Sep, 2023

大规模 MIMO 信道状态信息预测的频谱时域图神经网络

PDF
TL;DR在 5G 通信系统领域，准确预测信道状态信息 (CSI) 对优化性能至关重要。该论文介绍了一种开创性的方法：采用图傅里叶变换，将无线信道的空间关系和时间动态融合到谱时图神经网络 (STEM GNN) 中。我们将 STEM GNN 方法与传统的循环神经网络 (RNN) 和长短期记忆 (LSTM) 模型进行了比较，发现 STEM GNN 显著提高了整体通信系统性能。例如，在一个场景中，STEM GNN 的速率为 5.009 bps/Hz，比 LSTM 高出 11.9%，比 RNN 高出 35%。STEM GNN 的谱时分析能力捕捉到传统模型常常忽视的复杂模式，提供了波束成形、干扰抑制和超可靠低延迟通信 (URLLC) 方面的改进。
5g communication systemschannel state information (csi) predictionspectral-temporal graph neural network (stem gnn)recurrent neural network (rnn)long short-term memory (lstm)
发现论文，激发创造
  • 多元时间序列预测的频谱时空图神经网络

    本篇论文提出了一种 Spectral Temporal Graph Neural Network (StemGNN) 模型，通过 Graph Fourier Transform （GFT）和 Discrete Fourier Transform（DFT）相结合的方法，同时捕获了时间序列内部的时间相关性和时间序列间的相关性，在预测方面具有良好的性能。此外，该模型在不使用预定义先验的情况下自动地学习序列间的相关性。

    Mar, 2021

  • 基于深度学习的时变大规模 MIMO 信道 CSI 反馈方法

    本文提出了一种基于深度学习的实时 CSI 反馈架构 CsiNet-LSTM，通过直接从大规模 MIMO 信道的时变训练样本中学习空间结构和时间相关性，大大提高了恢复质量并改善了压缩比与复杂度之间的权衡。模拟结果表明，CsiNet-LSTM 优于现有的压缩感知和 DL 方法，并且在压缩比减小的情况下具有明显的鲁棒性。

    Jul, 2018

  • 光谱时空图神经网络用于轨迹预测

    这篇论文提出了一种名为 SpecTGNN 的图神经网络，它结合了时域和频域中的信息来实现对自主车辆和社交移动机器人周围环境的运动预测，获得了目前公开数据集上预测精度方面的最优表现。

    Jun, 2021

  • 多输入多输出信道状态信息反馈中的深度神经循环网络时空表示

    本文提出了一种基于深度学习技术的方法，采用了深度循环神经网络（RNN）来学习时空相关性，并采用分离的深度可分离卷积来压缩信道状态信息（CSI）。实验结果表明，该方法在恢复质量和准确性方面优于现有的基于深度学习的方法，并且在低压缩比（CR）下也能达到显著的鲁棒性。

    Aug, 2019

  • 谱时图神经网络在时间序列预测中的表现能力

    本文建立了一个理论框架，阐明了光谱 - 时域 GNN 表达能力的基础，结果表明线性光谱 - 时域 GNN 在温和假设下是通用的，基于我们的框架，我们提出了一个名为 TGC 的简单实例，在模型效率和准确性方面显著优于绝大部分现有模型。

    May, 2023

  • 使用深度递归网络进行 MIMO 信道信息反馈

    该研究介绍了一种新的神经网络架构，使用卷积神经网络压缩和反馈信道状态信息，加入长短期记忆模块以实现多路径输入多路径输出（MIMO）通信的量化 CSI 反馈性能提高，实验结果表明该 NN 架构在 CSI 压缩和恢复准确性方面表现更好。

    Nov, 2018

  • 基于图神经网络的大规模 MIMO 网络通道跟踪

    本文采用图神经网络方法，提出了一种适用于高速移动场景下的大规模 MIMO 网络的新型信道跟踪方法，通过少量导频进行初步的信道估计，将所得数据以图的形式表示并通过图上的边权来描述信道空间相关性，引入了主要单元的计算过程并设计了一个基于图神经网络的信道跟踪框架，包括编码器，核心网络和解码器 ，仿真结果证实了我们提出的基于 GNN 的方案比采用前馈神经网络方法的方案表现更好。

    Apr, 2020

  • SST-GNN: 基于图神经网络的简化时空交通预测模型

    本文提出了一种称为简化空时交通预测 GNN 的模型，它通过对不同邻域进行分别聚合的方式有效地编码了空间依赖性，并使用简单而有效的加权空时聚合机制捕获时间依赖性，而且使用了一种新颖的位置编码方案来捕获周期性的交通模式，实验表明该模型优于最先进的交通预测模型。

    Mar, 2021

  • 可扩展的时空图神经网络

    本文提出了一种可扩展的体系结构，利用随机循环神经网络将输入时序的历史数据嵌入到高维状态表示中，并利用不同幂次的图相邻矩阵沿空间维传播以生成节点嵌入，从而实现多尺度的时空特征表示，我们的方法在保证结果竞争力的同时，大大降低了计算负担。

    Sep, 2022

  • 时空图散射变换

    提出一种基于数学设计的空时图散射转换（ST-GST），将传统散射变换扩展到空时领域，通过使用空时图小波和非线性激活函数的迭代应用，对空时数据进行分析，不需要训练即可视为空时图卷积网络的正向传递，在限制的训练数据情况下表现出稳定性，实验表明其性能优于空时图卷积网络。

    Dec, 2020