- 增强 AI-CSI 反馈的通道建模辅助数据集生成:进展,挑战与解决方案
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 - 基于 CSI 的位置感知多环境元学习的迁移学习
通过利用深度学习技术,该研究论文提出了一种新颖的模型结构,其中包括两个部分,第一部分旨在识别与环境无关的特征,而第二部分将这些特征与特定的环境结合起来以实现定位目标。该文研究发现,采用多环境元学习方法可以显著提高在新目标环境中用户设备定位的 - 基于深度学习的海量 MIMO 系统中的矢量量化 CSI 反馈
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 - MM神经码本设计用于网络波束管理
针对大规模天线系统,本文提出了一种端到端学习的代码本设计算法,网络波束空间学习(NBL),通过优化代码本的设计来减轻干扰并最大化可实现的性能,在波束对准方面比传统代码本提高 10dB,并在网络频谱效率上提高 25% 以上。
- MIMO CSI 反馈的通用自编码器框架
提出了一种通用自编码器框架来支持不同的输入大小和多个压缩比,与其他方法相比,在压缩比和失真之间提供了可比较的性能,同时显着降低了硬件复杂性。
- 基于 IMU 监督的神经网络室内定位技术
利用惯性测量单元(IMU)计算伪标签,本文提出了一种无需昂贵采集位置标签的无线电信号用户定位方法,并展示了在模拟和真实 5G 测量数据中达到分米级准确度的实验结果。IMU 辅助方法与完全监督方法相比性能相似,但部署所需的工作量明显减少。
- Dig-CSI:一个分布式和生成模型辅助的 CSI 反馈训练框架
使用分布式生成器通过用户设备上传并使用局部数据进行训练,Dig-CSI 实现了具有较轻通信开销且性能可比的全局 CSI 反馈模型训练。
- 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 - 多波段可变自编码器增强的室内定位信道预测方案
在本文中,我们提供了一个方案,通过从另一个传输通道预测信道状态信息(CSI)值,并将多频段信息拼接在一起,从频域改进室内指纹定位的准确性。我们在 COST 2100 模拟数据和从办公场景中收集的实时正交频分复用(OFDM)WiFi 数据上测 - 大型 AI 模型赋能的多模态语义通信
利用大型人工智能模型构建的大规模多模态语义通信(LAM-MSC)框架,通过多模态对齐、个性化语言模型和信道状态估计相结合来解决多模态语义通信中的数据异构性、语义歧义和信号衰落等挑战,并通过模拟实验验证了该框架的卓越性能。
- 神经网络在无线信道预测中的比较
现代无线通信系统的性能在很大程度上取决于发送方和接收方所拥有的可用信道状态信息(CSI)的质量。本文通过比较预测质量的表现,对适用于信道预测的最新神经网络进行了综述和对比分析,并提出了选择最适合信道预测应用的神经网络的指南。
- 反射面增强毫米波无线系统中的信道估计:一种变分推理方法
我们在全被动可重构智能表面(RIS)辅助下的毫米波单用户单输入多输出(SIMO)通信系统中提出了一种基于变分推断(VI)的信道状态信息(CSI)估计方法,并且通过近似后验分布获得最大后验(MAP)估计,从而证明了所提出方法的有效性。
- 分布式图像语义无线传输的高效通信框架
提出了基于联邦学习的语义通信框架(FLSC),旨在通过全局聚合改善多任务分布式图像传输,其中每个用户的每个链接由基于分层视觉变换器(HVT)的提取器和适应特定任务的适应性翻译器组成。通过仿真实验结果表明,FLSC 在粗略语义信息方面表现优秀 - 一种基于机器学习的 OFDM 子带信道预测技术
本研究提出了一种基于机器学习的技术,旨在针对无线环境频率选择性和时变性的复杂度,通过提取通道状态信息实现对正交频分多路复用子带频段的信道预测,实现提高系统性能的目的。
- 有限 CSI 下基于联合深度强化学习的太赫兹波束搜索
本文介绍了使用联邦深度强化学习方法,在部分有限的信道状态信息下,协调无线网络中的基站以快速搜索 THz 波束赋形策略,并在一定程度上缓解干扰的方法,该方法在已有的较传统的优化方法上表现更好。
- 全息亚表面系列器件最优相位差学习
该论文提出了一种在远距离通道模型中学习 HMT 最佳相位移位的算法,通过利用远场区域的信道增益结构,在接收信号噪声的情况下学习最佳相位移位。通过大量的数值仿真,验证了理论保证,并证明了与最新策略相比的显着收益。
- 基于位级深度学习的大规模 MIMO CSI 反馈量化适配器
本文提出了一种适配器辅助的量化策略,通过深度学习技术和专家知识对海量 MIMO 系统中的 CSI 信息进行压缩和恢复,实现反馈成本的大幅降低,并在实验中证明了优异的量化准确性和重构性能。
- 基于码字模仿学习的大规模 MIMO CSI 反馈的更好的轻量级网络
本文提出了一种无成本蒸馏技术,名为代号模仿(CM),以训练更好的轻量级反馈网络,并设计了一种模仿 - 探索训练策略和特殊的蒸馏调度器来增强 CM 学习。实验证明,所提出的 CM 学习方法优于以前的最新反馈蒸馏方法,提高了轻量级反馈网络的性能 - SISO-OFDM 信道估计的高效深度展开
本研究使用了展开的神经网络,利用稀疏恢复算法实现了 SISO-OFDM 信道估计,即使在系统参数不完全知道的情况下,也可以学习系统的瑕疵以提高估计性能。
- MM可重构智能表面辅助无线联邦学习:平衡准确性和完整性
本研究提出了一种新颖的框架,使用可重构智能表面(RIS)进行联合优化,解决了无线联邦学习(AirFl)中本地模型可靠性保持以及全局精度之间的权衡问题。该框架利用波束成形器和 CSI 信息通过联合优化解决了该问题。在实验中,该框架在仍能保持本