Meta Learning-based MIMO Detectors: Design, Simulation, and Experimental Test
深度神经网络（NN）在有效平衡多输入多输出（MIMO）检测器的性能和复杂性方面表现出相当大的潜力。我们提出了一个接收器框架，利用以下简单的观察，使有效的在线训练：虽然NN参数应该适应通道，但并不是所有的通道敏感。特别是，我们使用了一个深度展开的NN结构，它代表了信号检测和信道解码模块中的迭代算法，作为多层深度前馈网络。期望传播（EP）模块，称为EPNet，通过展开EP算法和渲染的阻尼因子可训练的信号检测。一个展开的涡轮解码模块，称为涡轮网，用于信道解码。该组件解码turbo码，其中可训练NN单元被集成到传统的最大对数最大后验解码过程中。我们证明了TurboNet是强大的通道，只需要一个离线训练。因此，EPNet中只有少数阻尼因子必须在线重新优化。基于Meta学习的在线培训机制，然后开发。在这里，由长短期记忆神经网络实现的优化器被训练成通过使用小的训练集来有效地更新阻尼因子，使得它们可以快速适应新的环境。仿真结果表明，该接收机的性能明显优于传统的接收机和在线学习机制，可以快速适应新的环境。此外，一个空中平台，以证明所提出的接收机在实际部署的显着鲁棒性。
2020-12-08 eess.SP
Deep Graph Unfolding for Beamforming in MU-MIMO Interference Networks
Rice University（莱斯大学）；US Army’s DEVCOM Army Research Laboratory（美国陆军DEVCOM陆军研究实验室）
针对MU-MIMO单跳无线自组织干扰网络的波束成形问题，提出基于图神经网络和算法展开的UWMMSE方法，通过学习WMMSE参数的函数变换进行优化，实验证明其在性能、泛化性和鲁棒性上均优于传统及现有学习方法。
2023-04-02 cs.LG eess.SP
Model-Driven Deep Learning for Massive Multiuser MIMO Constant Envelope Precoding
恒定包络（CE）预编码设计对于大规模多用户多输入多输出系统来说非常感兴趣，因为它可以显着降低硬件成本和功耗。然而，现有的CE预编码算法受到过多计算开销的阻碍。在这封信中，提出了一种新的模型驱动的基于深度学习（DL）的网络，将DL与共轭梯度算法相结合，用于CE预编码。具体地说，原来的迭代算法展开和参数化的可训练变量。该架构可以通过无监督学习方法从训练数据中有效地学习变量。因此，所提出的网络学习获得搜索步长并调整搜索方向。仿真结果表明，所提出的网络的多用户干扰抑制能力和计算开销方面的优越性。
2020-06-27 eess.SP
Regularized Neural Detection for One-Bit Massive MIMO Communication Systems
本文针对一比特大规模MIMO检测问题，在梯度下降检测器中引入深度学习正则化和基于星座的损失函数，并结合深度展开与循环神经网络架构，有效提升了高阶M-QAM星座下的检测性能。
2023-05-26 eess.SP
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
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
ML-aided power allocation for Tactical MIMO
研究了单跳多天线自组织无线网络中的最优功率分配问题。解决该问题的标准技术涉及使用基于块坐标下降的迭代算法在幂约束下优化三凸函数。这种称为WMMSE的方法往往计算复杂且耗时。已经提出了几种基于学习的方法来加快功率分配过程。最近的一项工作，UWMMSE，学习一个仿射变换的WMMSE参数展开的结构，以加速收敛。尽管取得了可喜的成果，其应用仅限于单天线无线网络。在这项工作中，我们提出了一个UWMMSE框架（多输入多输出）MIMO干扰网络中的功率分配。这种方法的一个主要优点在于它使用了低复杂度的可学习系统，其中参数的数量相对于嵌入式神经架构的隐藏层大小和发射机和接收机天线数量的乘积线性缩放，完全独立于网络中收发器的数量。我们说明了我们的方法的优越性，通过我们的方法相比，WMMSE的实证研究，并分析其鲁棒性的信道条件和网络规模的变化。
2021-10-28 cs.IT eess.SP math.IT
Deep Unfolding-Empowered MmWave Massive MIMO Joint Communications and Sensing
针对毫米波大规模MIMO联合通信与感知，提出基于深度展开的UPGANet混合波束成形设计，通过梯度闭式表达式与学习步长优化，性能优于传统方法且复杂度降低。
2024-11-25 eess.SP
Soft-Output Joint Channel Estimation and Data Detection using Deep Unfolding
针对多用户多输入多输出（MIMO）无线通信系统，提出了一种新的软输出联合信道估计和数据检测（JED）算法。我们的算法近似地解决了一个最大后验JED优化问题，使用深度展开，并在每次迭代中为传输的比特生成软输出信息。展开算法的参数由用二进制交叉熵（BCE）损失训练的超网络计算。我们评估我们的算法在编码MU-MIMO系统中的8个基站天线和4个用户设备的性能，并比较它的国家的最先进的算法分离的软输出数据检测的信道估计。我们的结果表明，我们的JED算法优于这样的数据检测器，只需10次迭代。
2021-12-01 cs.IT eess.SP math.IT
Learned Trimmed-Ridge Regression for Channel Estimation in Millimeter-Wave Massive MIMO
针对毫米波大规模 MIMO 射频链路不足下的信道估计问题，提出展开式截尾岭回归深度学习模型，以低复杂度实现稀疏信道重建并提升精度与下行和速率。
2024-08-06 cs.IT eess.SP math.IT
Deep Learning-based Channel Estimation for Wideband Hybrid MmWave Massive MIMO
在实际的毫米波大规模多输入多输出（MIMO）系统中，为了降低硬件成本和能耗，模数混合（HAD）结构被广泛采用。然而，由于收发器处仅有有限的射频（RF）链，HAD上下文中的信道估计是具有挑战性的。虽然各种压缩感知（CS）算法已经被开发来解决这个问题，通过利用固有的信道稀疏性和稀疏性结构，实际的影响，如功率泄漏和波束偏斜，仍然可以使真实的信道特征偏离假设的模型，并导致性能下降。同时，CS算法的大量迭代导致的高复杂度阻碍了其在实际中的应用。为了解决这些问题，我们开发了一种基于深度学习（DL）的信道估计方法，其中稀疏贝叶斯学习（SBL）算法被展开为深度神经网络（DNN）。在每个SBL层中，稀疏角域信道的高斯方差参数由定制的DNN更新，该DNN能够有效地捕获各种域中复杂的信道稀疏结构。此外，测量矩阵进行联合优化，以提高性能。然后，所提出的方法被扩展到多块的情况下，信道在时间上的相关性被进一步利用，以自适应地预测测量矩阵，并促进高斯方差参数的更新。基于仿真结果，所提出的方法显着优于现有的方法，但降低了复杂性。
2022-05-10 cs.IT eess.SP math.IT
Deep Unfolding for Fast Linear Massive MIMO Precoders under a PA Consumption Model
针对大规模MIMO预编码器PA功耗优化问题收敛慢的缺陷，提出深度展开的近端梯度下降算法，仅需20次迭代达近优解，速度远快于传统凸求解器和PGD算法。
2023-04-25 cs.IT eess.SP math.IT
End-to-End Learning for Task-Oriented Semantic Communications Over MIMO Channels: An Information-Theoretic Framework
本文提出一种信息论框架下的解耦预训练与深度展开预编码方法，用于MIMO多址信道上的任务型语义通信端到端学习，在CIFAR-10和ModelNet10上显著提升分类准确率。
2024-08-30 cs.IT eess.SP math.IT
Deep Unfolding Hybrid Beamforming Designs for THz Massive MIMO Systems
混合波束形成（HBF）是宽带太赫兹（THz）大规模多输入多输出（mMIMO）通信系统的关键技术。设计HBF系统的一个核心挑战来自于这样一个事实，即它们的应用通常涉及非凸的、高度复杂的大尺寸优化。在本文中，我们提出了HBF计划，利用数据，使高效的设计全连接HBF（FC-HBF）和动态子连接HBF（SC-HBF）架构。我们开发了一个深入的展开框架的基础上分解成模拟和数字方面的最佳全数字波束形成器，并制定了两个相应的等效最小二乘（LS）问题。然后，通过闭合形式的LS解获得数字波束形成器，而通过ManNet获得模拟波束形成器，ManNet是一种基于展开投影梯度下降的轻量级稀疏连接深度神经网络。将ManNet扩展到已开发的深度展开框架中，得到基于ManNet的FC-HBF方案。我们表明，建议的ManNet也可以应用到SC-HBF设计后，确定的无线电频率链和天线之间的连接。我们进一步开发了一个简化版本的ManNet，称为subManNet，直接产生稀疏模拟预编码器的SC-HBF架构。这两个网络都是用无监督的训练过程训练的。数值结果验证了所提出的基于ManNet/subManNet的HBF方法优于传统的基于模型和深度展开的方法，具有非常低的复杂度和快速的运行时间。例如，在具有128个发射天线的仿真中，它获得了比黎曼流形方案稍高的频谱效率，但是快了1000倍以上，并且复杂度降低了六（6）倍以上。
2023-02-23 cs.IT eess.SP math.IT
Deep-Unfolding Neural-Network Aided Hybrid Beamforming Based on Symbol-Error Probability Minimization
在大规模多输入多输出（MIMO）系统中，混合模数（AD）波束成形可以用于获得高定向增益，而不需要用于每个天线元件的专用射频（RF）链，这大大降低了硬件成本和功耗。虽然大规模多输入多输出收发器设计通常依赖于常规的均方误差（MSE）准则，但是直接最小化符号错误率（SER）可以导致优异的性能。在本文中，我们首先在数学上制定的混合收发器的设计问题下的最小SER（MSER）的优化标准，然后开发一个基于MSER的梯度下降（GD）迭代算法来找到相关的平稳点。然后，我们提出了一个深度展开神经网络（NN），其中迭代GD算法被展开成一个多层结构，其中引入了一组可训练的参数，以加速收敛和提高系统的整体性能。为了实现训练阶段，基于广义链规则（GCR）推导出相邻层的梯度之间的关系。针对正交相移键控（QPSK）和$M$ -进制正交幅度调制（QAM）信号，提出了深度展开神经网络，并从理论上研究了其收敛性。此外，我们分析了所提出的深度展开神经网络的传输能力，计算复杂度和泛化能力。我们的仿真结果表明，后者显着优于其传统的同行在降低复杂性。
2021-09-14 eess.SP
Mixed-Timescale Deep-Unfolding for Joint Channel Estimation and Hybrid Beamforming
在大规模多输入多输出（MIMO）系统中，混合模拟-数字波束成形是一种利用潜在阵列增益而无需为每个天线使用专用射频链的基本技术。然而，由于天线数量大，传统的信道估计和混合波束成形算法通常需要很高的计算复杂性和信令开销。在这项工作中，我们提出了一个端到端的深度展开神经网络（NN）联合信道估计和混合波束形成（JCEHB）算法，以最大限度地提高系统的和速率在时分双工（TDD）的大规模MIMO。具体而言，递归最小二乘（RLS）算法和随机逐次凸逼近（SSCA）算法展开的信道估计和混合波束形成，分别。为了减少信令开销，我们考虑了一种混合时标混合波束形成方案，其中模拟波束形成矩阵基于离线的信道状态信息（CSI）统计进行优化，而数字波束形成矩阵基于估计的低维等效CSI矩阵在每个时隙进行设计。我们联合训练的模拟波束形成器与RLS和SSCA诱导的深度展开神经网络的可训练参数的基础上CSI统计离线。在数据传输过程中，我们通过RLS诱导的深度展开神经网络估计低维等效CSI，并更新数字波束形成器。此外，我们提出了一个混合的时标深度展开神经网络的模拟波束形成器进行在线优化，并扩展到频分双工（FDD）系统，其中信道反馈被认为是框架。仿真结果表明，该算法在降低计算复杂性和信令开销的同时，性能明显优于传统算法。
2022-06-08 cs.IT eess.SP math.IT
