Mar, 2024

高效通道状态反馈中的物理启发深度学习抗锯齿框架

PDF
TL;DR利用离散傅里叶变换位移定理和多径互易的物理原理，本研究引入了一种新的基站下行信道状态信息上采样框架作为解决低密度导频放置导致的欠采样间隙的后处理解决方案，并结合迭代收缩阈值算法网络（ISTA-Net）架构。通过数值实验结果表明，本研究所提出的基于规则和深度学习的方法在性能上明显优于传统插值技术和现有最先进方法。
downlink channel state informationmassive mimoundersampling issuecsi recoverydeep learning methods
发现论文，激发创造
  • 大规模 MIMO CSI 反馈的深度学习

    使用深度学习技术，本文提出了一种新型的频分双工模式下的 CSI 感知和恢复机制 CsiNet，将 CSI 转换为一组最佳表示，具有比现有压缩感知方法更好的重建质量和有效的波束成形增益。

    Dec, 2017

  • 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

  • 基于低开销的整合 - 外推的少样本 CSI 反馈框架用于大规模 MIMO 系统

    在本文中，我们提出了一种低开销的基于 IEFSF 的少样本 CSI 反馈框架来应对大规模 MIMO 系统中的 CSI 反馈开销问题，通过在用户设备和基站之间进行合并和外推处理，形成低维特征向量的 CSI 矩阵，并利用领域知识和生成模型实现了少样本 CSI 反馈，实验结果表明，相比于现有方法，所提出的框架在几百个样本的情况下能够将 CSI 反馈开销降低 16 倍且保持较高的准确性。

    Dec, 2023

  • 基于 1 比特压缩感知的叠加 CSI 反馈的深度学习

    本文提出了一种基于深度学习的方案，以改进基于压缩感知技术的叠加信道状态信息反馈，包括频分双工、大规模 MIMO、1 比特压缩感知、模型驱动方法和干扰消除技术等方面。该方案能够显著提高用户上联信息和下联信道状态信息的恢复精度，并具有对参数变化的鲁棒性。

    Mar, 2022

  • 面向高效子阵列混合波束成形：基于注意力网络的 FDD 大规模 MU-MIMO 系统实用反馈

    本文介绍了一种联合优化的网络，用于信道估计和反馈，以学习光谱效率波束形成器。同时，应用了部署友好型子阵混合波束形成架构，并特别设计了实用的轻量级端到端网络。实验证明，与仅具有轻微性能损失的先前现有技术方法相比，所提出的网络在资源敏感的用户设备上更轻了 10 倍以上。

    Feb, 2023

  • CSI 反馈中的轻量级卷积神经网络在大规模 MIMO 中的应用

    本文提出了一种基于深度学习的信道状态反馈 (CSI) 网络，通过低复杂度轻量级的 CSI 反馈网络实现了有效 CSI 反馈，该网络在重构性能方面表现更好，并且维持了较少的参数和参数复杂度，具有可行性和潜力。

    May, 2020

  • 基于部分信道逆易性的 FDD 大规模 MIMO 下行 CSI 获取的深度学习辅助 HyperRNN

    该论文提出了一种基于 HyperRNN 的增强型端到端设计，利用下行和上行信道同时进行极化和时变相关性，优化长期信道特征从上行到下行的传递，从而降低了归一化均方误差（NMSE）性能并减少了导频长度。

    Apr, 2021

  • 基于深度学习的 FDD Massive MIMO 系统下行信道预测

    本论文旨在解决在频分双工 (massive MIMO) 系统中，基站获取下行信道状态信息 (CSI) 的难题，提出了一种利用 SCNet（一种稀疏的复数值神经网络）在离线训练后直接预测下行 CSI 的方法，证明了该方法的性能和稳定性。

    Aug, 2019

  • PolarDenseNet：MIMO 系统中 CSI 反馈的深度学习模型

    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

  • 基于马尔科夫模型的深度学习框架用于大规模 MIMO CSI 反馈

    本文介绍了一种基于 Markovian 模型的深度卷积神经网络框架 MarkovNet，用于对前向通道状态信息 (CSI) 进行编码、传输和恢复，以提高 CSI 的重建精度和反馈效率。与基于递归神经网络 (RNN) 的方法相比，MarkovNet 在保证重建准确性的前提下，能显著降低成本和复杂度，尤其在反馈量化方面表现优异。

    Sep, 2020