Dec, 2023

毫米波分布式多输入多输出 (D-MIMO) 系统中的机器学习辅助波束管理

PDF
TL;DR通过研究使用射频信号的射束管理协议，利用人工智能和机器学习的方法，探索如何在分布式多输入多输出系统中通过少量的近似数据来可靠地预测最佳的射束 / 接入点组合。
发现论文，激发创造
  • 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

  • 基于联邦强化学习的超密集毫米波网络束形管理：一个智能和安全的方法

    本文介绍一种新型系统化波束控制方案，针对超密集的毫米波网络的波束管理问题。在基于联邦学习的波束管理方案中，使用了双层深度 Q 网络（DDQN），非原始数据聚合可以在减少切换成本的同时，理论上保护用户隐私。模拟结果证明了本文所提出的方案的性能增益。

    Oct, 2022

  • 毫米波车载系统中的波束训练：机器学习解耦波束选择

    使用基于代码本的波束选择和机器学习的位置辅助方法，解耦用户设备（UE）和基站（BS）之间的波束选择，通过可用位置信息降低波束选择开销。模拟结果表明，具有可用位置信息的解耦波束选择与基站的联合波束对选择性能相当，而无位置信息的解耦波束选择在足够的波束对扫描时，接近于基站的波束对选择性能。

    Apr, 2024

  • 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

  • 利用 5G MIMO 数据进行机器学习：应用于深度学习中的波束选择

    本文提出了一种方法将车辆交通模拟器和光线追踪模拟器结合起来，生成代表 5G 情境的信道实现，并描述了一个特定的数据集，用于研究基于毫米波的车辆对基础设施的波束选举技术，并利用这个方法生成的数据集进行分类，回归和强化学习问题的实验。

    Jun, 2021

  • 基于贝叶斯优化的毫米波 MIMO 通信系统波束对准

    本论文提出使用机器学习策略 Bayesian optimization 来有效解决毫米波通信中非常狭窄的波束对准问题，提高信道的谱效率并减小了通信的开销。

    Jul, 2022

  • SplitBeam: Wi-Fi 网络中通过分裂计算实现有效高效波束成型

    我们提出了 SplitBeam，这是一个新的框架，通过训练一个分裂的深度神经网络（DNN）来直接输出给定信道状态信息（CSI）矩阵作为输入的波束成形矩阵（BM），以解决现有方法中存在的过多计算负载或波束成形精度损失的问题。我们对两个不同环境中的现有 Wi-Fi 设备进行了大量实验 CSI 采集，并将 SplitBeam 与标准 IEEE 802.11 算法和最先进的基于 DNN 的方法 LB-SciFi 的性能进行了比较。实验结果显示，SplitBeam 将波束成形反馈大小和计算复杂度分别降低了 81% 和 84%，同时将误码率（BER）维持在现有方法的 10^-3 左右。我们还在 FPGA 硬件上实现了 SplitBeam DNN，估计了端到端的 BM 报告延迟，结果显示在最复杂的情景中，即逼真的多用户 MIMO 场景中的目标信道探测频率，延迟小于 10 毫秒。

    Oct, 2023

  • 深度学习和图像超分辨率引导的毫米波网络束及功率分配

    本文提出了基于深度学习和超分辨技术的低开销光束和功率分配方法，以应对多用户毫米波网络中用户和车辆的移动、不必要的光束重新选择和定位等难题，并通过理论和数值分析结果证明了该方法的有效性。

    May, 2023

  • 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

  • 毫米波混合波束成形系统中的基于学习的自适应用户选择

    本文提出了一种两时间尺度协议的多用户混合波束成型系统，它采用基于机器学习的用户选择算法来优化传输效果，并在模拟测试中得到了良好的性能表现。

    Feb, 2023