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
Convolutional Neural Network-aided Bit-flipping for Belief Propagation Decoding of Polar Codes
极化码以其容量实现能力而闻名,已被选为5G通信的控制信道编码方案。为了满足高吞吐量和低延迟的要求,选择置信传播(BP)作为解码算法。然而,在一般情况下,BP的错误性能比增强型连续相消(SC)。最近,临界集比特翻转(CS-BF)被应用于BP解码以降低错误率。然而,它的试错过程导致更长的延迟。在这项工作中,我们提出了一种卷积神经网络辅助比特翻转(CNN-BF)机制,以进一步增强极化码的BP解码。通过精心设计的输入数据和模型架构,我们提出的CNN-BF可以实现比CS-BF更高的预测精度和更好的纠错能力,但只有一半的延迟。它还实现了比SC列表(CA-SCL)更低的误块率(BLER)。
2020-02-05 cs.IT cs.LG eess.SP
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 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
Graph Neural Network Aided Expectation Propagation Detector for MU-MIMO Systems
多用户大规模多输入多输出(MU-MIMO)系统可用于满足5G及更高网络的高吞吐量要求。在上行链路MUMM 0系统中,基站服务于大量用户,导致强多用户干扰(MUI)。设计一个高性能的检测器在一个强大的MUI的存在是一个具有挑战性的问题。本文提出了一种基于期望传播(EP)和图神经网络概念的新型检测器,称为GEPNet检测器,解决了EP中独立高斯近似的局限性。仿真结果表明,所提出的GEPNet检测器显着优于国家的最先进的MU-MIMO检测器在强多用户界面的情况下,具有相同数量的发送和接收天线。
2022-01-11 cs.IT eess.SP math.IT
Deep Learning-based Data-aided Activity Detection with Extraction Network in Grant-free Sparse Code Multiple Access Systems
本文提出一种用于免授权SCMA系统的数据辅助活动用户检测网络D-AUDN,通过集成用户活动提取网络从码本提取先验信息,并结合高效码本设计与前导码关联,有效解决了多前导码关联场景下的性能下降问题。
2023-05-19 cs.IT eess.SP 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
Radar Aided 6G Beam Prediction: Deep Learning Algorithms and Real-World Demonstration
本文介绍了第一个基于机器学习的真实世界的演示雷达辅助波束预测在一个实际的车辆通信场景。在通信终端处利用雷达传感数据提供了关于发射器/接收器位置和周围环境的重要意识。这种感知可以用于减少甚至消除毫米波(mmWave)和亚太赫兹(THz)MIMO通信系统中的波束训练开销,这使得能够实现广泛的高移动性低延迟应用。在本文中,我们为毫米波/亚太赫兹系统开发了基于深度学习的雷达辅助波束预测方法。所开发的解决方案利用雷达信号处理的领域知识来提取馈送到学习模型的相关特征。这优化了它们的性能、复杂性和推理时间。使用大规模真实世界数据集DeepSense 6 G评估了所提出的雷达辅助波束预测解决方案,该数据集包括共存的毫米波波束训练和雷达测量。除了完全消除雷达/通信校准开销外,实验结果表明,所提出的算法能够实现约$90\%$ top-5波束预测精度,同时节省$93\%$的波束训练开销。这突出了解决毫米波/太赫兹通信系统中波束管理开销挑战的有希望的方向。
2021-11-18 cs.IT eess.SP math.IT
Long-Term CSI-based Design for RIS-Aided Multiuser MISO Systems Exploiting Deep Reinforcement Learning
本文研究了可重构智能表面辅助多用户通信网络的传输设计问题。不同于现有的大多数贡献,我们考虑长期CSI为基础的传输设计,其中在基站(BS)的波束成形向量和在RIS的相移设计基于长期CSI,这可以显着降低信道估计开销。由于缺乏明确的遍历数据率表达式,我们提出了一种新的深度确定性策略梯度(DDPG)的算法来解决优化问题,这是通过使用离线方式产生的信道向量进行训练。仿真结果表明,可实现的净吞吐量高于传统的瞬时CSI为基础的计划时,考虑到信道估计开销。
2021-11-24 cs.IT eess.SP math.IT
Codebook Configuration for RIS-aided Systems via Implicit Neural Representations
本文提出利用隐式神经表示学习用户坐标到RIS码本的映射,仅需坐标信息,无需信道模型,并针对1比特RIS提出编码策略降低维度,仿真和实测验证了方法的有效性。
2024-11-06 cs.IT eess.SP math.IT
IMRecoNet: Learn to Detect in Index Modulation Aided MIMO Systems with Complex Valued Neural Networks
索引调制(IM)通过激活部分天线用于数据传输来降低多输入多输出(MIMO)系统的功耗和硬件成本。然而,IM显著增加了接收机的复杂度,并且需要精确的信道估计来保证其性能。为了应对这些挑战,在本文中,我们设计了一个基于深度学习(DL)的检测器的IM辅助MIMO(IM-MIMO)系统。我们首先制定了一个稀疏重建问题,利用IM的固有属性的检测过程。然后,基于贪婪策略,我们设计了一个基于DL的检测器,称为IMPLESNet,实现这个稀疏重建过程。与一般的神经网络不同,我们引入了复值运算来适应通信系统中的复杂信号。据我们所知,这是首次尝试将复值神经网络引入到IM-MIMO系统的检测器设计中。最后,为了验证所提出的检测器的适应性和鲁棒性,进行了仿真,考虑不准确的信道状态信息(CSI)和相关的MIMO信道。仿真结果表明,该检测器优于现有的算法在天线识别精度和比特出错率在各种情况下。
2021-12-02 cs.IT eess.SP math.IT
Deep Learning-Aided Delay-Tolerant Zero-Forcing Precoding in Cell-Free Massive MIMO
在无小区大规模多输入多输出(CFmMIMO)的背景下,迫零预编码(ZFP)在频谱效率方面是优越的。然而,由于前传和处理延迟,它遭受信道老化。在本文中,我们提出了一种鲁棒的方案,即延迟容忍迫零预编码(DT-ZFP),它利用深度学习辅助信道预测来减轻过时的信道状态信息(CSI)的影响。由一组用户特定的预测模块组成的预测器是专门为这种多用户场景设计的。利用由预测时域带来的自由度,可以并行化通过前传网络的CSI和预编码数据的递送以及通过空中接口的用户数据和导频的传输。因此,DT-ZFP不仅有效地对抗信道老化,而且避免了CFmMIMO中规范ZFP的低效停止和等待机制。
2022-10-11 cs.IT eess.SP math.IT
ViWi: A Deep Learning Dataset Framework for Vision-Aided Wireless Communications
Arizona State University(亚利桑那州立大学)
人工智能,特别是机器学习在塑造无线通信的未来方面发挥着越来越大的作用,开辟了许多新的有趣的研究方向。本文激发了\textit{vision-aided wireless communications}的新方向的研究,其目的是利用视觉感官信息来解决无线通信问题。与任何由机器学习驱动的新研究方向一样,获得开发数据集是视觉辅助无线通信面临的第一个也是最重要的挑战。本文通过介绍Vision-Wireless(ViWi)数据集框架来解决这个问题。它是一个参数化、系统化和可扩展的数据生成框架。它利用先进的3D建模和光线跟踪软件为相同的场景生成高保真合成无线和视觉数据样本。其结果是一个框架,不仅提供了一种生成训练和测试数据集的方法,而且有助于提供一个共同的基础,可以在此基础上评估不同机器学习解决方案的质量。
2020-04-22 cs.IT cs.LG eess.SP
Deep-Learning-Aided Successive Cancellation List Flip Decoding for Polar Codes
National Tsing Hua University(国立清华大学);Nagoya University(名古屋大学)
针对极化码逐次消除列表翻转译码中错误比特预测不准确的问题,提出基于堆叠LSTM网络的深度学习辅助算法,通过预测错误比特位置及是否继续翻转,在更少的平均译码尝试次数下实现更优性能。
2026-05-22 cs.IT eess.SP math.IT
Deep-Learning-Aided Successive-Cancellation Decoding of Polar Codes
介绍了一种用于极化码的深度学习辅助的连续抵消列表(DL-SCL)解码算法,其中深度学习辅助的连续抵消(DL-SC)解码是该算法的一种具体情况。所提出的比特翻转度量利用由相关矩阵表示的极化码中的信息比特之间的固有关系。然后使用新兴的深度学习技术优化相关矩阵。具有与24比特循环冗余校验级联的64个信息比特的长度为128的极化码的性能结果表明,所提出的DL-SCL解码器中的所提出的比特翻转度量需要少多达66%的乘法和少多达36%的加法,而不需要执行超越函数。并且通过提供与现有技术相比几乎相同的纠错性能。
2019-12-02 cs.IT math.IT
Hybrid Quantum Convolutional Neural Network-Aided Pilot Assignment in Cell-Free Massive MIMO Systems
本文提出混合量子卷积神经网络(HQCNN)用于无小区大规模MIMO系统的导频分配,利用参数化量子电路增强特征提取,实现接近穷举搜索的吞吐量并优于现有基准。
2025-07-09 cs.IT eess.SP math.IT
Deep Reinforcement Learning-Aided Random Access
我们考虑由接入点(AP)和K个物联网(IoT)节点组成的系统模型,这些节点偶尔变得活跃以便向AP发送数据。假设AP具有N个时间-频率资源块,其可以分配给希望发送数据的IoT节点,其中N < K。主要问题是如何在每个时隙中将N个时频资源块分配给IoT节点,使得平均分组速率最大化。针对这个问题,我们提出了一种深度强化学习(DRL)辅助随机接入(RA)方案,其中AP处的智能DRL代理学习预测每个时隙中物联网节点的活动,并向预测为活动的物联网节点授予时频资源块。接下来,被DRL代理误分类为非活动的IoT节点以及小区中看不见的或新到达的节点采用标准RA方案,以便获得时频资源块。我们利用专业知识更快地培训DRL代理。我们的数值计算结果表明,在平均数据包速率方面的显着改善时,建议的DRL辅助RA计划相比,在实践中使用的现有解决方案,标准的RA计划。
2020-04-05 cs.IT eess.SP math.IT
Binary Neural Network Aided CSI Feedback 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(BNRist));Tsinghua University(清华大学)
在大规模多输入多输出(MIMO)系统中,信道状态信息(CSI)是基站获得高性能增益所必需的。近年来,深度学习被广泛应用于CSI压缩中,以对抗频分复用系统中大规模MIMO带来的不断增长的反馈开销。然而,应用神经网络会带来额外的存储和计算成本,这对于资源有限的用户设备(UE)来说尤其不可忽略。本文介绍了一种新的二值化辅助反馈网络BCsiNet。此外,BCsiNet变体旨在提高定制训练和推理方案下的性能。实验表明,与CsiNet相比,BCsiNet在UE端为编码器提供了超过30个$\times$的内存节省和大约2个$\times$的推理加速。此外,BCsiNet的反馈性能与原始CsiNet相当。关键结果可在https://github.com/Kylin9511/BCsiNet上复制。
2020-11-05 cs.AI cs.IT eess.SP
GPS-Aided Deep Learning for Beam Prediction and Tracking in UAV mmWave Communication
Department of Intelligent Mechatronics Engineering, and Department of Convergence Engineering for Intelligent Drone, Sejong University(智能机电工程系,智能无人机融合工程系,世宗大学)
提出一种GPS辅助深度学习模型,通过位置数据映射波束索引,同时预测UAV毫米波通信的当前与未来最优波束,在保证95%预测准确率的同时将开销降低约93%。
2025-07-11 cs.IT cs.LG eess.SP
Model-aided Deep Reinforcement Learning for Sample-efficient UAV Trajectory Design in IoT Networks
EURECOM(欧洲通信学院)
深度强化学习(DRL)作为一种潜在的方法正在受到关注,用于设计在蜂窝或物联网(IoT)连接背景下用作飞行接入点的自主无人机(UAV)的轨迹。DRL解决方案提供了在线学习的优势,因此依赖于很少的先验上下文信息。然而,一个相应的缺点在于需要许多学习情节,这严重限制了这种方法在现实世界中的时间和能量受限的任务的适用性。在这里,我们提出了一种模型辅助的深度Q学习方法,与以前的工作相比,该方法大大减少了对大量训练数据样本的需求,同时仍然实现了DRL的首要目标,即在没有无线信道特性的先验知识和无线节点位置的有限知识的情况下,引导电池有限的UAV在有效的数据采集轨迹上。其关键思想在于使用一小部分节点作为锚(即具有已知位置),并学习传播环境的模型,同时隐式地估计常规节点的位置。与模型的交互允许我们训练一个深度Q网络(DQN)来近似最优的无人机控制策略。我们表明,与标准的DRL方法相比,所提出的模型辅助方法需要至少一个数量级的训练数据样本,以达到相同的数据汇集性能,从而提供了第一步,使DRL一个可行的解决方案的问题。
2021-10-05 cs.IT cs.LG math.IT
Deep Learning-Aided Trainable Projected Gradient Decoding for LDPC Codes
提出了一种新的基于优化的LDPC码译码算法,该算法适用于前馈神经网络的硬件结构。该算法基于带罚函数的投影梯度下降算法求解非凸极小化问题。该算法有几个内部参数,如步长参数,软参数,和惩罚系数。我们使用标准的深度学习工具集,即,反向传播和随机梯度下降(SGD)型算法,以优化这些参数。数值实验表明,该算法在某些情况下优于置信传播译码。
2019-01-15 cs.IT math.IT
Deep Learning Driven Buffer-Aided Cooperative Networks for B5G/6G: Challenges, Solutions, and Future Opportunities
本文探讨了缓冲辅助协作网络在B5G/6G中的关键技术挑战,提出利用深度学习方法替代传统中继选择进行网络设计与运行,并通过案例验证了集中式与去中心化深度强化学习的有效性。
2024-01-02 cs.DC cs.IT math.IT
Channel Estimation via Direct Calculation and Deep Learning for RIS-Aided mmWave Systems
本文提出了一种新的可重构智能表面(RIS)架构,使信道估计的RIS辅助毫米波(毫米波)系统。更具体地,提出了两种信道估计方法,即直接计算(DC)和深度学习(DL)方法,将整体信道估计巧妙地转换为两个任务:信道估计和少量有源单元的角度参数估计。特别地,直接计算方法直接通过相邻有源元件的信道估计来计算角度参数,并且在此基础上,DL方法降低了角度偏移率,并且进一步提高了角度参数估计的精度。与传统的方法相比,所提出的方案降低了RIS信道估计的复杂度,同时优于波束训练方法的最小平方误差,可达速率和中断概率。
2020-08-19 cs.IT eess.SP math.IT
An Attention-Aided Deep Learning Framework for Massive MIMO Channel Estimation
信道估计是实际大规模多输入多输出(MIMO)系统的关键问题之一。与传统的估计算法相比,基于深度学习(DL)的算法在性能和复杂度方面表现出了巨大的潜力。本文提出了一种利用信道分布特性的注意力机制,通过实现“分而治之”的策略来提高窄角扩展高度可分离信道的估计精度。具体而言,我们介绍了一种新的注意力辅助DL信道估计框架,传统的大规模MIMO系统和设计的嵌入方法,有效地集成到全连接的神经网络的混合模拟-数字(HAD)架构的注意力机制。仿真结果表明,在两种情况下,信道估计性能显着改善的援助与注意的代价小的复杂度开销。此外,该方法在不同的系统和信道参数下具有较强的鲁棒性,进一步增强了其实用价值。我们还研究了学习注意力地图的分布,以揭示注意力的作用,这赋予所提出的方法具有一定程度的可解释性。
2021-08-21 cs.IT eess.SP math.IT
Deep Learning and Matrix Completion-aided IoT Network Localization in the Outlier Scenarios
Department of Electrical and Computer Engineering(电子与计算机工程系)
针对物联网网络定位中受异常值污染的欧氏距离矩阵恢复问题,提出一种将搜索限制在欧氏距离矩阵集合内、联合恢复矩阵与坐标并通过稀疏建模处理异常值的深度学习与矩阵补全辅助方法,实验验证其在异常值场景下的准确定位能力。
2025-08-17 cs.AI cs.IT cs.LG
Deep Learning for Hybrid Beamforming with Finite Feedback in GSM Aided mmWave MIMO Systems
Tsinghua University(清华大学);Beijing National Research Center for Information Science and Technology(北京信息科学与技术国家研究中心)
混合波束形成是毫米波多输入多输出系统的重要技术。为了提高频谱利用率,进一步引入了广义空间调制(GSM)技术。然而,大多数现有的波束成形工作假设完美的信道状态信息(CSI),这是不现实的,在实际系统中。本文研究了GSM辅助频分复用(FDD)mmWave MIMO系统中下行导频训练、信道估计、CSI反馈和混合波束形成的联合优化问题。在深度学习的帮助下,通过无监督学习以端到端的方式设计GSM混合波束形成器。实验结果表明,与传统算法相比,本文提出的多分辨率网络GsmEFBNet能够以更少的反馈比特数获得更高的可达速率。
2023-02-15 cs.AI cs.IT eess.SP
HyperRNN: Deep Learning-Aided Downlink CSI Acquisition via Partial Channel Reciprocity for FDD Massive MIMO
为了充分发挥大规模多输入多输出(MIMO)在下行链路中的优势,需要在基站(BS)处获取信道状态信息(CSI)来优化波束形成矩阵。在频分双工(FDD)系统中,全信道互易性不成立,并且CSI获取通常需要下行链路导频传输,随后是上行链路反馈。先前的工作提出了经由深度学习的导频传输、反馈和CSI估计的端到端设计。在这项工作中,我们引入了一个增强的端到端的设计,利用部分上行链路-下行链路的互易性和时间相关的衰落过程,通过联合利用下行链路和上行链路的导频。所提出的方法基于一种新型的深度学习架构- HyperRNN -它结合了超网络和递归神经网络(RNN),以优化从上行链路到下行链路的长期信道特征的传输。仿真结果表明,HyperRNN实现了较低的归一化均方误差(NMSE)性能,并降低了对导频长度的要求。
2021-07-08 cs.IT eess.SP math.IT
Massive Data Generation for Deep Learning-aided Wireless Systems Using Meta Learning and Generative Adversarial Network
针对DL辅助无线系统真实训练样本采集开销大的问题,提出结合元学习训练GAN以生成逼近真实样本的数据采集框架,使生成样本训练的模型性能接近真实样本训练结果。
2022-08-25 cs.IT math.IT
Deep Learning-Aided 5G Channel Estimation
深度学习在提高$5$ G-and-beyond网络的系统性能和降低计算复杂性方面发挥了重要作用。在本文中,我们提出了一种新的信道估计方法的协助下,深度学习,以支持最小二乘估计,这是一种低成本的方法,但具有相对较高的信道估计误差。这一目标是通过利用MIMO(多输入多输出)系统来实现的,该系统具有用于在多普勒效应严重性下的5G网络中进行仿真的多径信道简档。数值结果证明了所提出的深度学习辅助信道估计方法在均方误差方面优于先前工作中的其他信道估计方法。
2021-01-17 cs.IT math.IT
Deep Reinforcement Learning for RIS-aided Multiuser Full-Duplex Secure Communications with Hardware Impairments
在本文中,我们研究了一个可重构智能表面(RIS)辅助的多用户全双工安全通信系统的收发器和RIS的硬件损伤,其中多个窃听者偷听的双向传输信号同时,和RIS应用,以提高保密性能。以最大化和保密率(SSR)为目标,在基站发射功率约束和移相器单位模约束下,建立了基站发射波束形成和反射波束形成的联合优化问题。由于环境是时变的,系统是高维的,这种非凸优化问题在数学上是难以解决的。探索了一种基于深度强化学习(DRL)的算法,通过与动态环境的反复交互和学习来获得满意的解。大量的仿真结果表明,基于DRL的安全波束形成算法被证明是显着有效的改善SSR。研究还发现,通过选择合适的神经网络参数,可以大大提高DRL方法的性能,加快神经网络的收敛速度。
2022-08-16 cs.IT eess.SP math.IT
Model-Aided Wireless Artificial Intelligence: Embedding Expert Knowledge in Deep Neural Networks Towards Wireless Systems Optimization
基于人工神经网络的深度学习是一种强大的机器学习方法,在过去几年中,该方法已成功用于实现任务,例如,图像分类、语音识别、语言翻译等,这些通常很容易由人类执行,但很难由机器执行。这就是为什么深度学习被认为是实现人工智能概念的主要推动力之一的原因之一。为了识别允许拟合输入-输出数据对的人工神经网络的最佳架构,深度学习方法中的当前方法包括采用数据驱动的方法。一旦人工神经网络被训练,它就能够通过基于过去获得的知识提供最佳输出来响应从未观察到的输入。在这种背景下,深度学习社区的最新趋势是用基于专家知识的先验信息来补充纯数据驱动的方法。在这项工作中,我们描述了两种方法,实现这一战略,旨在优化无线通信网络。此外,我们说明数值结果,以评估所提出的方法相比,纯数据驱动的实现的性能。
2019-06-15 cs.IT eess.SP math.IT
Deep Reinforcement Learning-Assisted Age-optimal Transmission Policy for HARQ-aided NOMA Networks
本文针对HARQ-CC辅助NOMA下行网络,将AoI最小化问题建模为MDP,采用Double-Dueling-DQN实现年龄最优的功率分配与重传决策,并提出随时重传方案以提升信息时效性。
2023-04-16 cs.IT eess.SP math.IT
Deep Reinforcement Learning-Based Precoding for Multi-RIS-Aided Multiuser Downlink Systems with Practical Phase Shift
Research Center for Information Technology Innovation (CITI), Academia Sinica(信息科技创新研究中心(CITI),学术院);Institute of Communications Engineering, National Sun Yat-sen University(通讯工程研究所,国立中山大学);Bradley Department of Electrical and Computer Engineering, Virginia Tech(电气与计算机工程系,弗吉尼亚理工大学)
针对多RIS辅助多用户下行链路中实际幅度-相位耦合导致的非凸预编码与相移优化问题,提出基于DDPG的DRL框架,并在mmWave场景下验证其性能优势。
2025-09-30 cs.AI cs.IT cs.LG
Deep Reinforcement Learning for Backscatter-Aided Data Offloading in Mobile Edge Computing
无线网络优化已经变得非常具有挑战性的问题的规模和复杂性大大增加,由于异构的服务和资源需求的网络实体之间的紧密耦合。深度强化学习(Deep Reinforcement Learning,DRL)通过不断与环境交互,为不同的网络实体提供了一种构建知识、自主决策的机制,从而提高网络性能。在本文中,我们首先回顾典型的DRL方法和最近的增强。然后,我们讨论了DRL在移动边缘计算(MEC)中的应用,该应用可用于低功耗物联网设备,例如,医疗保健监测中的无线传感器,将计算工作负载卸载到附近的MEC服务器。为了平衡卸载和计算中的功耗,我们提出了一种新的混合卸载模型,该模型利用RF通信和低功率反向散射通信的互补操作。DRL框架,然后定制优化传输调度和工作负载分配在两种通信技术,这是提高卸载性能显着相比,现有的计划。
2020-01-28 cs.IT eess.SP math.IT
Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning Approach
Anqing Normal University(安庆师范大学);Dalian University of Technology(大连理工大学);Chongqing University of Posts and Telecommunications(重庆邮电大学);Xiamen University(厦门大学);Zhejiang University(浙江大学);Concordia University(康考迪亚大学);Princeton University(普林斯顿大学);University of Manchester(曼彻斯特大学)
针对有源RIS辅助EH-NOMA下行系统,提出LSTM-DDPG级联深度强化学习方法,联合预测动态状态并优化RIS放大与相移矩阵,从而提升通信成功率。
2023-04-11 cs.AI cs.IT cs.LG
On the Performance of Deep Learning-based Data-aided Active User Detection for GF-SCMA System
基于深度学习(DL)的发射机前导码集和接收机中数据辅助的主动用户检测(AUD)的联合设计最近的工作已经证明了免授权稀疏码多址(GF-SCMA)系统的显著性能改善。用于联合设计的自动编码器只能在给定的环境中训练,但在操作环境不断变化的实际情况下,很难针对每个可能的环境优化前导码集。因此,传统的但一般的方法可以实现数据辅助AUD,同时依赖于独立设计的前导码集而不是联合设计。在本文中,活动检测出错率(ADER)性能的数据辅助AUD服从两个前导码设计,即,直接比较了独立设计的前导码和联合设计的前导码。幸运的是,发现由独立前导码设计引起的数据辅助AUD中的性能损失被限制为仅1dB。此外,通过与相同码本(CB)相关联的码元之间的平均互相关(平均CB内互相关)和与不同CB相关联的码元之间的平均互相关(平均CB间互相关)来解释联合设计的前导码集的这种性能特性。
2022-09-05 cs.IT cs.SY eess.SY
A Simple Cooperative Diversity Method Based on Deep-Learning-Aided Relay Selection
German Research Centre for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI));University of Kaiserslautern(凯泽斯劳滕大学)
在慢衰落信道中,协作中继选择(ORS)是移动节点实现协作分集的一种简单而有效的方法。然而,在快时变信道中,过时的信道状态信息(CSI)所引起的最佳中继的错误选择大大降低了其性能。随着高移动性应用的激增以及5G及以后系统中更高频段的采用,过时CSI的问题将变得更加严重。因此,设计一种新的协作方法,不仅适用于慢衰落,而且快衰落是越来越重要的。为此,我们开发并分析了一种深度学习辅助的协作方法,即本文中的预测中继选择(PRS)。该算法通过衰落信道预测显著提高信道状态信息的质量,同时保持了ORS的简单性,通过选择单个机会中继,避免了多中继协调和同步的复杂性。从中断概率和信道容量两个方面进行的信息论分析和数值计算结果表明,PRS在慢衰落无线环境中实现了全分集增益,在快衰落信道中性能明显优于现有方案。
2021-02-05 cs.AI cs.IT cs.LG
Deep-Learning-Aided Distributed Clock Synchronization for Wireless Networks
在过去几十年中,无线通信网络的激增与无线频谱的稀缺相结合,已经促使人们做出了显著的努力来增加无线网络的吞吐量。限制无线通信网络中的吞吐量的主要因素之一是网络中节点之间的时间同步的精度,因为更高的吞吐量需要更高的同步精度。现有的时间同步方案,特别是基于脉冲耦合振荡器(PCO)的方法,是当前工作的焦点,具有实现简单的优点,并且当节点位置接近时实现高精度,但是对于距离远的节点往往实现差的同步性能。在这项研究中,我们提出了一个强大的基于PCO的时间同步算法,它保留了现有方法的简单结构,同时运行可靠,收敛速度快,距离远,位置近的节点。这是通过用可以分布式方式训练的深度学习工具增强基于PCO的同步来实现的,从而允许节点训练它们的同步算法的神经网络组件,而不需要额外的信息交换或中央协调。数值结果表明,我们提出的深度学习辅助方案对大面积部署造成的传播延迟以及相对时钟频率偏移具有显著的鲁棒性。还示出了所提出的方法快速达到完全(即,时钟频率和相位)同步,而经典的基于模型的实现方式则不能。
2022-06-24 cs.IT eess.SP math.IT
AdapCsiNet: Environment-Adaptive CSI Feedback via Scene Graph-Aided Deep Learning
针对基于深度学习的CSI反馈方法泛化能力有限且在线训练开销大的问题,提出无需在线训练的AdapCsiNet框架,通过集成场景图形式的环境信息实现动态适应,提升重建精度达46.4%且无额外运行时开销。
2025-04-15 cs.IT eess.SP math.IT
Deep-Learning Aided Channel Training and Precoding in FDD Massive MIMO with Channel Statistics Knowledge
提出了一种基于深度神经网络(DNN)的FDD大规模MIMO中的信道训练和预编码方法,利用下行链路(DL)信道协方差知识。DNN被优化以通过基于用户信道协方差产生预波束成形矩阵来最大化DL多用户和速率,该预波束成形矩阵将原始信道向量映射到有效信道。这些有效信道的测量在用户处经由公共导频传输接收,并且通过模拟反馈发送回基站(BS)而无需进一步处理。BS根据接收到的反馈估计有效信道,并且通过在有效信道上将优化的预波束成形矩阵与迫零预编码器级联来构造线性预编码器。我们表明,所提出的方法产生显着更高的总速率比国家的最先进的基于DNN的信道训练和预编码方案,特别是在小导频和反馈大小相对于信道相干块长度的情况下。与文献中的许多作品不同,我们的主张不涉及在用户端部署DNN,这通常会带来很高的计算成本和系统上的参数传输开销,因此更加实用。
2023-03-20 cs.IT eess.SP math.IT
Neural Network Aided Decoding for Physical-Layer Network Coding Random Access
基于物理层网络编码的思想,编码随机接入系统的一些有前途的建议试图通过分组重复和冲突分组的线性组合的解码来提高系统性能(同时保持低复杂度),无论何时单个分组的解码失败。然后临时存储所得到的线性组合,希望收集足够的线性独立组合,以便最终通过在竞争帧结束时的线性系统的分解来恢复所有单独的分组。然而,目前还不清楚在众多的线性组合-其数量随冲突程度呈指数增长-中哪一个将具有低的解码错误概率。由于不存在分析框架来确定哪些组合最容易解码,因此这使得机器学习算法能够帮助接收器决定以哪些线性组合为目标。为此,我们训练神经网络,近似的错误概率为每一个可能的线性组合的基础上估计的信道增益,并证明了我们的方法的有效性,通过数值模拟。
2018-05-29 cs.IT math.IT
Feature-Aided Adaptive-Tuning Deep Learning for Massive Device Detection
随着物联网(IoT)的日益发展,即将到来的第六代(6G)无线网络需要支持大量零星业务设备的免授权随机接入。具体地,在每个时隙的开始处,基站(BS)基于从活动设备发送的接收到的导频序列来执行联合活动检测和信道估计(JADCE)。由于大规模天线阵列的部署和大量IoT设备的存在,传统的JADCE方法通常具有高计算复杂性并且需要长导频序列。为了解决这些问题,提出了一种新的深度学习框架,该框架包含降维模块、深度学习网络模块、有源设备检测模块和信道估计模块。然后,提出了先验特征学习和自适应调整策略,引入期望最大化(EM)和反向传播(BP)组成的内部网络,共同调整精度和学习设备状态矩阵的分布参数。最后,通过设计内层逐层和外层逐层的训练方法,构建了特征辅助自适应调整的深度学习网络。理论分析和仿真结果都证实了所提出的深度学习框架具有较低的计算复杂性,并且在实际场景中需要较短的导频序列。
2020-12-25 cs.IT math.IT
Continual Learning-Aided Super-Resolution Scheme for Channel Reconstruction and Generalization in OFDM Systems
ZGC Institute of Ubiquitous-X Innovation and Applications(中关村泛在X创新与应用研究院);Beijing University of Posts and Telecommunications(北京邮电大学)
本文提出一种用于OFDM信道估计的深度学习方案,设计了双注意力辅助超分辨率神经网络(DA-SRNN)实现高效信道重建,并引入弹性权重巩固(EWC)的持续学习策略提升模型对不同信道分布的泛化能力,在3GPP模型下验证了其显著优于对比方案的性能。
2025-02-28 cs.AI cs.IT cs.LG
Resource Allocation Using Gradient Boosting Aided Deep Q-Network for IoT in C-RANs
本文研究实时云无线接入网(C-RAN)中物联网(IoT)的动态资源分配(DRA)问题,结合梯度提升逼近和深度强化学习来解决以下两个主要问题。首先,在C-RAN中,资源分配的决策过程是耗时和计算昂贵的,促使我们使用一种近似方法,即梯度提升决策树(GBDT)来近似二阶锥规划(SOCP)问题的解。此外,考虑到实时C-RAN系统中的无数状态,我们采用深度强化学习框架,即,深度Q网络(DQN)以生成控制远程无线电头端(RRH)的状态的鲁棒策略。本文提出了一种基于GBDT的DQN框架来解决SOCP问题,在整个C-RAN系统中减少了解决SOCP问题的大量计算量,节省了大量的功耗。我们证明了所生成的政策是容错的,即使梯度提升回归可能不严格受到原问题的约束。所提出的方法和现有的基线方法之间的比较证实了我们的方法的优势。
2019-10-29 cs.IT math.IT
Physics-Informed Implicit Neural Representation for Wireless Imaging in RIS-Aided ISAC System
School of Information Science and Engineering, Southeast University(东南大学信息科学与工程学院);Institute of Communications Engineering, National Sun Yat-sen University(国立中山大学通信工程研究所)
本研究提出融合物理信息的隐式神经表示方法,用于RIS辅助的ISAC系统无线成像,通过联合学习图像和多径信息提升成像精度和通信性能。
2026-02-12 cs.IT math.IT
Cooperative Multi-Agent Deep Reinforcement Learning Methods for UAV-aided Mobile Edge Computing Networks
本文针对无人机辅助移动边缘计算网络,提出一种基于图注意力网络的协作式多智能体深度强化学习方法,通过消息动作与求解动作实现去中心化协调,并设计了可扩展训练算法以适配任意设备数量,实验证明其性能优于传统方法。
2024-07-03 cs.IT math.IT