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
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
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 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
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 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
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
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
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
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
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
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
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
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 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
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
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
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
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
Deep Learning for Joint MIMO Detection and Channel Decoding
我们提出了一种用于联合MIMO检测和信道解码问题的深度学习方法。传统的MIMO接收机采用基于模型的方法以线性或迭代方式进行MIMO检测和信道解码。然而,由于复杂的MIMO信号模型,联合MIMO检测和信道解码问题的最佳解决方案(即,从接收的MIMO信号中对发送的码字进行最大似然解码)在计算上是不可行的。作为实际措施,当前基于模型的MIMO接收机都使用具有可承受的计算复杂性的次优MIMO解码方法。这项工作将深度学习的最新进展应用于MIMO接收器的设计。特别地,我们利用具有监督训练的深度神经网络(DNN)来解决联合MIMO检测和信道解码问题。我们表明,DNN可以被训练成比传统MIMO接收机更好的解码性能。我们的模拟表明,由七个隐藏层组成的DNN实现可以优于传统的基于模型的线性或迭代接收器。这种性能的提高为未来的MIMO接收机设计指明了新的方向。
2019-01-17 cs.IT 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
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
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
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 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 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
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
TU Wien(维也纳工业大学);Christian Doppler Laboratory for Digital Twin assisted AI for sustainable Radio Access Networks(可持续无线接入网络数字孪生辅助AI基督教多普勒实验室)
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 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
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 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 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 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
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
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
Deep Multimodal Learning: Merging Sensory Data for Massive MIMO Channel Prediction
现有的工作在智能通信中,最近作出了初步的尝试,利用多源传感信息(MSI),以提高系统的性能。然而,MSI辅助智能通信的研究尚未探索如何整合和融合多模态传感数据,这促使我们开发一个系统的框架,无线通信基于深度多模态学习(DML)。本文首先对基于DML的无线通信框架进行了完整的描述和启发性的理解,并从通信的角度分析了核心设计的选择。然后,我们开发了几个基于DML的架构,在大规模的多输入多输出(MIMO)系统,利用各种形式的组合和融合水平的信道预测。大规模多输入多输出信道预测的案例研究提供了一个重要的例子,可以遵循在开发其他基于DML的通信技术。仿真结果表明,所提出的DML框架可以有效地利用各种无线通信场景中多模态感知数据的建设性和互补性信息。
2020-11-28 cs.IT eess.SP math.IT
A Variational Bayesian Inference-Inspired Unrolled Deep Network for MIMO Detection
深度学习(DL)的巨大成功激励研究人员为多输入多输出(MIMO)系统开发更准确、更高效的符号检测器。然而,现有的基于DL的MIMO检测器存在若干缺点。为了解决这些问题,在本文中,我们开发了一个模型驱动的DL检测器的基础上变分贝叶斯推理。具体而言,建议展开DL架构的灵感来自于一个无逆变分贝叶斯学习框架,该框架通过最大化宽松的证据下限来规避矩阵求逆。分别针对独立同分布(i.i.d.)高斯信道和任意相关信道。建议的网络,被称为VBinet,只有几个可学习的参数,因此可以有效地训练与适量的训练样本。所提出的基于VBinet的检测器可以在离线和在线训练模式下工作。我们提出的网络与最先进的MIMO检测网络(如OAMPNet和MMNet)相比的一个重要优势是,VBinet可以自动从数据中学习噪声方差,从而在存在噪声方差不确定性的情况下,与OAMPNet和MMNet相比,性能得到了显着提高。仿真结果表明,所提出的基于VBinet的检测器实现了竞争力的性能,无论是i.i.d.高斯和现实的3GPP MIMO信道。
2022-01-11 cs.IT eess.SP math.IT