基于深度学习的用于增强反射面辅助的 ISAC 系统信道估计
本文首次聚焦在辅助智能反射表面的综合感知与通信系统中的信道估计问题,提出了基于深度学习框架的三阶段方法,其中包括直接感知与通信信道、反射通信信道、以及反射感知信道的估计,该方法在全双工综合感知与通信基站的卷积神经网络架构上进行建模,设计了两种类型的输入输出对来训练卷积神经网络,模拟结果验证了该估计方法相对于最小二乘基准方案的优越性,并且分析了其计算复杂性。
Jan, 2024
提出了一个实用的通道估计方法来解决智能反射表面(IRS)辅助的多用户综合感知与通信(ISAC)系统中的估计问题。该方法利用两个不同的极限学习机(ELM)结构设计了有效的神经网络框架,提高了估计的准确性和计算复杂度,并在系统参数不同的情况下实现了性能的显著改进。
Jan, 2024
本文介绍了一种新的基于定位点辅助的信道估计方法,其中通过在智能反射表面(IRS)附近部署两个定位点,大大减小了复杂的信道训练开销和数据传输延迟,从而有效地解决了 IRS 无线通信中的估计挑战。
Feb, 2021
本研究提出了一种深度去噪神经网络辅助压缩信道估计方法,在毫米波反射面系统中降低了训练开销,并使用压缩感知方法从有限的测量中重构出完整的信道矩阵,仿真结果表明这种方法优于现有方案。
Jun, 2020
本文研究了利用智能反射面,采用机器学习方法直接优化小区网络中天线波束和反射系数的问题,提出基于神经网络的通道隐式估计方法,以实现对小区网络中用户总速率或最小速率的高效优化。
Sep, 2020
本论文提出了一种基于模型推导和数据驱动深度学习相结合的混合驱动学习体系结构,用于联合估计和学习通道特性,在智能反射平面辅助的多用户多输入单输出系统中进行上行宽带通道估计,采用残余学习的近似消息传递作为模型驱动网络,数据驱动网络中使用降噪和注意力网络来共同学习空间和频率特征。数值结果表明,所提出的混合驱动信道估计方法在智能反射平面辅助系统中显著优于现有的基于深度学习的方案,并在多层数字设计中实现了网络复杂度的降低。
May, 2023
ISAC-NET 通过模型驱动的深度学习方法将被动传感与通信信号检测相结合,实现了较好的通信性能和显著提升的感知性能,是一种在无线通信中具有潜力的被动感知和通信工具。
Jul, 2023
本文针对基于智能反射面(Intelligent reflecting surface,IRS)的多输入多输出(MIMO)通信系统,提出了两种基于并行因式分解(PARAFAC)张量建模的 IRS 辅助信道估计方法,分别采用基于 Khatri-Rao 分解和交替最小二乘方法,测试结果显示相比 LS 估计基准方案,提出的方法在通信质量和性能均有明显提升。
Aug, 2020
本文从提高下行多用户多输入单输出系统谱效率的角度研究了一种利用智能反射面技术增强网络的方法,并通过两种深度强化学习框架解决了主基站主动发射波束形成矩阵与智能反射面被动相移矩阵的非凸联合优化问题。仿真结果表明,后者方案中的神经网络在不同情况下表现更加令人满意。
Jan, 2023
该研究论文探讨了深度学习在低功耗物联网通信中利用接收信号强度指示器(RSSI)进行准确信道估计的潜力,通过基于全连接神经网络(FCNN)的两个模型(A 和 B),它们分别实现了 99.02% 和 90.03% 的均方误差(MSE)减少。与其他深度学习技术相比,我们的估计模型表现出显著的效率优势。
May, 2024