适应性感知矢量，以学习主路径角度到达（AOA）。结果表明，与现有的自适应和非自适应波束形成方案相比，该神经网络具有显著更好的 AOA 获取性能。

    Dec, 2020

  • 基于循环神经网络的毫米波通道自适应波束跟踪

    本文介绍了基于循环神经网络 (RNN) 的自适应方法，用于跟踪和预测给定用户终端的离角 (AoD)，提出了改进的帧结构来减少波束对准开销，从而达到更高的通信速率。

    Aug, 2021

  • RIS 增强的大规模非正交多址网络：部署和被动波束成形设计

    提出了一种采用非正交多址技术 (NOMA) 的可重构智能表面 (RIS) 的部署和无源波束成形设计的新框架，利用机器学习方法分别进行用户流量需求的预测和位置获取及相位控制。所提出的 D3QN 算法优于基准算法，同时 NOMA 增强的 RIS 系统能够实现比正交多址 (OMA) 启用的 RIS 系统更高的能量效率。

    Jan, 2020

  • 大规模 MIMO 的直接定位

    该研究提出了一种基于压缩感知框架的直接定位方法，通过联合处理分布式大规模 MIMO 基站获得的观测值来区分 LOS 和非 LOS 信号路径，以实现用户位置的高精度定位。

    Jul, 2016

  • 基于 RIS 的 EH-NOMA 网络：一种深度强化学习方法

    该论文提出一种基于能量收集的可重构智能表面帮助非正交多用户下行通信系统提高谱效率的新方法，使用深度学习算法解决由于用户通信状态的动态变化和可利用能源的动态变化影响的非凸问题，获得了比其他基准算法更好的通信成功率表现。

    Apr, 2023

  • 基于机器学习的 RIS 辅助 NOMA 网络用户分配和相移器设计

    提出了一种新颖的可重构智能表面辅助的非正交多址 (NOMA) 下行传输框架。该框架采用了长期随机优化问题和改进的移动对象迁移自动化算法 (MOMA) 来优化用户分组和可重构智能表面相位移动矩阵，结合深度确定性策略梯度 (DDPG) 算法来控制多重反射元素，实现了动态资源分配策略。通过多个数值结果的分析表明，该方法相对于传统正交多址 (OMA) 框架提高了移动用户 (MUs) 的总数据率，可以学会动态资源分配策略，同时通过提高可重构智能表面相位移动的粒度和增加反射元素的数量来提高数据收益。

    Jan, 2021

  • 基于深度神经网络的无需授时 NOMA 系统主动用户检测

    本论文提出了一种基于深度神经网络的 Active User Detection 方案，通过训练数据在设计良好的 DNN 中应用，该方案学习了接收到的 NOMA 信号与活动设备指数之间的非线性映射，从而实现了对活动用户的准确检测。数值结果表明，该方案在活动用户检测成功率和计算复杂度方面优于传统方法。

    Dec, 2019

  • 5G 无人机场景下的深度注意力识别：新颖架构和端到端评估

    提出了一种基于 Deep Attention Recognition 的解决方案，通过认证的 UAV 中嵌入一个小型的深度网络，用可观测参数 SINR 和 RSSI 识别 Line-of-Sight (LoS)，Non-Line-of-Sight (NLoS) 情况下的攻击，并提出数据操作和多数投票技术来补充深度网络决策，探讨了 LSTM 和 Attention 层的影响以及数据不足情况下的精度测试，最后标准分类器测试表明，该算法精度在 LoS 和短距离 NLoS 条件下均高于 XGB 分类器。

    Mar, 2023