MIMO Channel Information Feedback Using Deep Recurrent Network
在多输入多输出（MIMO）系统中，发射端信道状态信息（CSI）的可用性是提高系统性能的关键。最近的基于卷积神经网络（NN）的技术在实现CSI压缩和反馈方面显示出有竞争力的能力。通过引入一种新的神经网络结构，我们提高了MIMO通信中量化CSI反馈的准确性。所提出的NN架构调用了一个名为长短期记忆（LSTM）的模块，该模块允许NN受益于利用无线信道的时间和频率相关性。妥协的性能与复杂性，我们进一步修改的NN架构，大大减少了参数的数量进行训练。最后，实验表明，建议的神经网络结构实现更好的性能，在CSI压缩和恢复精度。
2018-11-19 cs.IT math.IT
A Survey on MIMO Transmission with Discrete Input Signals: Technical Challenges, Advances, and Future Trends
多个天线已经被用于在广泛的通信应用中的空间复用和分集传输。然而，在高速无线多输入多输出（MIMO）系统的设计中的大多数进展是基于信息理论原理，该原理演示了如何有效地传输符合高斯分布的信号。虽然高斯信号是实现容量的，但在实际通信系统中传输符合离散星座的信号。因此，本文的动机是提供一个全面的概述MIMO传输设计与离散输入信号。首先，我们总结了现有的离散输入信号的MIMO系统的基本结果。然后，集中在基本的点对点MIMO系统，我们检查传输方案的基础上的三个最重要的通信系统的标准：互信息驱动的设计，均方误差驱动的设计，和分集驱动的设计。特别地，首次提供了设计适用于即将到来的5G无线网络中的大规模MIMO系统的低复杂度传输方案的统一框架。此外，自适应传输设计，这些标准之间切换的信道条件的基础上，制定最佳的传输策略进行了讨论。然后，我们提供了一个调查的传输设计与离散输入信号的多用户MIMO场景，包括MIMO上行链路传输，MIMO下行链路传输，MIMO干扰信道，MIMO窃听信道。此外，我们还讨论了其他采用MIMO技术的系统中离散输入信号的传输设计。最后，总结了在撰写本文时尚未解决的技术挑战，并讨论了离散输入信号传输设计的未来趋势。
2017-04-25 cs.IT math.IT
Model-Driven Deep Learning for Massive MU-MIMO with Finite-Alphabet Precoding
大规模多用户多输入多输出（MU-MIMO）技术已经成为第五代无线通信系统的主流技术。为了降低大规模MU-MIMO中的高硬件成本和功耗，下行链路传输中的每个天线和射频（RF）链使用低分辨率数模转换器（DAC），这给预编码设计带来了挑战。为了克服这些障碍，我们在本文中开发了一种模型驱动的深度学习（DL）网络，用于使用有限字母预编码的大规模MU-MIMO。该网络的结构是专门设计的，通过展开的迭代算法。与传统的最先进的技术相比，所提出的基于DL的预编码器在性能、复杂度和对瑞利衰落信道下的信道估计误差的鲁棒性方面显示出显著的优势。
2020-06-28 cs.IT eess.SP math.IT
Optimal Capacity-Driven Design of Aperiodic Clustered Phased Arrays for Multi-User MIMO Communication Systems
研究了多用户多输入多输出（MU-MIMO）通信系统中基站（BS）的非周期/不规则分簇相控阵天线的优化设计问题。本文提出了一种ad-hoc综合方法，旨在最大限度地提高用户的业务容量的小区内服务的BS，同时保证足够的信号水平在终端。为此，搜索的最佳非周期性集群进行通过定制的平铺技术，能够考虑单个和多个瓦片形状，以及确保天线孔径的完全覆盖的方向性的最大化。代表性的结果，从一组广泛的数值例子与现实的天线模型和基准3GPP的情况下，报告评估的优势，不规则的阵列架构相比，由标准的开发组织提出的规则/周期性的布局，以及。
2021-07-28 cs.IT math.IT
A Distributed Massive MIMO Channel Sounder for "Big CSI Data"-driven Machine Learning
提出了一种用于获取大型CSI数据集的分布式大规模MIMO信道探测器DICHASUS。测量的数据在用于用户定位、JCAS、信道制图、在FDD操作中实现大规模MIMO等的各种机器学习算法的研究中具有潜在的应用。所提出的信道探测器架构与以前类似的设计不同，因为每个单独的单天线接收器是完全自主的，能够实现任意的空间分布的天线部署，并提供几乎无限的天线数量的可扩展性。可选地，提取的信道系数向量可以用通过GNSS接收器（用于室外操作）或通过各种室内定位技术获得的地面实况位置数据来标记。
2022-06-30 cs.IT eess.SP math.IT
Sum Spectral Efficiency Maximization in Massive MIMO Systems: Benefits from Deep Learning
研究了多小区Massive MIMO系统中以最大和频谱效率（SE）为目标的数据和导频功率联合优化问题。首先，我们提出了一个新的优化算法，启发加权最小均方误差（MMSE）的方法，以获得一个稳定点在多项式时间。然后，我们使用该算法与深度学习一起训练一个卷积神经网络，以在亚毫秒级运行时间内执行联合数据和导频功率控制，使其适用于实际多小区Massive MIMO系统的在线优化。数值结果表明，对于四单元系统，神经网络解比稳定点小$1\%$，而对于九单元系统，SE损失之和为$2\%$.
2019-03-19 cs.IT math.IT
Deep Learning Based MIMO Communications
我们介绍了一种新的物理层方案的单用户多输入多输出（MIMO）通信的基础上无监督的深度学习使用自动编码器。该方法通过将发射机和接收机扩展到多天线情况，将物理层表示和编码与解码过程的联合优化作为单个端到端任务来扩展先前的工作。我们引入了一个广泛使用的域适当的无线信道损伤模型（瑞利衰落信道），到自动编码器优化问题，以直接学习的系统，优化it.We认为在我们的实现空间分集和空间复用技术。我们的基于深度学习的方法展示了学习方案的巨大潜力，这些方案接近并超过了在现有无线MIMO系统中广泛使用的方法的性能。我们讨论了如何提出的方案可以很容易地适应开环和闭环操作的空间分集和复用模式和扩展使用，只有紧凑的二进制信道状态信息（CSI）作为反馈。
2017-07-25 cs.IT math.IT
Application of Deep Learning to Sphere Decoding for Large MIMO Systems
虽然球形解码器（SD）是用于多输入多输出（MIMO）系统的强大检测器，但是在其中采用大量天线的大规模MIMO系统中，其在计算上变得过高。为了克服这一挑战，我们提出了快速深度学习（DL）辅助SD（FDL-SD）和快速DL辅助$K$ -最佳SD（KSD，FDL-KSD）算法。其中，DL的主要应用是生成高度可靠的初始候选，以结合候选/层排序和早期拒绝来加速SD和KSD中的搜索。与现有的DL辅助SD计划相比，我们提出的计划在离线训练和在线应用阶段都更有优势。具体地，与现有的DL辅助SD方案不同，它们不需要在训练阶段执行常规SD。对于具有QPSK的$24 \times 24$ MIMO系统，所提出的FDL-SD实现了比$90\%$更多的复杂度降低，而与传统SD方案相比没有任何性能损失。对于采用QPSK的$32 \times 32$ MIMO系统，所提出的FDL-KSD仅需要$K = 32$就可以达到采用$K=256$的传统KSD的性能，其中$K$是KSD中的存活路径数。这意味着所提出的FDL-KSD方案在性能-复杂度权衡方面有了显著的改善。
2021-07-21 cs.IT math.IT
Binary MIMO Detection via Homotopy Optimization and Its Deep Adaptation
在本文中，我们考虑最大似然（ML）MIMO检测下的一位量化的意见和二进制符号星座。这个问题的动机是最近在大规模MIMO系统中采用粗量化的兴趣-作为一种有效的方式来降低硬件复杂度和能量消耗。经典的MIMO检测技术考虑未量化的观测，并且其中许多不适用于1比特MIMO情况。我们开发了一个新的非凸优化算法的一位ML MIMO检测问题，使用同伦优化策略。其思想是将ML问题转换为一系列近似问题，从简单（凸）到困难（接近ML），每个问题都是对其前一个问题的逐步修改。然后，我们的尝试是迭代跟踪这些近似问题的解决方案的路径。这种同伦算法非常适合于深度展开的应用，深度展开是一种最近流行的方法，用于将某些基于模型的算法转变为数据驱动和性能增强的算法。虽然我们最初的重点是一位MIMO检测，所提出的技术也自然适用于经典的未量化MIMO检测。我们进行了广泛的模拟，并表明，所提出的同伦算法，非深和深，有令人满意的误码率性能相比，许多国家的最先进的算法。此外，深度同伦算法具有吸引人的低计算复杂性。
2021-02-03 cs.IT eess.SP math.IT
Multi-modal Data Driven Virtual Base Station Construction for Massive MIMO Beam Alignment
The Hong Kong University of Science and Technology（香港科技大学）；Southeast University（东南大学）
本文提出利用多模态数据构建虚拟基站以优化大规模MIMO波束对准，通过几何镜像和稀疏表示提升频谱效率。
2026-02-26 cs.IT math.IT
Uplink power control in cell-free massive MIMO via deep learning
本文重点研究了在无小区大规模MIMO网络的上行链路中使用深度学习方法来执行和速率最大和最大最小功率分配。特别地，我们训练深度神经网络，以便学习一组输入数据与功率分配策略的最优解之间的映射。数值结果表明，在无小区的大规模MIMO系统中，导频污染的存在不会显著影响神经网络的学习能力，其性能接近最优。相反，随着在系统中引入阴影效应，用深度学习方法获得的性能相对于最佳性能显著下降。
2019-08-29 cs.IT eess.SP math.IT
DeepFP: Deep-Unfolded Fractional Programming for MIMO Beamforming
The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））；Shanghai Jiao Tong University（上海交通大学）
DeepFP通过深度解折叠网络优化FastFP的步长，提升多细胞MIMO波束成形的计算效率。
2026-01-06 cs.IT math.IT
Recursive CSI Quantization of Time-Correlated MIMO Channels by Deep Learning Classification
TU Wien（维也纳技术大学）
在频分双工（FDD）多输入多输出（MIMO）无线通信中，有限信道状态信息（CSI）反馈是支持高级单用户和多用户MIMO波束成形/预编码的中心工具。为了实现给定的CSI质量，CSI量化码本大小必须随着天线的数量呈指数增长，导致量化复杂度以及较大MIMO系统的反馈开销问题。我们最近提出了一个多级递归格拉斯曼量化器，使CSI量化的复杂性显着降低。在本文中，我们证明了这种递归量化器可以有效地与深度学习分类相结合，以进一步降低复杂度，并且它可以利用时间信道相关性来减少CSI反馈开销。
2020-09-28 cs.IT cs.LG math.IT
Deep-Learning Based Linear Precoding for MIMO Channels with Finite-Alphabet Signaling
Ericsson Research（爱立信研究院）
研究了基于有限字母表信令的多输入多输出（MIMO）通信信道的线性预编码问题。现有解决方案通常由于星座约束的互信息的高成本计算而遭受高计算复杂性。与现有的研究成果相比，本文采用了一种不同的方法来解决MIMO预编码问题。即，提出了一种基于深度学习的数据驱动方法。在离线训练阶段，深度神经网络在一组MIMO信道矩阵上学习最优解。这允许降低在线推断阶段中预编码器优化的计算复杂性。数值结果表明，所提出的解决方案相对于现有的预编码算法的效率显着降低的复杂性和接近最佳的性能。
2021-11-05 cs.IT cs.LG math.IT
Deep Convolutional Neural Networks for Massive MIMO Fingerprint-Based Positioning
本文提供了一个初步的调查卷积神经网络（CNN）的指纹定位使用测量大规模MIMO信道的应用。当在适当的域中表示时，大规模MIMO信道具有稀疏结构，可以由CNN有效地学习以用于定位目的。我们评估了最先进的CNN的定位精度，其信道指纹是从具有丰富聚类结构的信道模型生成的：COST 2100信道模型。我们发现，中等深度的CNN可以实现分数波长定位精度，前提是有足够的代表性数据集可用于训练。
2017-08-21 cs.IT math.IT stat.ML
Deep Learning-Aided Projected Gradient Detector for Massive Overloaded MIMO Channels
Nagoya Institute of Technology（名古屋工业大学）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）；Osaka City University（大阪市立大学）
针对大规模过载MIMO系统，提出了一种深度学习辅助的迭代检测算法。由于该算法是基于投影梯度下降方法，并具有可训练的参数，因此被称为可训练投影下降检测器（TPG-检测器）。可训练的内部参数可以用标准的深度学习技术来优化，例如反向传播和随机梯度下降算法。这种方法被称为数据驱动的调整带来了显着的优点，如快速收敛的建议计划。数值实验表明，TPG检测器实现了类似的检测性能的大规模过载MIMO信道的已知算法，以较低的计算成本。
2018-12-25 cs.IT cs.LG math.IT
Geo2ComMap: Deep Learning-Based MIMO Throughput Prediction Using Geographic Data
本文提出基于深度学习的框架Geo2ComMap，利用地理数据库和稀疏测量高效估计MIMO系统全区域通信指标，并通过稀疏采样策略减轻极端误差，实现27.35 Mbps的吞吐量中位绝对误差。
2025-04-01 cs.IT math.IT
A Deep Learning-Based Framework for Low Complexity Multi-User MIMO Precoding Design
在多用户多输入多输出（MU-MIMO）系统中，利用预编码抑制多用户干扰是一种提高频谱效率的技术，而追求高性能、低复杂度的预编码方法是近十年来的研究热点。传统的迫零（ZF）算法和加权最小均方误差（WMMSE）算法在复杂度和性能之间没有取得令人满意的折衷。在本文中，利用深度学习的力量，我们提出了一个低复杂度的MU-MIMO系统的预编码设计框架。其核心思想是将MIMO预编码问题转化为多输入单输出预编码问题，从而得到最优预编码结构的封闭形式。设计定制的深度神经网络来拟合从信道到预编码矩阵的映射。此外，输入降维，网络修剪和恢复模块压缩技术，以进一步提高计算效率。在此基础上，研究了该算法在实际MIMO正交频分复用（MIMO-OFDM）系统中的扩展。仿真结果表明，该算法在计算复杂性很低的情况下，获得了与WMMSE算法相似的性能。
2022-07-08 cs.IT eess.SP math.IT
On Purely Data-Driven Massive MIMO Detectors
提出纯数据驱动检测器 ChannelNet，利用信道嵌入层与天线共享处理器实现排列等变、低复杂度扩展，并在理论和实验上逼近或优于最优及现有 MIMO 检测器。
2025-07-29 cs.IT eess.SP math.IT
Deep MIMO Detection
School of Computer Science and Engineering（计算机科学与工程学院）；The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
在本文中，我们考虑在多输入多输出（MIMO）检测的背景下使用深度神经网络。我们简要介绍了深度学习，并提出了一种适合于此检测任务的现代神经网络架构。首先，我们考虑MIMO信道是恒定的情况下，我们学习一个特定系统的检测器。接下来，我们考虑更困难的情况，其中参数是已知的，但仍在变化，并且必须为所有多个变化的通道学习单个检测器。我们证明了我们的深度MIMO检测器的性能，使用数值模拟比较竞争的方法，包括近似的消息传递和半定松弛。结果表明，深度网络可以实现最先进的精度，同时显著降低复杂度，同时提供对病态信道和错误指定的噪声方差的鲁棒性。
2017-06-04 cs.IT cs.LG math.IT
AnciNet: An Efficient Deep Learning Approach for Feedback Compression of Estimated CSI in Massive MIMO Systems
在大规模多输入多输出（m-MIMO）系统中，由于信道状态信息（CSI）开销过大，而反馈带宽有限，因此准确的CSI反馈对于提高系统性能具有重要作用。通过考虑由于不完美的信道估计导致的噪声CSI，我们提出了一种新的深度神经网络架构，即AnciNet，以有限的带宽进行CSI反馈。AnciNet从有噪声的CSI样本中提取无噪声特征，以实现对反馈的有效CSI压缩。实验结果表明，该方法在各种条件下均优于现有方法.
2020-08-17 cs.IT eess.SP math.IT
Deep Contextual Bandit and Reinforcement Learning for IRS-Assisted MU-MIMO Systems
针对IRS辅助MU-MIMO系统的相移矩阵与预编码器联合优化以最大化和速率的问题，提出深度上下文赌博机框架DCB-DDPG和满足MDP特性的DRL方法，高干扰场景下性能优于现有启发式方法。
2024-01-30 cs.IT eess.SP math.IT
DeepMIMO: A Generic Deep Learning Dataset for Millimeter Wave and Massive MIMO Applications
机器学习工具正在毫米波（mmWave）和大规模MIMO系统中找到有趣的应用。这主要归功于它们在学习未知模型和解决困难优化问题方面的强大能力。然而，为了推进毫米波/大规模MIMO中的机器学习研究，需要通用数据集。该数据集可用于评估开发的算法，重现结果，设置基准，并比较不同的解决方案。在这项工作中，我们介绍了DeepMIMO数据集，这是毫米波/大规模MIMO信道的通用数据集。DeepMIMO数据集生成框架具有两个重要特征。首先，DeepMIMO信道是基于从Remcom Wireless InSite获得的精确射线跟踪数据构建的。因此，DeepMIMO信道捕获了对环境几何形状/材料和发射器/接收器位置的依赖性，这对于几个机器学习应用至关重要。其次，DeepMIMO数据集是通用/参数化的，因为研究人员可以调整一组系统和信道参数，以针对目标机器学习应用定制生成的DeepMIMO数据集。然后，DeepMIMO数据集可以完全由（i）所采用的光线跟踪场景和（ii）参数集定义，这使得数据集的准确定义和再现成为可能。本文描述了一个基于18个基站和超过100万用户的室外光线跟踪场景的DeepMIMO数据集示例。本文还展示了如何将该数据集用于毫米波波束预测的示例深度学习应用。
2019-02-18 cs.IT eess.SP math.IT
CSI Feedback with Model-Driven Deep Learning of Massive MIMO Systems
为了在频分双工（FDD）模式下实现大规模多输入多输出（MIMO）系统的高数据率的可靠通信，需要将接收端估计的信道状态信息（CSI）反馈到发射端。然而，随着天线数量的增加，反馈开销变得过高。针对毫米波（mmWave）大规模MIMO系统，提出了一种基于模型驱动深度学习的两级低秩（TSLR）CSI反馈方案，以降低反馈开销。此外，我们设计了一个深度迭代神经网络，命名为FISTA-Net，通过展开的快速迭代收缩阈值算法（FISTA），以实现更有效的CSI反馈。在FISTA-Net的基础上，基于注意力机制设计了一个收缩阈值网络（ST-Net），该网络能够自适应地选择阈值。仿真结果表明，所提出的TSLR CSI反馈方案和FISTA-Net优于现有的算法在各种情况下。
2021-12-13 cs.IT cs.LG eess.SP
Beyond 5G: Leveraging Cell Free TDD Massive MIMO using Cascaded Deep learning
Virginia Tech（弗吉尼亚理工大学）；IIT Madras（印度马德拉斯理工学院）
本文讨论了在基于正交频分复用（OFDM）的无小区大规模MIMO系统中时分双工（TDD）互易性的校准，其中（射频）RF链的响应使得端到端信道是非互易的，即使物理无线信道是互易的。我们进一步解决了在导频子载波以外的位置处的上行链路信道估计的不可用性，并提出了一种单发解决方案，以从选定导频子载波处的上行链路信道估计所有子载波处的下行链路信道。我们提出了一个级联的两个深度神经网络（DNN）来实现这个目标。所提出的方法是容易扩展的，并且消除了基于天线的合作的相对互易性校准的需要，这通常在无小区大规模MIMO系统中引入依赖性。
2020-04-04 cs.IT cs.LG math.IT
Deep Learning-Aided Tabu Search Detection for Large MIMO Systems
Seoul National University of Science and Technology（首尔科学技术大学）
在这项研究中，我们考虑了深度学习（DL）在大型多输入多输出（MIMO）系统中禁忌搜索（TS）检测的应用。首先，我们提出了一种用于符号检测的深度神经网络架构，称为快速收敛稀疏连接检测网络（FS-Net），它是通过优化称为DetNet和ScNet的先验检测网络获得的。然后，我们提出了DL辅助TS算法，其中的初始解近似所提出的FS网。此外，在该算法中，自适应提前终止算法和修改的搜索过程中进行的基础上的预测逼近误差，这是从基于FS-Net的初始解确定，使最优解可以更早地到达。仿真结果表明，该算法在保持基本性能不变的情况下，对于QPSK调制的$32 \times 32$ MIMO系统，相对于现有的TS算法，实现了约90%的复杂度降低。
2019-09-04 cs.IT cs.LG math.IT
An Efficient Deep Learning Framework for Low Rate Massive MIMO CSI Reporting
信道状态信息（CSI）报告对于多输入多输出（MIMO）发射机在频分双工（FDD）模式中实现高容量和能量效率是重要的。用于大规模MIMO系统的CSI报告可能消耗过多的带宽并且降低频谱效率。与信道相关性集成的基于深度学习（DL）的压缩已经证明在改善CSI恢复方面是成功的。然而，现有的工作集中在CSI压缩很少表现出对CSI报告的有效编码。在本文中，我们提出了一个有效的DL为基础的压缩框架（称为CQNet），共同解决CSI压缩，报告编码，并在带宽限制下恢复。CQNet可以直接集成在其他基于DL的CSI反馈工程中，以进一步增强。CQNet显著优于使用均匀CSI量化和$μ$定律非均匀量化的解决方案。与传统的CSI报告相比，需要少得多的比特来实现可比较的CSI重构精度。
2019-12-23 cs.IT eess.SP math.IT
Deep Joint Source Channel Coding With Attention Modules Over MIMO Channels
本文提出两种带注意力模块的MIMO深度联合信源信道编码结构，通过注意力机制适应子信道质量差异，提升图像传输性能，并发现系统倾向于在优质子信道传输更多信息。
2024-03-15 cs.IT eess.SP math.IT
Self-attention for Enhanced OAMP Detection in MIMO Systems
多输入多输出（MIMO）系统是无线通信的基础。由于经典的MIMO系统中符号检测算法需要大量的计算资源或结果不佳，因此数据驱动算法变得越来越流行。然而，大多数的proposedalgorithms，引入近似导致现实MIMO系统的性能下降。在本文中，我们引入了一个神经增强的混合模型，增强了国家的最先进的神经网络组件的analyticbackbone算法。特别是，我们引入aself-attention模型的迭代正交近似消息传递（OAMP）为基础的解码算法的增强。在我们的实验中，我们表明，所提出的模型可以优于现有的数据驱动的方法OAMP，同时提高了泛化到其他SNR值在有限的计算开销。
2023-03-14 cs.IT eess.SP math.IT
Deep Reinforcement Learning Aided Monte Carlo Tree Search for MIMO Detection
Research Center for Information Technology Innovation, Academia Sinica（中央研究院资讯科技创新研究中心）
本文提出了一种新的多输入多输出（MIMO）符号检测器，该检测器将深度强化学习（DRL）代理集成到蒙特卡罗树搜索（MCTS）检测算法中。我们首先描述如何MCTS算法，用于许多决策问题，适用于MIMO检测问题。然后，我们介绍了一个自行设计的深度强化学习代理，由一个策略值网络和一个状态值网络组成，它被训练用于检测MIMO符号。训练后的网络的输出被采用到一个修改的MCTS检测算法，以提供有用的节点统计信息，并促进增强的树搜索过程。由此产生的方案，称为DRL-MCTS检测器，表现出显着的改进，比原来的MCTS检测算法，并表现出良好的性能相比，其他现有的线性和DNN为基础的检测方法在不同的信道条件下。
2021-01-30 cs.IT cs.LG eess.SP
Multilevel MIMO Detection with Deep Learning
Telecom ParisTech（巴黎高等电信学院）；Texas A&M University（得克萨斯农工大学）；Mitsubishi Electric R&D（三菱电机研发中心）
研究了准静态平坦多天线信道。我们展示了如何通过深度神经网络检测真正的多级调制符号。介绍了一种多平台sigmoid函数。然后，在展示了用于检测的DNN架构之后，我们提出了一种双网络神经结构。研究了有效学习的批量大小和训练统计量。实现了具有相对合理数量的参数的近最大似然性能。
2019-02-14 cs.IT cs.LG math.IT
Deep Learning for Joint Design of Pilot, Channel Feedback, and Hybrid Beamforming in FDD Massive MIMO-OFDM Systems
针对FDD大规模MIMO-OFDM系统，提出端到端深度学习框架，联合设计导频、信道反馈与混合波束成形，并利用图神经网络建模波束成形器交互。
2023-12-10 cs.IT eess.SP math.IT
Deep Learning-based Limited Feedback Designs for MIMO Systems
Korea University（高丽大学）；Pukyong National University（釜庆国立大学）；Huawei Technologies（华为技术有限公司）
研究了一种基于深度学习（DL）的多天线系统有限反馈方法。引入深度神经网络（DNN）来代替端到端有限反馈过程，包括导频辅助信道训练过程、信道码本设计和波束成形向量选择。DNN被训练以产生二进制反馈信息以及最大化有效信道增益的有效波束成形向量。与传统的有限反馈方案相比，所提出的DL方法显示出1 dB的符号出错率（SER）增益，降低了计算复杂性。
2019-12-19 cs.IT cs.LG math.IT
Deep Learning-based mmWave MIMO Channel Estimation using sub-6 GHz Channel Information: CNN and UNet Approaches
本文提出利用sub-6 GHz带外信息的CNN和UNet两种深度学习方法估计毫米波MIMO信道，仿真证明其在频谱效率上优于现有方案。
2025-10-15 cs.IT eess.SP math.IT
Deep Learning Aided Parametric Channel Covariance Matrix Estimation for Millimeter Wave Hybrid Massive MIMO
毫米波（mmWave）信道占用的频率范围远高于先前无线通信系统中使用的频率范围，其用于满足5G通信带来的增加的吞吐量要求。这些频率中的电磁波所经历的高水平衰减导致MIMO信道具有高空间相关性。为了获得理想的错误性能，系统需要关于信道相关性的知识。在这篇论文中，提出了一种深度神经网络辅助方法来估计信道协方差矩阵（CCM），其中包含有关信道相关性的信息。与文献中的一些方法相比，该方法在计算复杂度和信道估计误差方面都具有令人满意的性能。
2022-12-18 cs.IT eess.SP math.IT
Deep Unfolded Simulated Bifurcation for Massive MIMO Signal Detection
Tokyo Institute of Technology（东京工业大学）
针对大规模MIMO信号检测问题，本文对量子启发式模拟分岔算法进行改进，结合Levenberg-Marquardt思路消除局部极小值，并通过深度展开技术训练迭代参数，显著提升了检测性能。
2023-07-24 cs.IT cs.LG eess.SP
Enhancing Deep Learning Performance of Massive MIMO CSI Feedback
Nanyang Technological University（南洋理工大学）
CSI反馈是大规模多输入多输出（MIMO）技术的一个重要问题，因为反馈开销与子信道的数量和天线的数量成比例，这两者都与大规模MIMO系统的大小成比例。基于深度学习的CSI反馈方法由于其优越的性能最近被广泛采用。尽管取得了成功，但目前的方法尚未充分利用CSI数据的特征与深度学习框架之间的关系。在本文中，我们提出了一个拼图辅助训练策略（JPTS），以增强基于深度学习的大规模MIMO CSI反馈方法，通过最大化原始CSI和压缩CSI之间的互信息。我们在现有的最先进的方法之上应用JPTS。实验结果表明，采用该训练策略，室内和室外环境下的准确率平均分别提高了12.07%和7.01%。所提出的方法准备好采用大规模MIMO CSI反馈的现有深度学习框架。JPTS的代码可以在GitHub上使用。
2023-02-03 cs.AI cs.IT eess.SP
User Association and Load Balancing for Massive MIMO through Deep Learning
CentraleSupélec（巴黎中央理工-高等电力学院）；Université Paris-Saclay（巴黎萨克雷大学）；University of Pisa（比萨大学）；Huawei Technologies（华为技术有限公司）
这项工作研究了使用深度学习来执行用户小区关联，以实现大规模MIMO网络中的和速率最大化。它示出了如何可以训练深度神经网络，以接近最佳关联规则与更有限的计算复杂性，从而能够实时更新的关联规则的基础上，用户的移动模式。特别地，所提出的神经网络设计仅需要用户的地理位置作为输入。数值结果表明，它保证了传统的面向优化的方法相同的性能。
2018-12-17 cs.AI cs.IT math.IT
Deep Learning for Massive MIMO with 1-Bit ADCs: When More Antennas Need Fewer Pilots
本文考虑了具有1位模数转换器（ADC）的上行链路大规模MIMO系统，并开发了一种基于深度学习的信道估计框架。在该框架中，利用先前的信道估计观测和深度神经网络模型来学习从量化的接收测量到信道的非平凡映射。为此，我们推导出足够的长度和导频序列的结构，以保证这个映射函数的存在。这导致了有趣的\textit{counter-intuitive}观察结果，即当大规模MIMO基站采用更多天线时，我们提出的深度学习方法在相同的导频序列长度下实现了更好的信道估计性能。同样，对于相同的信道估计性能，这意味着当采用更多的天线时，需要更少的导频。对于某些特殊的信道模型，这一观察结果也得到了解析证明。仿真结果证实了我们的观察，并表明，更多的天线导致更好的信道估计的归一化均方误差和可实现的信号-噪声比每天线。
2020-05-07 cs.IT eess.SP math.IT
Deep Learning based Joint Precoder Design and Antenna Selection for Partially Connected Hybrid Massive MIMO Systems
混合预编码器设计的高效资源分配对于工作在毫米波（mmW）域的大规模MIMO系统是必不可少的。由于部分连接混合架构具有更高的能量效率和更低的复杂度，在这封信中，我们提出了一种基于联合深度卷积神经网络（CNN）的部分连接大规模MIMO混合系统预编码器设计和天线选择方案。对于CNN，预编码器设计和天线选择分别被公式化为回归和分类问题。信道数据被馈送到第一CNN网络，该第一CNN网络输出具有最佳频谱效率的所选天线的子集。该子集再次被馈送到第二CNN以获得用于部分连接架构的块对角预编码器。仿真结果验证了基于CNN的方法优于传统的迭代和交替最小化（alt-min）算法。此外，所提出的方案是计算效率高，是不是很敏感的信道不规则性。
2021-02-02 cs.IT eess.SP math.IT
Learnable Model-Driven Performance Prediction and Optimization for Imperfect MIMO System: Framework and Application
用于多输入多输出系统的性能分析和优化的现有技术方案通常在具有未知干扰和信道状态信息（CSI）不确定性的动态复杂场景中经历降级甚至变得无效。为了适应具有挑战性的设置，更好地完成这些网络自动调整任务，本文提出了一个通用的可学习的模型驱动框架。为了解释所提出的框架是如何工作的，我们考虑正则化迫零预编码作为一个使用实例，并设计了一个轻量级的神经网络，用于基于粗糙模型驱动近似的和率和检测误差的精细预测。然后，我们以迭代的方式在学习的预测器上估计CSI不确定性，并在此基础上，优化发送正则化项和随后的接收功率缩放因子。提出了一种基于深度展开投影梯度下降的功率缩放算法，该算法在收敛速度和鲁棒性之间取得了较好的折衷。
2022-06-30 cs.IT eess.SP math.IT
A Lightweight Deep Network for Efficient CSI Feedback in Massive MIMO Systems
为了充分利用大规模多输入多输出（m-MIMO）的优势，在发射端需要准确的信道状态信息（CSI）。然而，对于大型天线阵列，过多的CSI反馈是低效的，因此在实际应用中是不期望的。通过利用角延迟域中复值信道响应的固有相关特性，提出了一种新的神经网络（NN）架构，即ENet，用于m-MIMO中的CSI压缩和反馈。即使ENet单独处理CSI值的实部和虚部，其特殊结构也使仅针对实部训练的网络能够重新用于虚部。与现有的基于神经网络的解决方案相比，所提出的ENet显示出增强的性能，网络大小减少了近一个数量级。实验结果验证了所提出的ENet的有效性。
2021-05-21 cs.IT eess.SP math.IT
On Deep Learning-based Massive MIMO Indoor User Localization
我们研究了深度神经网络用于多输入多输出（MIMO）用户定位的可用性，该定位仅基于正交频分复用（OFDM）复信道系数。与其他室内定位系统（IPS）相比，所提出的方法不需要任何额外的导频开销或通信系统本身的任何其他变化，因为它被部署在现有的OFDM MIMO系统之上。在实际测量的支持下，我们主要对更具挑战性的非视距（NLoS）场景感兴趣。然而，已知梯度下降优化需要大量数据点用于训练，即，与传统方法相比，所需的数据库将太大。因此，我们提出了一个两步训练过程，在第一步中对模拟视线（LoS）数据进行训练，在第二步中对测量的NLoS位置进行微调。这减少了所需的测量训练位置，从而减少了数据采集的工作量。
2018-04-13 cs.IT eess.SP math.IT
Deep Learning Based Equalizer for MIMO-OFDM Systems with Insufficient Cyclic Prefix
Huawei Technology（华为技术有限公司）；Southeast University（东南大学）
研究了循环前缀不足时多输入多输出（MIMO）正交频分复用（OFDM）系统的均衡设计问题。特别是当多径时延扩展超过CP长度时，载波间干扰（ICI）和符号间干扰（ISI）会严重影响信号检测性能。为了解决这个问题，提出了一种基于深度学习的均衡器来近似最大似然检测。受相邻子载波之间的依赖性的启发，开发了一种计算效率高的联合检测方案。采用建议的均衡器，一个迭代接收机也被构造和检测性能进行了评估，通过模拟测量多径信道。我们的研究结果表明，建议的接收机可以实现显着的性能改善相比，两个传统的基线计划。
2020-07-23 cs.IT cs.LG math.IT
Deep Reinforcement Learning Based Power Allocation for Minimizing AoI and Energy Consumption in MIMO-NOMA IoT Systems
Jiangnan University（江南大学）；State Key Laboratory of Integrated Services Networks (Xidian University)（综合业务网理论及关键技术国家重点实验室（西安电子科技大学））；Qualcomm（高通公司）；Tsinghua University（清华大学）；University of Kent（肯特大学）；Jiangsu Future Networks Innovation Institute（江苏未来网络创新研究院）
多输入多输出非正交多址接入（MIMO-NOMA）物联网系统可以显著提高信道容量和频谱效率，以支持实时应用。信息年龄（AoI）是实时应用的重要指标，但目前还没有文献对MIMO-NOMA物联网系统的AoI进行最小化，这促使我们开展这项工作。在MIMO-NOMA物联网系统中，基站（BS）确定样本收集要求并为每个物联网设备分配传输功率。各设备根据采样要求确定是否进行数据采样，并采用分配的功率在MIMO-NOMA信道上向基站发送采样数据。之后，BS采用连续干扰消除（SIC）技术来解码由每个设备发送的数据的信号。样本采集要求和功率分配将影响系统的AoI和能耗。在SIC过程中传输速率不是常数，MIMO-NOMA信道中噪声是随机的，因此确定包括采样要求和功率分配在内的最优策略以最小化MIMO-NOMA物联网系统的AoI和能耗至关重要。本文提出了基于深度强化学习（DRL）的MIMO- NOMA物联网系统的最优功率分配，以最小化AoI和能耗。大量的仿真实验证明了最优功率分配的优越性。
2023-03-11 cs.AI cs.IT math.IT
PolarDenseNet: A Deep Learning Model for CSI Feedback in MIMO Systems
Standards and Mobility Innovation Lab（标准与移动创新实验室）；Samsung Research America（三星美国研究院）
在多输入多输出（MIMO）系统中，在基站（BS）处需要高分辨率信道信息（CSI）以确保最佳性能，特别是在多用户MIMO（MU-MIMO）系统的情况下。在频分双工（FDD）系统中不存在信道互易性的情况下，用户需要向BS发送CSI。在FDD系统中，与该CSI反馈相关联的大开销常常成为提高系统性能的瓶颈。在本文中，我们提出了一种基于AI的CSI反馈的自动编码器架构的基础上，在UE的CSI编码到一个低维的潜在空间，并解码它在BS通过有效地减少反馈开销，同时最大限度地减少恢复过程中的损失。我们的仿真结果表明，基于AI的建议架构优于使用5G新无线电（NR）系统中采用的DFT基的最先进的高分辨率线性组合码本。
2022-02-02 cs.AI cs.IT math.IT
Deep Learning-Based Rate-Adaptive CSI Feedback for Wideband XL-MIMO Systems in the Near-Field Domain
针对宽带近场XL-MIMO系统中CSI反馈面临的表征与压缩挑战，提出带压缩比自适应模块的轻量级深度学习框架WideNLNet-CA，单模型可适配多反馈速率，性能优于现有方法且推理快、存储需求低。
2025-08-01 cs.IT eess.SP math.IT
Deep Multi-Stage CSI Acquisition for Reconfigurable Intelligent Surface Aided MIMO Systems
针对可重构智能表面（RIS）中继无线信道估计中导频开销过大的问题，提出了一种基于导频的RIS中继无线信道估计方法。受深度学习在解决非线性映射问题方面的令人信服的把握的启发，所提出的方法仅激活RIS元素的一部分，并利用相应的级联信道估计来预测另一部分。通过合成深度神经网络（DNN），首先依次估计直接信道和活动级联信道，然后对非活动RIS元件进行信道预测。一个三阶段的训练策略，开发了这种合成DNN。从仿真结果来看，所提出的基于深度学习的方法在减少导频开销和保证可靠的估计精度方面是有效的。
2021-04-23 cs.IT eess.SP math.IT
Deep reinforcement learning approach to MIMO precoding problem: Optimality and Robustness
Ericsson Research（爱立信研究院）；Ericsson AB（爱立信公司）
该研究提出基于深度强化学习的MIMO预编码框架，采用DQN与DDPG算法构建智能体，验证了其在简单场景下的近最优性，且在复杂场景中性能优于传统近似算法。
2020-06-30 cs.IT cs.LG eess.SP
Deep Learning for Massive MIMO Channel State Acquisition and Feedback
Imperial College London（帝国理工学院）
大规模多输入多输出（MIMO）系统是5G和下一代无线网络中过高吞吐量要求的主要推动因素，因为它们可以同时为许多用户提供高频谱和能量效率。为了实现这一点，大规模MIMO系统需要准确和及时的信道状态信息（CSI），其通过涉及导频传输、CSI估计和反馈的训练过程来获取。该训练过程引起训练开销，其随着天线、用户和子载波的数量而缩放。自概念出现以来，减少大规模MIMO系统中的这种训练开销一直是研究的主要课题。最近，已经提出了用于大规模MIMO训练的基于深度学习（DL）的方法，并且与传统技术相比显示出显著的改进。本文概述了如何将神经网络（NN）用于大规模MIMO系统的训练过程中，通过减少CSI获取开销和降低复杂度来提高性能。
2020-04-13 cs.IT cs.LG eess.SP
Deep Learning Based Beam Training for Extremely Large-Scale Massive MIMO in Near-Field Domain
超大规模大规模多输入多输出（XL-MIMO）被认为是下一代通信系统的重要技术。为了提高波束形成增益，基于码本的波束训练在XL-MIMO系统中被广泛采用。然而，在XL-MIMO系统中，近场域扩展，并且需要采用近场码本进行波束训练，这显著增加了导频开销。为了解决这个问题，我们提出了一种基于深度学习的波束训练方案，其中考虑了近场信道模型和近场码本。具体地说，我们首先利用对应于远场宽波束的接收信号来估计最佳近场波束。提出了两种训练方案，即建议的原始和改进的神经网络。原始方案直接基于神经网络的输出来估计最佳近场码字。相比之下，改进方案进行额外的波束测试，这可以显着提高波束训练的性能。仿真结果表明，本文提出的方法可以显著降低近场域的训练开销，获得波束形成增益。
2022-09-28 cs.IT eess.SP math.IT
SVD-Embedded Deep Autoencoder for MIMO Communications
Villanova University（维拉诺瓦大学）；Virginia Tech（弗吉尼亚理工学院暨州立大学）；DeepSig, Inc.（深度信号公司）
在多输入多输出（MIMO）系统中使用深度自动编码器（DAE）进行端到端通信是一个具有巨大潜力的新概念。DAE辅助的MIMO已经被证明在比特出错率（BER）方面优于基于奇异值分解（SVD）的预编码MIMO。本文提出将信道矩阵的左奇异向量和右奇异向量嵌入到DAE编解码器中，以进一步提高MIMO DAE的性能。SVDembedded DAE在BER方面大大优于理论线性预编码。这是值得注意的，因为它表明DAE通过将通信系统视为单个端到端优化模块，具有超越当前系统设计限制的巨大潜力。仿真结果表明，在SNR= 10 dB时，该算法的误码率约为$10^{-5}$，与未采用SVD的DAE相比，误码率至少降低了10倍，与理论线性预编码相比，误码率最高可降低18倍。我们把这归因于这样一个事实，即建议DAE可以匹配的输入和输出作为一个自适应调制结构与有限的字母输入。我们还观察到，向DAE添加剩余连接可进一步提高性能。
2022-02-11 cs.IT cs.LG math.IT
Uncertainty-Aware and Reliable Neural MIMO Receivers via Modular Bayesian Deep Learning
本文提出模块化贝叶斯深度学习，将贝叶斯深度学习与混合模型驱动MIMO接收机架构结合，通过产生校准良好的均衡与解码模块来提升接收机整体准确性和校准性，尤其在数据稀缺时可靠的不确定性度量能直接改善接收机链性能。
2024-10-19 cs.IT eess.SP math.IT
Deep Reinforcement Learning Based Intelligent Reflecting Surface Optimization for TDD MultiUser MIMO Systems
本文研究TDD多用户MIMO系统中IRS的离散相移设计，通过改进PPO算法并集成GRU，在无需子信道CSI的情况下最大化平均下行传输速率，仿真表明其性能、收敛速度和稳定性均优于基准。
2023-07-28 cs.IT eess.SP math.IT
