MIMO CSI 反馈的通用自编码器框架
该论文提出了一种基于有限数量的现场信道数据的信道建模辅助数据增强方法,通过从现场信道数据中提取主要的随机参数并将其传输给基站,然后使用更新后的信道模型生成数据集,从而综合考虑了数据集采集、模型泛化和模型监控等因素,仿真结果表明,该策略可以显著提高性能。
Jul, 2024
本文提出使用自编码器(AE)结合逐个对比约束的方法来构建信道图,以提高信道图的质量,进而实现基于信道状态信息(CSI)的用户定位方法。经过实验证明,这一方法可以在不需要全球导航卫星系统或昂贵测量数据的情况下实现精确用户定位。
Aug, 2019
本文提出了一种基于自编码器架构的基于 AI 的 CSI 反馈方法,通过将 CSI 编码成低维度潜空间并在 BS 处解码回来来有效地减少反馈开销,同时最小化恢复期间的损失,仿真结果表明,该 AI-based 建议的架构优于采用 5G New Radio(NR)系统中采用的 DFT 基础上的最先进的高分辨率线性组合码书。
Feb, 2022
本文提出了一种基于自编码器 (AEs) 的下行 NOMA 设计新方法,通过引入加权损失函数来实现对多个用户的灵活平衡误差概率,同时结合 SICNet 解码器实现了显著改进和误差概率的灵活控制。
Jun, 2023
论文提出了一种新颖的基于无监督深度学习的物理层方案,该方案在单用户多输入多输出 (MIMO) 通信中具有显著的潜力,其考虑了空间多样性和空间复用技术,并将无线信道失真模型引入自编码器优化问题中。
Jul, 2017
本文论述了使用卷积神经网络自编码器解决长码和短码的问题,通过对一系列信噪比的探索,与其他编码方案相比,发现该方案可以逼近理论最大可实现速率,解决了在无线网络中实现低延迟应用需要高可靠性编码的挑战。
May, 2023
该研究基于正交频分复用建立了一个端到端的通信系统,将其建模为自动编码器,并将传输器和接收器表示为编码器和解码器的深度神经网络。该方法通过干扰训练和随机平滑等技术,以及引入增强训练数据的生成对抗神经网络,优于传统通信方案。同时,还将此方法扩展到多输入多输出情况,并演示其相对于传统方法的误码率性能提高。
Dec, 2021
本文提出了一种基于向量量化变分自编码器架构的多模态数据融合新方法,可以在 MNIST-SVHN 数据和 WiFi 光谱数据之间以及 5G 通信场景下实现卓越的重构性能,并通过端到端 CSI 反馈系统来压缩基站(eNodeB)和用户设备(UE)之间传输的数据,为各种类型的输入数据(CSI,光谱图,自然图像等)学习一个具有区分性的压缩特征空间,是针对计算资源有限的应用的一个合适的解决方案。
Feb, 2023
通过有限速率的深度学习通道状态信息反馈方法,本文提出了在大规模多输入多输出系统中,基于矢量量化变分自动编码器框架实现有限位表示的潜在矢量,同时利用形状增益的矢量量化减少计算复杂性。该方法通过适当的变换函数,将潜在矢量的幅度用非均匀标量码书量化,同时使用可训练的 Grassmann 码书量化潜在矢量的方向。同时,引入码字选取规则和损失函数设计,开发了一种多速率码书设计策略。仿真结果表明,所提出的方法在给定的反馈开销下,减少了与 VQ-VAE 相关的计算复杂性,同时改善了通道状态信息重建性能。
Mar, 2024
本篇论文针对多模态建模提出了一个统一的数学框架,同时扩展了 exttt {multi-view-AE} 库的文档和功能,通过基准实验评估实现的性能,并作为该领域的教育资源,旨在建立多模态建模的一致基础。
Mar, 2024