Model-driven Learning for Generic MIMO Downlink Beamforming With Uplink Channel Information
准确的下行信道信息对于波束成形设计至关重要,但在实际中很难获得。本文研究了一种基于深度学习的下行波束赋形优化方法,以最大化系统和速率,当只有上行信道信息可用时。我们的主要贡献是提出了一种模型驱动的学习技术,利用最佳下行链路波束成形的结构,设计一个有效的混合学习策略,旨在最大限度地提高和速率性能。这是通过在训练阶段联合考虑下行链路信道的学习性能、功率和和速率来实现的。所提出的方法适用于上行链路信道信息可用但其与下行链路信道的关系未知并且不需要显式下行链路信道估计的一般情况。我们进一步扩展开发的技术,以大规模的多输入多输出的情况下,实现了分布式学习策略的多小区系统,而无需小区间信令开销。仿真结果表明,该方法具有接近于现有数值算法的性能,并具有良好的下行信道信息,在总速率方面明显优于现有的数据驱动方法。
2021-09-16 cs.IT eess.SP math.IT
Graph Neural Network based Active and Passive Beamforming for Distributed STAR-RIS-Assisted Multi-User MISO Systems
针对分布式STAR-RIS辅助多用户MISO系统,提出基于GNN的联合有源与无源波束成形设计方法,以最大化用户和速率,性能高效且可扩展。
2025-02-26 cs.IT eess.SP math.IT
Hybrid Knowledge-Data Driven Channel Semantic Acquisition and Beamforming for Cell-Free Massive MIMO
Beijing Institute of Technology(北京理工大学);Yangtze Delta Region Academy, Beijing Institute of Technology (Jiaxing)(北京理工大学长三角研究院(嘉兴));Advanced Technology Research Institute, Beijing Institute of Technology(北京理工大学前沿技术研究院);China Mobile (Chengdu) Institute of Research and Development(中国移动(成都)研究院)
该研究针对室外XR应用的无线传输需求,提出无蜂窝大规模MIMO下知识-数据混合驱动的信道语义获取与波束成形方法,兼具高精度、低复杂度与强鲁棒性。
2023-07-21 cs.AI cs.IT eess.SP
Robust Beamforming with Gradient-based Liquid Neural Network
针对大规模城市毫米波MIMO通信中波束成形的复杂性与鲁棒性挑战,本文提出基于梯度的液体神经网络(GLNN)框架,利用ODE液体神经元、残差连接和流形学习,在保持低复杂度的同时实现比迭代算法高4.15%的频谱效率,并将耗时降至传统方法的1.61%。
2024-07-29 cs.IT eess.SP math.IT
A Data and Model-Driven Deep Learning Approach to Robust Downlink Beamforming Optimization
本文提出一种基于无监督深度学习与模型驱动的鲁棒下行波束成形优化方法,利用图神经网络和二分搜索解决传统凸优化方法保守且复杂度高的问题,实现了更优的速率、能效与执行速度。
2024-06-05 cs.IT eess.SP math.IT
Low-Complexity Joint Beamforming for RIS-Assisted MU-MISO Systems Based on Model-Driven Deep Learning
针对 RIS 辅助 MU-MISO 系统联合波束成形与相移的非凸优化难题,提出融合 WMMSE、幂迭代及模型驱动 GNN 的低复杂度算法,并扩展至非理想 CSI,以约 3% 运行时间达到同等性能。
2023-11-26 cs.IT eess.SP math.IT
Data-Driven Robust Beamforming for Initial Access
本文针对CSI过时或不完善场景下的初始接入鲁棒波束成形问题,提出利用历史CSI数据定位未来UE位置邻域并设计码本以最大化最小波束成形增益,数值结果表明其性能大幅优于MRT和子空间方法。
2023-08-14 cs.IT eess.SP math.IT
Measurement-Driven Learning-Based Beam Selection for Hybrid Beamforming at 26.5 GHz
University of Piraeus(比雷埃夫斯大学);University of the Aegean(爱琴海大学)
针对室内毫米波混合波束成形系统,利用26.5 GHz实测数据,将波束选择建模为监督学习问题,通过几何驱动DNN和仅导频方法实现高精度波束预测,显著降低搜索开销。
2026-06-29 cs.IT math.IT
CRB-Driven Beamforming and Trajectory Optimization for UAV-assisted ISAC System
Department of Electrical and Computer Engineering(电气与计算机工程系)
研究无人机辅助的ISAC系统,在功率和移动性约束下联合优化无人机轨迹与波束成形参数以提升感知性能。采用零空间投影设计波束成形,深度强化学习优化轨迹,相比无无人机辅助系统,显著降低时间平均CRB,提高感知精度。
2026-07-23 cs.IT cs.LG cs.RO
Hybrid Quantum-Classical Neural Networks for Downlink Beamforming Optimization
本文提出两种混合量子-经典神经网络用于多用户下行链路波束成形优化,在显著减少训练参数的同时实现与经典网络相当或更高的总速率性能,并通过软件模拟与硬件仿真验证了其在含噪声量子设备上的鲁棒性。
2024-08-08 cs.IT math.IT
Deep Unfolded Multicast Beamforming
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)
多播波束赋形是一种很有前途的多播通信技术。提供一个有效的和强大的波束成形设计算法是一个至关重要的问题,因为多播波束成形问题,如最大-最小-公平的问题,一般是NP-难。最近,已经提出了用于波束成形设计的基于深度学习的方法。尽管与传统的基于优化的算法相比,这些使用深度神经网络的方法表现出合理的性能增益,但它们的可扩展性对于大型系统来说是一个新出现的问题,在大型系统中,波束成形设计成为一项更苛刻的任务。在本文中,我们提出了一种新的深度展开可训练波束形成设计,具有高可扩展性和效率。该算法的设计是通过扩展现有算法的递归结构的基础上投影到凸集和嵌入一个常数数量的可训练的参数扩展的网络,这导致了一个可扩展的和稳定的训练过程。数值结果表明,该算法通过使用无监督学习可以加快其收敛速度,这是一个具有挑战性的深度展开训练过程。
2020-04-20 cs.IT cs.LG eess.SP
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 Methods for Joint Optimization of Beamforming and Fronthaul Quantization in Cloud Radio Access Networks
Jeonbuk National University(全北国立大学);Pukyong National University(釜庆国立大学);Electronics and Telecommunications Research Institute(韩国电子通信研究院)
跨接入点(AP)的协作波束形成和前传量化策略对于云无线接入网络(C-RAN)系统是必不可少的。C-RAN优化问题的非凸性源于每个AP的功率和前传容量约束,需要高计算复杂度来执行迭代算法。为了解决这个问题,我们研究了一种深度学习方法,其中优化模块被替换为训练有素的深度神经网络(DNN)。提出了一种有效的学习解决方案,该解决方案构造DNN以产生最佳波束成形和量化策略的低维表示。数值结果验证了所提出的学习解决方案的优点。
2021-07-06 cs.IT cs.LG eess.SP
Optimal Solutions for Joint Beamforming and Antenna Selection: From Branch and Bound to Graph Neural Imitation Learning
Oregon State University(俄勒冈州立大学);University of Minnesota(明尼苏达大学)
本文针对联合波束成形与天线选择问题,提出分支定界框架保证全局最优,并设计图神经网络模仿学习方案加速搜索,在保持最优性的同时实现数量级提速。
2023-01-30 cs.IT cs.LG eess.SP
Deep CLSTM for Predictive Beamforming in Integrated Sensing and Communication-enabled Vehicular Networks
预测波束形成设计是实现高移动性通感一体化(ISAC)的一项重要任务,它高度依赖于信道预测(CP)的准确性,即,预测用户的角度参数。然而,CP的性能高度依赖于估计的历史信道状态信息(CSI)的估计误差,导致大多数传统的CP方法的性能下降。为了进一步提高预测精度,本文重点研究了车辆网络中的ISAC,提出了一种卷积长短期(CLSTM)递归神经网络(CLRNet)来预测车辆的角度,用于预测波束形成的设计。在开发的CLRNet中,采用卷积神经网络(CNN)模块和LSTM模块来利用车辆估计历史角度的空间特征和时间依赖性,以促进角度预测。最后,数值结果表明,开发的CLRNet为基础的方法是鲁棒的估计误差,可以显着优于国家的最先进的基准,实现了优异的和速率性能的ISAC系统。
2022-09-26 cs.IT eess.SP math.IT
Location-Driven Beamforming for RIS-Assisted Near-Field Communications
本文系统研究位置信息在RIS辅助近场通信中的应用,提出基于菲涅尔区模型的位置驱动波束成形方案,并阐述其优势与挑战。
2024-07-18 cs.IT math.IT
Learning Beam Codebooks with Neural Networks: Towards Environment-Aware mmWave MIMO
按比例增加天线的数量是当前和未来无线通信系统的关键特性。然而,硬件成本和功耗促使大规模MIMO系统(尤其是在毫米波(mmWave)频带处)依赖于仅模拟或混合模拟/数字收发器架构。在这些架构下,毫米波基站通常使用预定义的波束成形码本进行初始接入和数据传输。然而,当前的波束码本通常采用单瓣窄波束并且扫描整个角空间。这导致高波束训练开销和可实现的波束成形增益的损失。在本文中,我们提出了一个新的机器学习框架学习波束形成码书在硬件受限的大规模MIMO系统。更具体地说,我们开发了一个神经网络架构,该架构考虑了硬件约束,并学习了适应周围环境和用户位置的波束码本。仿真结果突出了所提出的解决方案在学习多瓣波束和减少码本大小方面的能力,与经典码本设计方法相比,这导致了显著的增益。
2020-02-25 cs.IT eess.SP math.IT
A Deep Learning Framework for Optimization of MISO Downlink Beamforming
在多用户多输入单输出(MISO)系统中,波束形成是提高接收信号质量的有效手段。传统上,寻找最佳波束成形解决方案依赖于迭代算法,这引入了高计算延迟,因此不适合实时实现。在本文中,我们提出了一个深度学习框架,用于下行链路波束成形的优化。特别地,基于卷积神经网络和利用专家知识(诸如上行链路-下行链路对偶性和最优解的已知结构)来获得解。使用这个框架,我们构建了三个波束形成神经网络(BNN)的三个典型的优化问题,即,信号与干扰加噪声比(SINR)平衡问题、功率最小化问题以及和速率最大化问题。对于前两个问题,BNN采用监督学习方法,而对于和率最大化问题,采用监督和无监督学习的混合方法。仿真结果表明,BNN在解决SINR均衡和功率最小化问题时,性能接近加权最小均方误差算法,而在解决和速率最大化问题时,计算复杂性明显降低。总之,这项工作铺平了道路,快速实现多用户MISO系统中的最佳波束形成。
2020-01-14 cs.IT math.IT
Event-Driven Optimal Feedback Control for Multi-Antenna Beamforming
发射波束成形是用于增加无线通信系统的吞吐量和传输范围的简单多天线技术。所需的信道状态信息(CSI)的反馈可能潜在地导致过多的开销,特别是对于高移动性或许多天线。这项工作涉及有效的反馈传输波束形成,并建立了一个新的方法来控制反馈,最大限度地提高净吞吐量,定义为吞吐量减去平均反馈成本。使用固定策略的反馈控制器根据包括信道状态和发射波束形成器的系统状态来开启/关闭CSI反馈。假设通道各向同性和马尔可夫性,控制器的状态减少到两个标量。这允许使用动态规划有效地计算最优控制策略。考虑完美的反馈渠道没有错误,其中每个反馈即时支付固定的价格。证明了相应的最优反馈控制策略是阈值型的。无论控制器的状态空间是离散的还是连续的,这个结果都成立。在阈值型策略下,每当指示发送CSI的准确性的状态变量低于阈值时执行反馈,该阈值随信道功率而变化。还考虑了实际的有限速率反馈信道。量化反馈的最优策略也是阈值型的。CSI量化的效果被证明是相当于一个增量的反馈价格。此外,增量的上界由1减去量化误差的期望对数限定。最后,仿真表明,反馈控制增加了传统的周期性反馈的净吞吐量高达0.5位/秒/赫兹,而不需要额外的带宽或天线。
2009-09-28 cs.IT math.IT
Transformer-based Hybrid Beamforming with Dynamic Subarray for Near-Space Airship-Borne Communications
Beijing Institute of Technology(北京理工大学);State Key Laboratory of Environment Characteristics and Effects for Near-space(近地空间环境特性与效应国家重点实验室);State Key Laboratory of CNS/ATM(CNS/ATM国家重点实验室);Advanced Technology Research Institute, BIT(北京理工大学先进技术研究院);Yangtze Delta Region Academy of Beijing Institute of Technology (Jiaxing)(北京理工大学长三角研究院(嘉兴));Interdisciplinary Center for Security, Reliability and Trust (SnT) - University of Luxembourg(卢森堡大学安全、可靠性与信任跨学科中心 (SnT));King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
本文提出基于Transformer的混合波束成形框架,通过动态子阵结构提升近空间气球borne通信的能效和谱效率。
2026-02-07 cs.IT eess.SP math.IT
Augmented Deep Unfolding for Downlink Beamforming in Multi-cell Massive MIMO With Limited Feedback
在有限反馈多用户多输入多输出(MU-MIMO)蜂窝网络中,用户向相关联的基站(BS)发送关于信道条件的量化信息以用于下行链路波束成形。然而,信道量化和波束形成一直被视为两个单独的任务,这使得它很难实现全局系统最优。在本文中,我们提出了一种增强的深度展开(ADU)的方法,联合优化波束成形方案在BS和信道量化方案在用户。特别地,经典的WMMSE波束形成器被展开,并且利用深度神经网络(DNN)对其输入进行预处理以提高性能。在反馈容量受到严格限制的情况下,采用变分信息瓶颈技术进一步提高性能。仿真结果表明,所提出的ADU方法优于所有的基准计划的系统平均速率。
2022-09-03 cs.IT eess.SP math.IT
Unsupervised Learning for Passive Beamforming
可重构智能表面(RIS)是近年来兴起的一种提高无线通信系统能量和频谱效率的新技术。然而,反射单元相移的单位模约束使得最优无源波束形成方案的设计成为一个具有挑战性的问题。传统的方法是使用半定松弛(SDR)技术来找到次优解,然而由此产生的次优迭代算法通常会导致高复杂度,因此不适合实时实现。受此启发,我们提出了一种用于RIS辅助系统中无源波束形成设计的深度学习方法。特别是,使用无监督学习机制离线训练定制的深度神经网络,在线部署时能够进行实时预测。仿真结果表明,该方法保持了大部分的性能,同时显着降低了计算复杂度相比,基于SDR的方法。
2020-01-20 cs.IT eess.SP math.IT
Bounded Deep Unfolding for Joint Beamforming and Scheduling in Multi-Cell MIMO Networks
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Shenzhen Research Institute of Big Data(深圳大数据研究院);Tongji University(同济大学)
针对多小区MIMO下行链路中加权和速率最大化问题,提出一种联合深度展开框架(P-Net和K-Net),通过有界自适应松弛因子加速连续波束赋形并利用长视优先级策略实现低复杂度调度,在保证单调收敛的同时显著提升性能与速度。
2026-07-28 cs.IT eess.SP math.IT
Transformer-Based Hybrid Beamforming with Reconfigurable Pixel Antenna for HAPS Communications
本文提出了一种基于Transformer的混合波束成形框架,用于高海拔平台站(HAPS)通信中的可重构像素天线(RPA)配备的大规模多输入多输出(MIMO)系统。该框架包含两个关键组件:1)一种利用Transformer编码器确定每个天线元件辐射模式的可重构模式网络;2)一种利用模型驱动残差学习计算基于SVD初始化的模拟和数字预编码的混合波束成形网络。仿真结果表明,所提出的PR-HBFNet接近贪心基准的频谱效率,同时显著降低了计算复杂度。
2026-05-18 cs.IT math.IT
Robust Hybrid Beamforming with Liquid Crystal Antennas and Liquid Neural Networks
New York University(纽约大学);Pennsylvania State University(宾夕法尼亚州立大学)
本文提出一种结合可重构液晶天线与液晶神经网络的混合波束成形框架,以解决亚太赫兹系统中的硬件和信道估计挑战,实现更高的频谱效率和鲁棒性。
2026-04-08 cs.IT eess.SP math.IT
Robust Resource Management for SAGIN using DNN-Driven Channel Uncertainty Learning
Shaanxi Normal University(陕西师范大学);Xidian University(西安电子科技大学);Guangzhou Institute Technology, Xidian University(西安电子科技大学广州研究院);University of Macau(澳门大学)
针对SAGIN中CSI不确定下的鲁棒波束成形与资源分配问题,提出DNN驱动的信道不确定性学习方法,构建非对称不确定性集并采用鲁棒对应方法,实现高能效与高可靠性的联合优化。
2026-09-29 cs.IT math.IT
Outage Minimization for Intelligent Reflecting Surface Aided MISO Communication Systems via Stochastic Beamforming
智能反射面(IRS)具有通过重构无线传播环境来显著提高网络性能的潜力。然而,在IRS辅助的无线网络中,很难获得准确的下行链路信道状态信息(CSI)以用于有效的波束成形设计。在这篇文章中,我们考虑了一个IRS辅助下行链路多输入单输出(MISO)网络,其中的基站(BS)是不需要知道底层的信道分布。我们制定了中断概率最小化的问题,通过联合优化的波束成形向量在BS和在IRS的相移矩阵,同时考虑到发射功率和么模约束。所提出的问题是一个非凸非光滑随机优化问题。为此,我们采用sigmoid函数作为代理来解决目标函数的非光滑性。此外,我们提出了一个数据驱动的高效交替随机梯度下降(SGD)算法来解决这个问题,利用历史信道样本。仿真结果表明,该算法的性能增益的基准方法在最小化中断概率。
2020-05-15 cs.IT eess.SP math.IT
Learning Beamforming in Cell-Free Massive MIMO ISAC Systems
本文针对无蜂窝大规模MIMO ISAC系统中的波束成形设计挑战,提出了一种基于异构图神经网络(GNN)的新模型,该模型支持低复杂度扩展,在增删接入点时无需完全重训练,且能实现接近最优的性能并适应多种网络结构。
2024-09-26 cs.IT eess.SP math.IT
Remote Channel Inference for Beamforming in Ultra-Dense Hyper-Cellular Network
在本文中,我们提出了一种基于学习的低开销的信道估计方法,用于超密集网络中的协作波束形成。我们首先通过仿真表明,地理上分离的基站(BS)的信道状态信息(CSI)表现出很强的非线性相关性的互信息。这一发现使我们能够采用一种新的基于学习的方法来远程推断不同的波束成形模式的质量在密集层BS的基础上的CSI的伞控制层BS。该方案通过用离线拟合的人工神经网络的在线推理代替导频辅助信道估计,从而减少了信道捕获开销。此外,我们建议利用多个CBS的联合学习,并涉及更多的候选波束模式,以获得更好的性能。基于随机射线跟踪信道模型的仿真结果表明,在20个波束形成模式的情况下,该方案可以达到99.74%的准确率。
2017-05-14 cs.IT math.IT
Joint User Scheduling and Beamforming Design for Multiuser MISO Downlink Systems
在多用户通信系统中,用户调度和波束形成(US-BF)设计是两个基本问题,通常在现有的文献中被分开研究。在这项工作中,我们专注于联合US-BF设计的目标是最大限度地提高预定用户的集合基数,这是计算上的挑战,由于非凸目标函数和离散连续变量的耦合约束。针对这些问题,首先提出了一种基于逐次凸逼近的US-BF优化算法。然后,受无线智能通信的启发,将联合US和功率分配网络模型与BF解析解相结合,提出了一种基于图神经网络的联合US-BF(J-USBF)学习算法。各种数值结果验证了SCA-USBF和J-USBF的有效性,后者具有相近的性能和更高的计算效率。此外,建议的J-USBF也享有在动态无线网络场景的通用性。
2022-07-04 cs.IT eess.SP math.IT
A Hybrid Model-based and Data-driven Approach to Spectrum Sharing in mmWave Cellular Networks
School of Electrical Engineering and Computer Science, KTH Royal Institute of Technology(瑞典皇家理工学院电气工程与计算机科学学院);COMELEC Department, Telecom ParisTech(巴黎高科电信学院COMELEC系)
毫米波段中的运营商间频谱共享具有以增加运营商间干扰为代价来显著增加频谱利用率并向个体用户设备提供更大带宽的潜力。不幸的是,传统的基于模型的频谱共享方案在延迟和协议开销方面对运营商间协调机制做出了理想化的假设,同时对丢失的信道状态信息敏感。在本文中,我们提出了混合模型为基础的和数据驱动的多运营商频谱共享机制,其中包括基于模型的波束成形和用户关联补充数据驱动的模型改进。我们的解决方案具有与基于模型的方法相同的计算复杂性,但具有显著更少的信令开销的主要优点。我们讨论了有限的信道状态信息和基于量化码本的波束形成如何影响学习和频谱共享性能。我们表明,所提出的混合共享方案显着提高了频谱利用率,在现实的假设下,运营商间的协调和信道状态信息采集。
2020-03-19 cs.IT cs.LG cs.NI
Adaptive Beam Tracking based on Recurrent Neural Networks for mmWave Channels
由于高的各向同性路径损耗和信道衰减,毫米波(mmWave)通信的性能关键地取决于基站(BS)和用户终端(UE)处的波束成形的准确性。在高移动性环境中,准确的波束对准变得更具挑战性,因为BS和每个UE的角度必须被可靠地和连续地跟踪。在这项工作中,专注于在BS的波束成形,我们提出了一种自适应方法的基础上循环神经网络(RNN),跟踪和预测的角度出发(AoD)的一个给定的UE。此外,我们提出了一种改进的帧结构,以减少波束对准开销,从而提高通信速率。我们的数值实验在一个高度非线性的流动性的情况下,我们所提出的方法是能够准确地跟踪AoD,实现更高的通信速率相比,更传统的方法,如粒子滤波。
2021-08-10 cs.IT math.IT
Contextual Beamforming: Exploiting Location and AI for Enhanced Wireless Telecommunication Performance
本文针对移动场景下迭代波束成形延迟高的问题,提出上下文波束成形概念,验证MRT算法可提升53%信噪比,指出结合MRT、ZF与贝叶斯优化DNN是最优方案,并探讨可编程交换机的应用潜力。
2023-07-02 cs.IT cs.SY eess.SY
Joint Beamforming Design and Port Selection in Fluid Antenna-Assisted Multi-Cell Networks: A Personalized Federated Learning Approach
Northwest University(西北大学);Illinois Institute of Technology(伊利诺伊理工学院)
针对流体天线辅助多小区网络的联合波束成形与端口选择问题,提出FedRep框架结合PA-DNN,通过共享全局波束成形参数、保留本地端口选择参数优化,可实现更高加权和速率。
2026-08-27 cs.IT cs.SY eess.SY
Causality-Driven Reinforcement Learning for Joint Communication and Sensing
Indian Institute of Technology Kharagpur(印度理工学院克勒格布尔分校);Ericsson Research(爱立信研究院)
针对mMIMO JCAS系统中RL波束成形因动作搜索空间巨大导致学习效率低且忽略动作与奖励因果关系的问题,提出一种因果感知RL框架,利用状态依赖的动作维度选择策略实现因果发现,显著提升了波束成形增益。
2024-09-07 cs.AI cs.IT math.IT
Bayesian-Guided Cooperative RL Beamforming for Wireless Adversarial User Detection
Technische Universität Dortmund(多特蒙德工业大学)
研究下一代无线网络中通信系统需求,提出基于3GPP系统模型,用穷举搜索确定最佳波束成形配置,在有攻击者和不同网络条件下评估。结果显示基于强化学习的方法优于随机选择,Q学习在检测准确率和计算效率间权衡最佳,为无线环境提供有效决策方案。
2026-09-30 cs.CR cs.IT math.IT