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
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 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
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
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
Model-Driven Deep Learning for MIMO Detection
Southeast University(东南大学);National Sun Yat-sen University(国立中山大学);Georgia Institute of Technology(佐治亚理工学院)
在本文中,我们研究了用于MIMO检测的模型驱动的深度学习(DL)。特别地,通过展开迭代算法并添加一些可训练参数来专门设计MIMO检测器。由于可训练参数的数量比数据驱动的基于DL的信号检测器少得多,因此模型驱动的基于DL的MIMO检测器可以用小得多的数据集快速训练。所提出的MIMO检测器可以很容易地扩展到软输入软输出检测。此外,我们研究联合MIMO信道估计和信号检测(JCESD),其中检测器考虑到信道估计误差和信道统计,而信道估计是由检测到的数据进行细化,并考虑检测误差。数值结果表明,模型驱动的基于DL的MIMO检测器显著改善了相应传统迭代检测器的性能,优于其他基于DL的MIMO检测器,并对各种失配表现出优异的鲁棒性。
2021-03-19 cs.IT cs.LG eess.SP
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
Deep Joint Source-Channel Coding for Adaptive Image Transmission over MIMO Channels
该研究提出基于ViT的DeepJSCC-MIMO方案,用于MIMO信道自适应图像传输,无需重训练即可适配不同信道与天线配置,鲁棒性优于传统分离基准,为语义通信提供高效传输方案。
2024-07-14 cs.IT eess.IV 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
A Model-Driven Deep Learning Network for MIMO Detection
在本文中,我们提出了一个模型驱动的深度学习网络多输入多输出(MIMO)检测。通过对迭代算法的展开,对网络结构进行了特殊设计。通过深度学习技术优化一些可训练参数以提高检测性能。由于网络的可训练变量的数量等于层的数量,因此网络可以在很短的时间内容易地训练。此外,该网络可以处理时变信道,只有一个单一的训练。数值结果表明,该方法可以显着提高性能的迭代算法在瑞利和相关MIMO信道。
2018-09-25 cs.IT 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
Secure Precoding in MIMO-NOMA: A Deep Learning Approach
Villanova University(维拉诺瓦大学)
提出了一种基于深度神经网络的两用户多输入多输出非正交多址信道安全传输信令设计方法。DNN的目标是形成用户信号的协方差矩阵,使得每个用户的消息可靠地传输,同时对其对应方保密。所提出的DNN在叠加它们之前对每个用户的信号进行线性预编码,并且以显著更低的运行时间实现接近最佳的性能。仿真结果表明,该模型达到了98%左右的保密容量率。DNN预编码器的频谱效率比现有的分析线性预编码器的频谱效率高得多,例如,广义奇异值分解--它的动态复杂度比现有的迭代法小几倍。
2021-10-14 cs.IT cs.LG math.IT
A Modular Neural Network Based Deep Learning Approach for MIMO Signal Detection
University of Surrey(萨里大学);Airbus Defense and Space(空中客车防务与航天公司)
在本文中,我们发现,人工神经网络(ANN)辅助多输入多输出(MIMO)信号检测可以建模为人工神经网络辅助的有损矢量量化(VQ),命名为MIMO-VQ,这基本上是一个联合统计信道量化和信号量化过程。研究发现,量化损失随发射天线数线性增加,因此MIMO-VQ随MIMO规模的扩展性较差。基于这一发现,我们提出了一种新的模块化神经网络的方法,称为MNNet,其中整个网络是由一组预定义的ANN模块形成的。ANN模块设计的关键在于MNNet中并行干扰消除的集成,其线性地减少了沿前馈传播的干扰(或等效地减少了发射天线的数量);以及量化损耗。我们的模拟结果表明,MNNet方法在很大程度上提高了深度学习能力,在各种情况下都具有接近最佳的性能。如果MNNet是模块化的,那么学习过程不需要应用于整个网络,而是在模块化级别上。由于这个原因,MNNet具有比其他基于深度学习的MIMO检测方法低得多的学习复杂度的优势。
2020-04-01 cs.IT cs.LG eess.SP
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
Deep Convolutional Compression for Massive MIMO CSI Feedback
Imperial College London(帝国理工学院)
编码缓存通过在不同的请求之间创建多播机会,比传统的未编码缓存提供了显着的收益。大规模多输入多输出(MIMO)系统需要在基站(BS)处的下行链路信道状态信息(CSI)以更好地利用可用的空间分集和复用增益。然而,在频分双工(FDD)大规模MIMO系统中,巨大的CSI反馈开销变得受限并且降低了整体频谱效率。在本文中,我们提出了一种基于深度学习的信道状态矩阵压缩方案,称为DeepCMC,由卷积层,然后是量化和熵编码块组成。与以前的工作相比,DeepCMC的主要贡献是两方面的:i)DeepCMC是完全卷积的,并且它可以在具有各种数量的子信道和发射天线的广泛场景中使用; ii)DeepCMC包括量化和熵编码块,并且最小化成本函数,该成本函数考虑BS处的信道矩阵的压缩速率和重构质量。仿真结果表明,DeepCMC在相同压缩率的信道状态矩阵的重构质量方面明显优于最先进的压缩方案,以每个信道维度的比特为单位进行测量。
2019-07-02 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 Channel Learning For Large Intelligent Surfaces Aided mm-Wave Massive MIMO Systems
Duzce University(迪兹杰大学);University of Hertfordshire(赫特福德大学);University of Luxembourg(卢森堡大学)
这封信介绍了第一项工作,介绍了一个深度学习(DL)框架,用于大型智能表面(LIS)辅助的大规模多输入多输出(多输入多输出)系统中的信道估计。设计了一种双卷积神经网络(CNN)结构,并将接收到的导频信号馈入该结构以估计直接信道和级联信道。在多用户场景中,每个用户都可以访问CNN以估计其自己的信道。所提出的DL方法的性能进行评估,并与国家的最先进的DL为基础的技术,其优越的性能进行了比较。
2020-05-13 cs.IT cs.LG eess.SP
Deep Learning Based Joint Pilot Design and Channel Estimation for Multiuser MIMO Channels
本文提出了一种基于深度学习(DL)技术的多用户多输入多输出(MIMO)信道联合导频设计和信道估计方案。为此,我们使用两层神经网络(TNNs)和使用深度神经网络(DNNs)的信道估计器构建导频设计器,它们被联合训练以最小化信道估计的均方误差(MSE)。为了有效地减少多用户间的干扰,我们还使用连续干扰消除(SIC)技术在信道估计过程中。数值结果表明,该方案大大优于国家的最先进的线性最小均方误差(LMMSE)的信道估计方案。
2018-12-10 cs.IT math.IT
Multi-resolution CSI Feedback with deep learning in Massive MIMO System
Beijing National Research Center for Information Science and Technology (BNRist)(北京信息科学与技术国家研究中心);Tsinghua University(清华大学)
在大规模多输入多输出(MIMO)系统中,用户设备(UE)需要向基站(BS)返回下行信道状态信息(CSI)。然而,在大规模MIMO系统中,随着CSI复杂度的增加,反馈变得昂贵。近来,深度学习(DL)方法被用于提高CSI反馈的重构效率。本文提出了一种新的反馈网络CRNet,通过在多个分辨率上提取CSI特征来实现更好的性能。还介绍了一种先进的训练方案,进一步提高网络的性能。仿真结果表明,在相同的计算复杂性下,该CRNet的性能优于现有的CsiNet.开放源代码可在https://github.com/Kylin9511/CRNet上获得
2021-05-27 cs.IT cs.LG eess.SP
Deep Learning for Multi-User MIMO Systems: Joint Design of Pilot, Limited Feedback, and Precoding
Korea University(高丽大学);Pukyong National University(釜庆国立大学);Queen’s University(女王大学)
在具有频分复用(FDD)的传统多用户多输入多输出(MU-MIMO)系统中,信道捕获和预编码器优化过程被分开设计,尽管它们是高度耦合的。本文研究了下行MU-MIMO系统的端到端设计,包括导频序列、有限反馈和预编码。为了解决这个问题,我们提出了一种新的深度学习(DL)框架,该框架联合优化了用户的反馈信息生成和基站(BS)的预编码器设计。MU-MIMO系统中的每个过程都被智能设计的多个深度神经网络(DNN)单元所取代。在基站处,神经网络生成导频序列并帮助用户获得准确的信道状态信息。在每个用户处,由单个用户DNN以分布式方式执行信道反馈操作。然后,另一BS DNN从用户收集反馈信息,并确定MIMO预编码矩阵。提出了一种联合训练算法,以端到端的方式优化所有DNN单元。此外,提出了一种训练策略,该策略可以避免针对不同网络规模的可扩展设计进行再训练。数值结果表明,建议的DL框架相比,经典的优化技术和其他传统的DNN计划的有效性。
2022-09-21 cs.IT cs.LG eess.SP
Deep Learning-based CSI Feedback Approach for Time-varying Massive MIMO Channels
在频分双工(FDD)网络中,大规模多输入多输出(MIMO)系统依赖于信道状态信息(CSI)反馈来执行预编码并实现性能增益。然而,大量的天线对传统的CSI反馈减少方法提出了挑战,并导致过多的反馈开销。在这篇文章中,我们开发了一个实时CSI反馈架构,称为CsiNet-长短期记忆(LSTM),通过扩展一个新的基于深度学习(DL)的CSI感知和恢复网络。CsiNet-LSTM通过直接从时变大规模MIMO信道的训练样本中学习空间结构与时间相关性,大大提高了恢复质量,并改善了压缩比(CR)和复杂度之间的权衡。仿真结果表明,CsiNet-LSTM优于现有的基于压缩感知和基于DL的方法,并且对CR减少具有显著的鲁棒性。
2018-07-31 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
Deep HyperNetwork-Based MIMO Detection
Nokia Bell Labs(诺基亚贝尔实验室);Univ Lyon(里昂大学);INSA Lyon(里昂国立应用科学学院);Inria(法国国家信息与自动化研究所)
多输入多输出(MIMO)系统的最优符号检测是一个NP难题。传统的启发式算法要么太复杂而不实用,要么性能很差。最近,有几种方法试图通过将检测器实现为深度神经网络来解决这些挑战。然而,它们在实际空间相关信道上仍然实现不令人满意的性能,或者由于它们需要针对每个信道实现进行再训练而在计算上要求很高。在这项工作中,我们解决这两个问题,通过训练一个额外的神经网络(NN),被称为超网络,它作为输入的信道矩阵和生成的神经NN为基础的检测器的权重。结果表明,所提出的方法实现了接近国家的最先进的性能,而不需要重新训练。
2020-02-10 cs.IT cs.LG eess.SP
Deep Learning Power Allocation in Massive MIMO
University of Pisa(比萨大学);CentraleSupélec(巴黎中央理工-高等电力学院);Université Paris-Saclay(巴黎萨克雷大学);Huawei Technologies(华为技术有限公司)
该工作倡导使用深度学习来在大规模多输入多输出网络的下行链路中执行最大-最小和最大-prod功率分配。更准确地说,训练深度神经网络以学习用户设备(UE)的位置与最优功率分配策略之间的映射,然后用于预测新的UE位置集合的功率分配简档。与传统的面向优化的方法相比,深度学习的使用显著改善了功率分配的复杂性-性能权衡。特别是,所提出的方法不需要计算任何统计平均值,这将是必要的,而使用标准的方法,并能够保证接近最佳的性能。
2019-06-03 cs.IT cs.LG eess.SP
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
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
A Markovian Model-Driven Deep Learning Framework for Massive MIMO CSI Feedback
正向信道状态信息(CSI)在大规模多输入多输出(MIMO)通信系统的调度和容量逼近传输优化中起着至关重要的作用。在频分双工(FDD)大规模多输入多输出系统中,在发射机处的前向链路CSI重构严重依赖于来自接收节点的CSI反馈,并且必须仔细权衡重构精度和反馈带宽之间的折衷。最近关于使用递归神经网络(RNN)的研究已经证明了对于大规模多输入多输出部署的强有力的承诺,尽管计算和存储器的成本仍然很高。在这项工作中,我们利用信道相干性的时间,大大提高了反馈效率。使用马尔可夫模型,我们开发了一个基于深度卷积神经网络(CNN)的框架MarkovNet来及时差分编码前向CSI,以有效提高重建精度。此外,我们还探索了重要的物理见解,包括输入数据的球形归一化和用于反馈压缩的卷积层。我们通过我们提出的MarkovNet证明了基于RNN的工作的实质性性能改进和复杂性降低,以准确地恢复前向CSI估计。我们探索了反馈量化中的其他实际考虑,并表明MarkovNet在计算成本的一小部分上优于基于RNN的CSI估计网络。
2020-09-20 cs.IT cs.LG eess.SP
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
Hybrid Precoding for Multi-User Millimeter Wave Massive MIMO Systems: A Deep Learning Approach
Duzce University(杜兹切大学);University of Hertfordshire(赫特福德大学);University of Luxembourg(卢森堡大学)
在多用户毫米波(mmWave)多输入多输出(MIMO)系统中,混合预编码是降低复杂度和成本同时获得足够的和速率的关键任务。以前的混合预编码工作通常是基于优化或贪婪的方法。这些方法要么提供更高的复杂性,要么具有次优性能。此外,这些方法的性能主要依赖于信道数据的质量。在这项工作中,我们提出了一个深度学习(DL)框架,以提高性能,并提供更少的计算时间相比,传统的技术。事实上,我们设计了一个用于MIMO的卷积神经网络(CNN-MIMO),它接受不完美的信道矩阵作为输入,并在输出端给出模拟预编码器和组合器。该程序包括两个主要阶段。首先,我们开发了一种穷举搜索算法来选择模拟预编码器和组合器从预定义的码本最大化可实现的和速率。然后,所选择的预编码器和组合器被用作CNN-MIMO的训练阶段中的输出标签,其中获得输入输出对。我们通过大量和广泛的模拟评估所提出的方法的性能,并表明所提出的DL框架优于传统的技术。总的来说,CNN-MIMO在存在关于信道矩阵的缺陷的情况下提供了鲁棒的混合预编码方案。最重要的是,所提出的方法具有更少的计算时间与优化和基于码本的方法相比。
2019-11-11 cs.IT cs.LG eess.SP
DUIDD: Deep-Unfolded Interleaved Detection and Decoding for MIMO Wireless Systems
ETH Zurich(苏黎世联邦理工学院);NVIDIA Corporation(英伟达公司)
迭代检测和解码(IDD)是已知的,以实现近容量性能的多天线无线系统。我们提出了深度展开交织检测和解码(DUIDD),一个新的范例,降低了IDD的复杂性,同时实现更低的出错率。DUIDD将数据检测器和信道解码器的内部级交错,这加速了收敛并降低了复杂度。此外,DUIDD应用深度展开来自动优化算法超参数、软信息交换、消息阻尼和状态转发。我们使用NVIDIA的Sionna链路级仿真器在5G近多用户MIMO-OFDM无线系统中演示了DUIDD的有效性,该系统具有新颖的低复杂度软输入软输出数据检测器,优化的低密度奇偶校验解码器和来自商业射线跟踪器的信道向量。我们的结果表明,DUIDD优于经典IDD无论是在出错率和计算复杂性。
2022-12-15 cs.IT cs.LG eess.SP
Distributed Deep Convolutional Compression for Massive MIMO CSI Feedback
Imperial College London(帝国理工学院)
大规模多输入多输出(MIMO)系统需要基站(BS)处的下行链路信道状态信息(CSI)来实现空间分集和复用增益。在频分双工(FDD)多用户大规模多输入多输出网络中,每个用户需要压缩其下行链路CSI并将其反馈给BS。CSI开销随着天线、用户和子载波的数量而缩放,并且成为整体频谱效率的主要瓶颈。在本文中,我们提出了一种基于深度学习(DL)的CSI压缩方案,称为DeepCMC,由卷积层以及量化和熵编码块组成。与之前基于DL的CSI缩减结构相比,DeepCMC提出了一种新的全卷积神经网络(NN)架构,在解码器处具有残留层,并将量化和熵编码块纳入其设计中。DeepCMC经过训练以最小化加权率失真成本,这使得能够在CSI质量和其反馈开销之间进行权衡。仿真结果表明,DeepCMC优于最先进的CSI压缩方案在CSI的重建质量方面,对于相同的压缩率。我们还提出了一个分布式版本的DeepCMC的多用户MIMO场景编码和重构CSI从多个用户以分布式的方式。分布式DeepCMC不仅利用单个MIMO用户的固有CSI结构进行压缩,而且还受益于附近用户的信道矩阵之间的相关性,以进一步提高性能。我们还提出了一种降低复杂度的分布式DeepCMC训练方法,允许将其扩展到多个用户,并提出了一种基于集群的分布式DeepCMC方法用于实际实现。
2020-09-06 cs.IT cs.LG eess.SP
Data-Driven Deep Learning to Design Pilot and Channel Estimator For Massive MIMO
Advanced Research Institute of Multidisciplinary Science (ARIMS)(多学科科学高级研究院(ARIMS));School of Information and Electronics, Beijing Institute of Technology (BIT)(北京理工大学信息与电子学院)
本文提出了一种数据驱动的深度学习(DL)方法,用于宽带大规模多输入多输出(MIMO)系统的导频信号和信道估计器的联合设计。通过利用大规模MIMO信道的角域可压缩性,所设想的DL框架可以从欠定测量可靠地重建高维信道。具体来说,我们设计了一个端到端的深度神经网络(DNN)架构,由降维网络和重构网络组成,分别模拟导频信号和信道估计器,可以通过数据驱动的深度学习获得。对于降维网络,我们设计了一个全连接层,通过压缩高维大规模MIMO信道向量作为低维接收测量的输入,其中的权重被视为导频信号。对于重建网络,我们设计了一个全连接层,后面是多个级联的卷积层,它将重建高维信道作为输出。通过将输入和输出之间的均方误差定义为损失函数,我们利用Adam算法使用大量的信道样本来训练上述端到端DNN。通过这种方式,可以同时获得导频信号和信道估计器。仿真结果表明,所提出的解决方案优于国家的最先进的压缩感知方法。
2020-03-12 cs.IT cs.LG eess.SP
Multi-task Deep Neural Networks for Massive MIMO CSI Feedback
Beijing University of Posts and Telecommunications(北京邮电大学);Purple Mountain Laboratories(紫金山实验室)
深度学习已广泛应用于频分双工(FDD)大规模多输入多输出(MIMO)系统中的信道状态信息(CSI)反馈。对于典型的有监督反馈模型训练,难以满足大量任务特定的标注数据的需求,并且模型在多场景下的巨大训练成本和存储占用阻碍了模型的应用。在这封信中,提出了一种基于多任务学习的方法,以提高反馈网络的可行性。进一步提出了一种编码器共享反馈结构和相应的训练方案,以促进多任务学习方法的实现。实验结果表明,所提出的多任务学习方法能够在显著降低反馈模型的训练代价和存储占用的情况下,获得综合的反馈性能.
2022-07-24 cs.AI cs.IT cs.LG
Improving Massive MIMO Belief Propagation Detector with Deep Neural Network
Southeast University(东南大学);Tel-Aviv University(特拉维夫大学)
针对大规模多输入多输出(MIMO)系统,利用深度神经网络(DNN)改进置信传播(BP)检测。首先通过对BP算法的展开,提出了一种适合于检测任务的神经网络结构。DNN MIMO检测器,然后提出了基于两个修改的BP检测器,阻尼BP和最大和BP。这些算法中的校正因子通过深度学习技术进行优化,旨在提高检测性能。数值结果表明DNN检测器的性能相比,各种BP修改。该神经网络只训练一次,可用于多次在线检测。结果表明,与其他最先进的检测器相比,DNN检测器可以实现更低的误比特率(BER),在相同的复杂度水平下,对各种天线配置和信道条件具有更好的鲁棒性。
2018-04-05 cs.IT cs.LG eess.SP
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 based Precoding for the MIMO Gaussian Wiretap Channel
Villanova University(维拉诺瓦大学)
针对多输入多输出高斯窃听信道,提出了一种基于监督深度神经网络的预编码方法。所提出的基于深度学习(DL)的预编码通过在大量输入信道及其对应的协方差矩阵上进行离线训练来学习输入协方差矩阵,以实现高效、可靠和安全的信息传输。此外,通过离线训练,该方法显着降低了实时应用中的计算复杂度。与传统的预编码方法相比,本文提出的基于DL的预编码方法速度明显更快,并且达到了接近容量的保密率。基于DL的预编码也比过渡预编码方法对窃听者处的天线数量更鲁棒。这种新的预编码方法在延迟和复杂性至关重要的应用中很有前途。
2019-09-17 cs.IT cs.LG eess.SP
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
DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO Detection
Weizmann Institute of Science(魏茨曼科学研究所);Tsinghua University(清华大学)
数字接收机需要从其观测的信道输出中恢复传输的符号。在多用户多输入多输出(MIMO)设置中,其中多个符号被同时发送,准确的符号检测是具有挑战性的。能够可靠地恢复多个符号的算法族基于干扰消除。然而,这些方法假设信道是线性的,这是一种不反映许多相关信道的模型,并且需要可能不可用的准确的信道状态信息(CSI)。在这项工作中,我们提出了一个多用户MIMO接收机,学会联合检测数据驱动的方式,而不需要假设一个特定的信道模型或要求CSI。特别是,我们提出了一个数据驱动的实现迭代软干扰消除(SIC)算法,我们称之为DeepSIC。由此产生的符号检测器是基于集成专用的机器学习(ML)方法到迭代SIC算法。DeepSIC学习从有限的训练样本集合中进行联合检测,而不需要信道是线性的,并且其参数是已知的。我们的数值评估表明,对于具有完整CSI的线性信道,DeepSIC接近迭代SIC的性能,这与最佳性能相当,并且优于先前提出的基于ML的MIMO接收机。此外,在存在CSI不确定性的情况下,DeepSIC的性能明显优于基于模型的方法。最后,我们证明了DeepSIC可以准确地检测非线性信道中的符号,即使在精确的CSI可用的情况下,传统的迭代SIC也会失败。
2020-06-14 cs.IT cs.LG eess.SP
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
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
Joint Deep Reinforcement Learning and Unfolding: Beam Selection and Precoding for mmWave Multiuser MIMO with Lens Arrays
Zhejiang University(浙江大学);University of California, Davis(加州大学戴维斯分校)
基于离散透镜阵列(DLA)的毫米波(mmWave)多用户多输入多输出(MU-MIMO)系统由于其简单的硬件实现和优异的性能而受到广泛关注。在这项工作中,我们研究了波束选择和数字预编码矩阵的毫米波MU-MIMO系统与DLA的联合设计,以最大限度地提高和速率的发射功率约束和选择矩阵结构的约束。针对离散变量和耦合约束的非凸问题,提出了一种有效的联合神经网络设计框架,该框架由基于深度强化学习(DRL)的神经网络和基于深度展开的神经网络组成,分别用于优化波束选择和数字预编码矩阵.对于基于DRL的神经网络,我们将波束选择问题描述为一个马尔可夫决策过程,并提出了一种双深度Q网络算法来解决这个问题,基站被认为是一个代理,其中的状态,动作和奖励函数被仔细设计。在数字预编码矩阵的设计方面,本文提出了一种基于深度展开神经网络的加权最小均方误差迭代算法,该算法通过引入可训练参数将算法展开为一种分层结构。仿真结果表明,这种联合训练的神经网络明显优于现有的迭代算法,具有较低的复杂度和较强的鲁棒性。
2021-01-05 cs.IT cs.LG eess.SP
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
On Deep Learning Solutions for Joint Transmitter and Noncoherent Receiver Design in MU-MIMO Systems
University of Surrey(萨里大学)
本文旨在通过深度学习处理多用户多输入多输出(MU-MIMO)系统的联合发射机和非相干接收机设计。鉴于基于深度神经网络(DNN)的非相干接收机,这项工作的新颖性主要在于发送端的多用户波形设计。根据信号格式,提出的深度学习解决方案可以分为两组。一组称为导频辅助波形,其中信息承载符号与导频符号进行时间复用。另一种称为基于学习的波形,其中多用户波形部分甚至完全由深度学习算法设计。具体地说,如果信息承载符号直接嵌入在波形中,则称为系统波形。否则,它被称为非系统波形,其中不涉及人工设计。仿真结果表明,在小规模MU-MIMO系统中,导频辅助波形设计优于传统的最小二乘(LS)信道估计迫零接收机。通过利用时域自由度(DoF),基于学习的波形设计在高信噪比(SNR)范围内进一步提高检测性能至少5dB。此外,它被发现,传统的权重初始化方法可能会导致训练不平衡的不同用户之间的学习为基础的波形设计。为了解决这个问题,提出了一种新的权重初始化方法,它提供了一个平衡的收敛性能,没有复杂性的惩罚。
2020-04-14 cs.IT cs.LG eess.SP
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
Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems
Zhejiang University(浙江大学);Tongji University(同济大学);University of California, Davis(加州大学戴维斯分校)
基于优化理论的多用户多输入多输出(MU-MIMO)系统预编码算法研究受到广泛关注。尽管所得到的优化算法能够提供优异的性能,但它们通常需要相当大的计算复杂性,这妨碍了它们在实时系统中的实际应用。在这项工作中,为了解决这个问题,我们首先提出了一个框架的深度展开,其中一个一般形式的迭代算法诱导的深度展开神经网络(IAIDNN)的矩阵形式,以更好地解决通信系统中的问题。然后,我们实现了所提出的deepunfolding框架,以解决MU-MIMO系统中预编码设计的和速率最大化问题。基于经典的加权最小均方误差(WMMSE)迭代算法的结构,提出了一种高效的IAIDNN。具体地说,迭代WMMSE算法展开成一个分层的结构,其中一些可训练的参数,以取代在前向传播的高复杂度的操作。为了训练网络,提出了IAIDNN的广义链规则来描述反向传播中相邻两层之间梯度的递归关系。此外,我们还讨论了该方案的计算复杂性和推广能力。仿真结果表明,该算法在降低计算复杂性的同时,有效地达到了迭代WMMSE算法的性能。
2020-06-15 cs.IT cs.LG eess.SP
Enabling FDD Massive MIMO through Deep Learning-based Channel Prediction
University of Stuttgart(斯图加特大学);Nokia Bell Labs(诺基亚贝尔实验室)
基于频分双工(FDD)的大规模多输入多输出(MIMO)通信的广泛部署的主要障碍是用于将完整下行链路(DL)信道状态信息(CSI)报告回基站(BS)以便实现闭环预编码的大的信令开销。我们通过基于深度学习的信道外推(或“预测”)方法完全消除了这种开销,并证明BS处的神经网络(NN)可以通过仅观察$f_\text{UL}$周围的不同但相邻的频带上的上行链路(UL)CSI来推断以频率$f_\text{DL}$为中心的DL CSI;与真正的基于时分双工(TDD)的系统相比,不需要更多的导频/报告开销。基本原理是散射体和大规模传播环境足够相似,以允许NN了解两个相邻频带之间的物理连接和约束,从而即使当经典外推方法(如维纳滤波器(用作整个比较的基线))失败时,也能提供良好的操作系统。我们研究其性能的各种国家的最先进的大规模MIMO信道模型,更是如此,评估计划使用实际的大规模MIMO信道测量,使其成为实际可行的频谱效率相比,一个真正的TDD系统的损失可以忽略不计。
2019-01-08 cs.IT cs.LG 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
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
Lightweight Deep Learning-Based Channel Estimation for RIS-Aided Extremely Large-Scale MIMO Systems on Resource-Limited Edge Devices
Department of Electrical and Computer Engineering, Iowa State University(电气与计算机工程系,爱荷华州立大学)
本文提出一种轻量级深度学习框架,用于超大规模MIMO系统中高效级联信道估计,以降低计算复杂度并适应资源受限的边缘设备。
2026-08-18 cs.CV cs.IT cs.LG
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
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 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