Predictive Beamforming with Distributed MIMO
本研究将感知辅助通信扩展至多分布式 RSUs 和分布式 MIMO 场景，推导状态演化模型并构建扩展卡尔曼滤波方程以实现预测波束成形，仿真证明其感知性能、覆盖与速率优于共置大规模 MIMO。
2025-01-29 cs.IT eess.SP math.IT
Location-aware Predictive Beamforming for UAV Communications: A Deep Learning Approach
无人机具有高度的机动性和灵活性，能够适应不同应用的异构需求，因此无人机辅助通信成为实现超第五代（5G）无线网络的一种很有前途的技术。然而，无人机的移动对无人机和地面用户设备（UE）之间的精确波束对准提出了挑战。在这封信中，我们提出了一种基于深度学习的位置感知预测波束形成方案，用于在动态场景中跟踪无人机通信的波束。具体而言，设计了一种基于长短期记忆（LSTM）的递归神经网络（LRNet）用于无人机位置预测。基于预测的位置，可以确定UAV与UE之间的预测角度，以用于下一时隙中的有效且快速的波束对准，这使得能够实现UAV与UE之间的可靠通信。仿真结果表明，该方案能够获得满意的通信速率，接近于完美精灵辅助对准方案的通信速率上界。
2020-09-16 cs.IT eess.SP math.IT
Channel Knowledge Map-assisted Dual-domain Tracking and Predictive Beamforming for High-Mobility Wireless Networks
Xi’an Jiaotong University（西安交通大学）；Peng Cheng Laboratory（鹏城实验室）；Pazhou Laboratory (Huangpu)（琶洲实验室（黄埔））；Technology and Engineering Center for Space Utilization, Chinese Academy of Science（中国科学院空间应用工程与技术中心）；National Mobile Communications Research Laboratory, Southeast University（东南大学移动通信国家重点实验室）
本文提出基于通道知识图的双域跟踪与预测波束成形方法，通过整合坐标域和波束域实现高机动无线网络中的高效目标和波束跟踪。
2026-01-10 cs.IT eess.SP math.IT
Cooperative Beamforming with Predictive Relay Selection for Urban mmWave Communications
Rutgers, The State University of New Jersey（罗格斯新泽西州立大学）；University of Pennsylvania（宾夕法尼亚大学）
虽然毫米波（mmWave）通信承诺高数据速率，但是它们对阻塞的敏感性和严重的信号衰减对其在城市环境中的部署提出了挑战。为了克服这些影响，我们考虑一个分布式的合作波束成形系统，它依赖于静态中继部署在集群具有相似的信道特性，在每个时刻，只有一个中继从每个集群被选择参与波束成形的目的地。为了满足网络的服务质量保证，波束成形的关键先决条件是中继选择。然而，由于信道随时间变化，中继选择成为一个资源需求的任务。实际上，对所有候选中继的信道状态信息的估计（对于中继选择是必要的）是占用带宽、浪费功率并且在网络中引入延迟和干扰的过程。相反，我们提出了一种独特的，预测性的方案，用于资源高效的中继选择，它利用毫米波介质的特殊传播模式，可以跨集群分布式执行，并与基于最佳波束成形的通信并行。所提出的预测方案有效地利用时空信道的相关性与当前和过去的网络范围内的接收信号强度（RSS），后者是不变的中继集群的大小，在系统的操作过程中连续测量。我们的数值结果证实，我们提出的中继选择策略优于任何随机选择策略，不利用信道相关性，而在同一时间，它执行非常接近一个理想的方案，使用完整的，集群大小相关的RSS，并提供显着节省信道估计开销，提供更好的网络利用率，特别是在密集的拓扑结构，典型的毫米波网络。
2019-07-29 cs.IT cs.LG cs.NI
Extended Target Adaptive Beamforming for ISAC:A Perspective of Predictive Error Ellipse
Nanjing University（南京大学）；School of Intelligent Software and Engineering, Nanjing University (Suzhou Campus)（南京大学智能软件与工程学院（苏州校区））；Yangtze Delta Region Institute (Quzhou), University of Electronic Science and Technology of China（电子科技大学长三角研究院（衢州））；University College London（伦敦大学学院）；Yonsei Frontier Laboratory, Yonsei University（延世大学延世前沿实验室）；Yonsei University（延世大学）
本文提出扩展目标自适应波束成形方法，通过预测误差椭圆提升ISAC系统中散射体定位与跟踪性能。
2026-01-04 cs.IT math.IT
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
Deep Reinforcement Learning for Energy-Efficient Beamforming Design in Cell-Free Networks
无蜂窝网络被认为是一种满足未来无线网络更多需求的有前途的架构，其中分布式接入点与边缘云处理器协调，以共同为紧凑区域中的较少数量的用户设备提供服务。研究了无蜂窝网络中基于深度强化学习（DRL）的上行链路波束赋形设计问题，以最大化长期能量效率（EE）。首先，基于最小均方误差信道估计，利用连续干扰抵消进行信号检测，推导出信号干扰噪声比（SINR）的表达式。其次，根据信干噪比的计算公式，定义了波束形成矩阵的函数，即长期等效增益。第三，针对状态和动作空间连续的动态波束形成设计问题，利用深度确定性策略梯度（DDPG）算法的双网结构优势，提出了一种支持DRL的波束形成设计方案。最后，仿真结果表明，基于DDPG的波束形成设计能够收敛到最佳的EE性能。研究了超参数对基于DDPG的波束形成设计的EE性能的影响，结果表明，适当的折扣因子和隐层大小可以提高EE性能。
2021-02-05 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
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
Computationally Efficient Unsupervised Deep Learning for Robust Joint AP Clustering and Beamforming Design in Cell-Free Systems
本文针对无蜂窝系统中信道状态信息不完善的问题，提出计算高效的无监督深度学习算法，联合优化接入点聚类与波束赋形，在更少聚类数量下实现更高的最坏情况总速率。
2024-04-03 cs.IT eess.SP math.IT
Deep Learning based Computer-vision for Enhanced Beamforming
本文提出端到端视觉辅助波束成形框架，利用图像和几何调整预测最优波束，在无需额外训练数据的情况下实现98.96%的top-5准确率并超越现有方法。
2024-12-04 cs.IT eess.SP 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
Low-Altitude UAV Tracking via Sensing-Assisted Predictive Beamforming
Shanghai Jiao Tong University（上海交通大学）；University of Macau（澳门大学）；University of New South Wales（新南威尔士大学）
针对集成感知与通信系统中无人机跟踪的通信可靠性问题，提出基于扩展卡尔曼滤波的预测波束赋形方案，联合优化轨迹、感知时长和信噪比以最大化中断容量，并利用泰勒展开近似中断概率，通过二分搜索和逐次凸近似求解非凸优化问题。
2026-07-01 cs.ET cs.IT cs.SY
Deep Learning Methods for Universal MISO Beamforming
Jeonbuk National University（全北国立大学）；Pukyong National University（釜庆国立大学）；Electronics and Telecommunications Research Institute (ETRI)（电子通信研究院）
这封信研究了深度学习（DL）方法，以优化下行链路多用户多天线系统中的波束成形向量，这些方法可以普遍应用于基站处的任意给定发射功率限制。我们利用总功率预算作为边信息，以便深度神经网络（DNN）可以有效地学习波束成形优化中功率约束的影响。因此，单个训练过程对于所提出的通用DL方法是足够的，而常规方法需要针对所有可能的功率预算水平训练多个DNN。数值结果表明，所提出的DL方法比现有的计划的有效性。
2020-07-09 cs.IT cs.LG eess.SP
Deep Learning Based Joint Beamforming Design in IRS-Assisted Secure Communications
本文针对无窃听者瞬时CSI的IRS辅助MIMOME系统，提出一种基于深度学习的低复杂度联合波束成形设计方法，通过优化预编码向量与相移矩阵最小化安全中断概率，在保持与传统AO算法相似性能的同时显著降低了计算复杂度。
2023-04-04 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
Deep Reinforcement Learning based Joint Active and Passive Beamforming Design for RIS-Assisted MISO Systems
可重构智能表面（RIS）由于具有低成本、可控性等独特优势，是解决毫米波通信系统阻塞问题的一种有效途径，近年来受到广泛关注。然而，由于高计算复杂性和无线环境的动态变化，使得有源波束形成和无源波束形成的联合设计是一项艰巨的任务。在本文中，我们考虑了一个RIS辅助的多用户多输入单输出（MU-MISO）毫米波系统，旨在开发一种基于深度强化学习（DRL）的算法，以联合设计在基站（BS）侧的有源混合波束形成器和RIS侧的无源波束形成器。通过采用先进的软演员-评论家（SAC）算法，我们提出了一种基于最大熵的DRL算法，它可以探索更多的随机策略比确定性的政策，同时设计有源模拟预编码器和无源波束形成器。然后，采用最小均方误差（MMSE）方法确定数字预编码器。实验结果表明，我们提出的SAC算法可以获得更好的性能相比，传统的优化算法和DRL算法。
2022-02-21 cs.IT eess.SP math.IT
Illuminating the Path: Attention-Assisted Beamforming and Predictive Insights in 5G NR Systems
本研究提出一种基于注意力的波束预测模型，在5G NR非视距环境下精准预测下行波束，减少波束搜索开销，提升移动场景通信效率。
2025-05-10 cs.IT eess.SP math.IT
Deep Learning Enabled Optimization of Downlink Beamforming Under Per-Antenna Power Constraints: Algorithms and Experimental Demonstration
研究了多用户多输入单输出系统中基于深度学习的快速下行波束形成算法，其中基站的每个发射天线都有自己的功率约束。我们专注于信号干扰噪声比（SINR）平衡问题，这是准凸的，但没有有效的解决方案。我们首先设计了一个快速次梯度算法，可以达到接近最优的解决方案，降低复杂度。然后，我们提出了一个深度神经网络结构，以学习基于卷积网络和利用原始问题的对偶性的最佳波束成形。研究了两种不同精度的对偶变量学习策略，并利用次梯度算法恢复原解。我们还开发了一个泛化方法，使他们能够适应不同数量的用户和天线，而无需重新训练的算法。我们进行了密集的数值模拟和试验台实验，以评估所提出的算法的性能。仿真结果表明，在信道信息完备的情况下，该算法的性能接近最优解，在实验中优于理论上的最优解，比现有算法具有更好的性能-复杂度权衡。
2020-02-28 cs.IT eess.SP math.IT
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
Deep Reinforcement Learning for Distributed Dynamic Coordinated Beamforming in Massive MIMO Cellular Networks
为了适应爆炸性的无线业务，大规模多输入多输出（MIMO）被认为是下一代通信系统的关键使能技术之一。在大规模MIMO蜂窝网络中，协作波束形成（CBF）是一种有效的提高网络性能的方法，它联合设计多个基站（BS）的波束形成器。在本文中，我们研究了大规模MIMO移动蜂窝网络中的和速率最大化问题，其中在每个小区中，多天线BS通过下行链路波束成形同时为多个移动用户提供服务。虽然现有的基于优化的CBF算法可以提供接近最优的解决方案，他们需要实时和全局的信道状态信息（CSI），除了他们的高计算复杂度。在实际的无线网络中，特别是在高度动态的移动蜂窝网络中，几乎不可能应用它们。基于此，我们提出了一种基于深度强化学习的分布式动态协调波束形成（DDCBF）框架，该框架使每个BS能够仅利用本地CSI和来自其他BS的一些历史信息来确定波束形成器。此外，通过利用神经网络和专家知识，即，从加权最小均方误差（WMMSE）算法的迭代过程观察到的解结构。此外，我们提供了广泛的数值模拟，以验证所提出的DRL为基础的方法的有效性。结果表明，该方法具有较低的计算复杂性和较少的信息需求，可获得与集中式迭代优化算法相当的性能。
2023-03-24 cs.IT eess.SP math.IT
Deep Unfolding Beamforming and Power Control Designs for Multi-Port Matching Networks
针对6G多端口匹配网络，本文采用多端口通信理论建模天线与信道，并提出PGD-Net混合波束赋形和GNN辅助AO-Net功率控制方法，以低复杂度和快速运行逼近传统算法。
2024-12-09 cs.IT eess.SP math.IT
Beamforming Design for Large-Scale Antenna Arrays Using Deep Learning
在有限的射频链和基于移相器的模拟波束形成架构下，大规模天线阵列的波束形成（BF）设计已被公认为是毫米波通信系统中的关键问题。它变得更具挑战性的不完美的信道状态信息（CSI）。在这封信中，我们提出了一个基于深度学习的BF设计方法，并开发了一个BF神经网络（BFNN），可以训练学习如何优化波束形成器，以最大限度地提高频谱效率与硬件限制和不完善的CSI。仿真结果表明，与传统的BF算法相比，该算法具有显著的性能改善和对不完美CSI的鲁棒性。
2019-06-05 cs.IT 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
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
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
Deep Learning Based Joint Multi-User MISO Power Allocation and Beamforming Design
University of Maryland（马里兰大学）；DeepSig Inc.（迪普西格公司）
本文提出无监督深度学习框架NNBF-P，通过联合功率分配与波束成形设计最大化MU-MISO系统总速率，实验证明其性能优于ZFBF和MMSE，并验证了联合设计的有效性。
2024-06-12 cs.IT cs.LG eess.SP
RSSI-Based Hybrid Beamforming Design with Deep Learning
École Polytechnique de Montréal（蒙特利尔综合理工学院）
混合波束成形是5G毫米波通信的一种很有前途的技术。然而，它的实现在实际的多输入多输出（MIMO）系统中是具有挑战性的，因为非凸优化问题必须解决，引入额外的延迟和能量消耗。另外，信道状态信息（CSI）必须从导频信号估计或者通过专用信道反馈，从而引入大的信令开销。在本文中，混合预编码器设计的基础上，只有从每个用户的接收信号强度指示符（RSSI）的反馈。提出了一种深度学习方法来执行具有合理复杂度的相关优化。结果表明，所得到的和率是非常接近的全CSI最优，但复杂的解决方案。最后，与现有技术相比，所提出的解决方案允许大大增加系统的频谱效率，因为需要最小的CSI反馈。
2020-03-12 cs.IT cs.LG eess.SP
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
Deep Active Learning Approach to Adaptive Beamforming for mmWave Initial Alignment
本文提出了一种深度学习方法，用于在具有单路径信道的毫米波环境中的初始接入阶段的自适应和顺序波束成形设计问题。对于一个单用户的情况下，该问题相当于设计的序列感测波束形成器来学习的主要路径的到达角（AoA），我们提出了一种新的深度神经网络（DNN），设计的自适应传感矢量顺序的基础上，到目前为止在基站（BS）。通过认识到AoA后验分布是解决初始接入问题的充分统计量，我们使用后验分布作为所提出的DNN的输入，用于设计自适应感知策略。然而，当信道衰落系数未知时，计算后验分布可能在计算上具有挑战性。为了解决这个问题，本文提出了使用衰落系数的估计来计算后验分布的近似。此外，本文表明，所提出的DNN可以处理实际的波束成形约束，如恒模约束。数值结果表明，与现有的自适应和非自适应波束形成方案相比，所提出的基于DNN的自适应感知策略实现了显着更好的AoA捕获性能。
2021-05-21 cs.IT math.IT
Deep Learning Coordinated Beamforming for Highly-Mobile Millimeter Wave Systems
在毫米波（mmWave）系统中支持高移动性使得能够实现诸如车辆通信和无线虚拟/增强现实之类的广泛的重要应用。然而，在实践中实现这一点需要克服几个挑战。首先，窄波束的使用和毫米波信号对阻塞的敏感性极大地影响了高度移动链路的覆盖范围和可靠性。其次，密集毫米波部署中的高度移动用户需要频繁地在基站（BS）之间切换，这与关键控制和延迟开销相关联。此外，在大型天线阵列毫米波系统中识别最佳波束成形向量需要相当大的训练开销，这显著影响了这些移动系统的效率。在本文中，开发了一种新型的集成机器学习和协调波束成形解决方案，以克服这些挑战，并实现高度移动的毫米波应用。在所提出的解决方案中，多个分布式但协调的BS同时服务于移动用户。该用户理想地仅需要发送一个上行链路训练导频序列，该上行链路训练导频序列将在协调BS处使用全向或准全向波束图案被联合接收。这些接收到的信号不仅为用户位置，而且还为其与周围环境的交互绘制定义签名。然后，开发的解决方案利用深度学习模型，该模型学习如何使用这些签名来预测BS处的波束成形向量。这提供了一个全面的解决方案，支持高度移动的毫米波应用，具有可靠的覆盖范围，低延迟和可忽略的训练开销。仿真结果表明，所提出的深度学习协调波束形成策略接近于基因辅助解决方案的可实现速率，该解决方案知道最佳波束形成向量而无需训练开销。
2019-02-22 cs.IT 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
Deep Reinforcement Learning Coordinated Receiver Beamforming for Millimeter-Wave Train-ground Communications
随着越来越多的人选择高速铁路作为短途旅行的交通工具，人们对高质量的多媒体服务的需求也越来越大。毫米波通信具有丰富的频谱资源，可以满足高速铁路对网络容量的高要求。此外，由于其短波长，在毫米波通信系统中接收器（RX）可以配备有天线阵列。然而，由于高速缓存高速运行，接收信号功率（RSP）在小区内迅速变化，并且与其他位置相比，在小区边缘处最低。因此，有必要对毫米波段高速铁路的RX波束形成进行研究，以提高接收信号的质量。在本文中，我们专注于毫米波车地通信系统的RX波束形成。为了提高RSP，我们提出了一种基于深度强化学习（DRL）的有效RX波束形成方案，并开发了一种深度Q网络（DQN）算法来训练和确定最佳RX波束方向，目的是最大化平均RSP。通过大量的模拟，我们证明了所提出的方案有更好的性能比四个基线方案的平均可吸入悬浮颗粒在铁路上的大多数位置。
2022-05-21 cs.IT math.IT
A Family of Deep Learning Architectures for Channel Estimation and Hybrid Beamforming in Multi-Carrier mm-Wave Massive MIMO
Duzce University（迪兹杰大学）；University of Luxembourg（卢森堡大学）
混合模拟和数字波束成形收发器有助于解决下一代毫米波（mm-Wave）大规模多输入多输出（多输入多输出）系统中昂贵硬件和高训练开销的挑战。然而，在混合架构中缺乏全数字波束成形以及毫米波的短相干时间对信道估计施加了额外的约束。解决这些挑战的现有工作主要集中在窄带信道上，其中采用基于优化或贪婪算法来导出混合波束形成器。在本文中，我们介绍了一种用于频率选择性宽带毫米波系统的信道估计和混合波束成形的深度学习（DL）方法。特别是，我们考虑了大规模多输入多输出正交频分复用（MIMO-OFDM）系统，并提出了三种不同的DL框架，包括卷积神经网络（CNN），它接受接收信号的原始数据作为输入，并在输出端产生信道估计和混合波束形成器。我们还介绍了离线和在线预测方案。数值实验表明，与当前最先进的优化和DL方法相比，我们的方法提供了更高的频谱效率，更少的计算成本和更少的导频信号数量，以及对接收到的导频数据，损坏的信道矩阵和传播环境的偏差的更高的容忍度。
2022-01-03 cs.IT cs.LG eess.SP
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
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
A Robust Deep Learning-Based Beamforming Design for RIS-assisted Multiuser MISO Communications with Practical Constraints
University of Electronic Science and Technology of China（电子科技大学）；Zhejiang University（浙江大学）
近年来，可重构智能表面（RIS）已成为一种很有前途的技术，以改善无线通信。它通过控制可重构的无源元件，以较少的硬件成本和较低的功耗来引导入射信号，以创造一个良好的传播环境。在本文中，我们考虑了一个RI辅助的多用户多输入单输出下行链路通信系统。我们的目标是最大化的加权和速率的所有用户通过联合优化的主动波束形成在接入点和被动波束形成向量的RIS元素。与大多数现有的作品，我们认为更实际的情况下，离散相移和不完善的信道状态信息（CSI）。具体来说，对于离散相移和理想CSI的情况下，我们首先开发了一个深度量化神经网络（DQNN），同时设计的主动和被动波束形成，而大多数报道的作品设计他们交替。然后，我们提出了一种改进的结构（I-DQNN）的基础上DQNN简化参数的决策过程时，每个RIS元素的控制位大于1位。最后，我们提出的两个DQNN为基础的算法的情况下，离散相移和不完美的CSI被认为是同时。仿真结果表明，这两种基于DQNN的算法在理想CSI情况下具有比传统算法更好的性能，在不理想CSI情况下也具有更好的鲁棒性。
2021-11-12 cs.IT cs.LG eess.SP
Deep Learning Based Uplink Multi-User SIMO Beamforming Design
University of Maryland（马里兰大学）；DeepSig Inc.（DeepSig公司）
本文提出无监督深度学习框架NNBF，用于上行MU-SIMO接收波束成形，以最大化和速率并降低计算复杂度；实验表明其在多种天线配置下优于ZFBF和MMSE，且对单天线用户数量具有可扩展性。
2023-09-28 cs.IT cs.LG eess.SP
Joint Communications and Sensing Hybrid Beamforming Design via Deep Unfolding
本文针对大规模 MIMO-JCAS 系统中的混合波束赋形设计难题，提出基于深度展开的快速优化方法，通过改进投影梯度上升并学习超参数，在保持可解释性的同时显著提升通信速率、降低波束图误差并减少计算复杂度。
2023-07-10 cs.IT eess.SP math.IT
Deep Reinforcement Learning in mmW-NOMA: Joint Power Allocation and Hybrid Beamforming
K. N. Toosi University of Technology（K. N. 图西理工大学）
毫米波频段的非正交多址接入（NOMA）技术可以满足下一代无线通信对数据率的高要求。通过联合功率分配和波束形成，在保持比特率的同时降低对其他用户的干扰，是保证高比特率要求的必要条件。此外，由于同时在实现和性能方面的权衡，mmW频带规定了用于波束成形的混合结构。在本文中，联合功率分配和混合波束形成的mmW-NOMA系统提出了通过最近的进展，机器学习和控制理论的方法，称为深度强化学习（DRL）。利用演员-评论家现象来衡量即时奖励并提供新动作以最大化网络的整体Q值。此外，为了提高该方法的稳定性，我们利用了软演员批评（SAC）的方法，其中整体奖励和动作熵最大化，同时。立即奖励已被定义的基础上的所有用户的速率的软加权求和。软加权基于每个用户的实现速率和分配功率。此外，用户和基站（BS）之间的信道响应被定义为环境的状态，而行动空间涉及的数字和模拟波束成形的权重和分配给每个用户的功率。仿真结果表明，该方法优于时分多址（TDMA）和非视距（NLOS）-NOMA的用户的和速率。它的优越性是由于所提出的方法的联合优化和信道响应的独立性。
2022-05-13 cs.AI cs.IT eess.SP
Transfer Learning and Meta Learning Based Fast Downlink Beamforming Adaptation
针对多用户多输入单输出下行链路系统中的信干噪比均衡问题，研究了快速自适应波束形成优化算法。现有的基于深度学习的方法来预测波束成形依赖于训练和测试信道遵循相同分布的假设，这在实践中可能不成立。因此，当测试网络环境改变时，训练的模型可能导致性能恶化。针对这种任务失配问题，提出了两种基于深度迁移学习和元学习的离线自适应算法，能够在测试无线环境发生变化时，利用有限的新标记数据实现快速自适应。此外，我们提出了一个在线算法，以提高离线Meta算法在现实的非平稳环境中的适应能力。仿真结果表明，所提出的自适应算法在新的环境中取得了更好的性能比直接的深度学习算法没有适应。Meta学习算法的性能优于深度迁移学习算法，达到了接近最优的性能。此外，与离线Meta学习算法相比，在线Meta学习算法在变化的环境中表现出更好的适应性能。
2020-11-02 cs.IT math.IT
Data-Driven Deep Learning Based Hybrid Beamforming for Aerial Massive MIMO-OFDM Systems with Implicit CSI
Beijing Institute of Technology（北京理工大学）；Tsinghua University（清华大学）；Southeast University（东南大学）
在空中混合大规模多输入多输出（MIMO）和正交频分复用（OFDM）系统中，如何在有限的导频和反馈开销下设计频谱有效的宽带多用户混合波束形成是一个挑战。为此，通过将关键传输模块建模为端到端（E2E）神经网络，本文提出了一种基于数据驱动的深度学习（DL）的统一混合波束成形框架，用于具有隐式信道状态信息（CSI）的时分双工（TDD）和频分双工（FDD）系统。对于TDD系统，所提出的基于DL的方法将上行链路导频组合和下行链路混合波束成形模块联合建模为E2E神经网络。而对于FDD系统，我们将下行导频传输、上行CSI反馈和下行混合波束形成模块联合建模为E2E神经网络。与传统的分别处理不同模块的方法不同，该方法以总速率为优化目标，同时对所有模块进行优化。因此，通过感知空对地大规模多输入多输出-OFDM信道样本的固有特性，基于DL的E2E神经网络可以建立从信道到波束形成器的映射函数，从而可以避免显式信道重构，减少导频和反馈开销。此外，实际的低分辨率移相器（PS）引入了量化约束，导致训练神经网络时难以实现梯度反向传播。为了减轻由相位量化误差引起的性能损失，我们采用迁移学习策略来进一步微调E2E神经网络，基于预先训练的网络，假设理想的无限分辨率PS。数值结果表明，我们的基于DL的计划有相当大的优势，比国家的最先进的计划。
2022-09-09 cs.IT cs.LG eess.SP
Robust Millimeter Beamforming via Self-Supervised Hybrid Deep Learning
College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院）；National and Kapodistrian University of Athens（雅典国立卡波迪斯特里亚大学）；School of Electrical and Electronics Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）；Khalifa University of Science and Technology（哈利法科技大学）
针对波束赋形网络在环境和数据集变化时性能骤降的问题，本文提出一种自监督混合深度学习网络，在DeepMIMO和WAIR-D数据集上验证了其强鲁棒性，并阐释了混合学习原理。
2024-08-02 cs.IT cs.LG math.IT
Deep Reinforcement Learning Based Dynamic Power and Beamforming Design for Time-Varying Wireless Downlink Interference Channel
随着无线通信技术的高速发展，无线数据传输技术以其方便、高效的特点被广泛应用于各个领域。与常用的无线信道时不变的假设不同，本文重点研究了无线下行链路时变信道，以更接近实际情况。我们的目标是在时变信道中，在截止信干噪比（SINR）、发射功率和波束成形等约束条件下，获得最大的和速率。为了适应快速变化的信道，本文摒弃了常用的凸优化算法，采用了深度强化学习算法。从功率控制、干扰不协调和波束形成等常规措施来看，在考虑措施连续变化的同时，也不能忽视因片段流产而导致的稀疏回报问题。因此，在分析相关算法的基础上，本文提出了两种基于深度确定性的策略梯度算法（DDPG）和分层DDPG算法。对于这两种算法，为了解决离散输出，DDPG是通过将Actor-Critic算法与深度Q学习（DQN）相结合来建立的，这样它可以在不牺牲DQN带来的现有优势的情况下输出连续动作，并且还可以提高性能。此外，为了解决稀疏奖励的挑战，我们利用Meta策略的思想，分层理论的DDPG中的一个代理分为一个元控制器和一个控制器作为分层DDPG。我们的仿真结果表明，建议的DDPG和层次DDPG表现良好的覆盖，收敛和和速率性能的观点。
2020-11-07 cs.IT math.IT
Deep learning based Channel Estimation and Beamforming in Movable Antenna Systems
本文提出基于深度学习的移动天线系统中通道估计与波束成形方法，通过两阶段CE机制和Transformer网络实现高效优化。
2026-02-10 cs.IT math.IT
Deep learning for location based beamforming with NLOS channels
b<>com（b<>com 研究院）；Univ Rennes（雷恩大学）；INSA Rennes（雷恩国立应用科学学院）；IETR - UMR 6164（电子与电信研究所 - UMR 6164）
大规模MIMO系统是高效的，但严重依赖于基站处的准确信道状态信息（CSI），以便确定适当的预编码器。CSI捕获需要发送导频符号，这会导致重要的开销。在本文中，提出了一种方法，其目标是确定一个适当的预编码器的知识，用户的位置。这种确定预编码器的方式被称为基于位置的波束成形。它允许减少或甚至消除对导频符号的需要，这取决于如何获得位置。所提出的方法以监督的方式学习从位置到预编码器的直接映射。它涉及具有基于随机傅立叶特征的特定结构的神经网络，允许学习包含高空间频率的函数。它是经验评估和现实的合成通道产生有前途的结果。与以前提出的方法相反，它允许处理视线（LOS）和非视线（NLOS）信道。
2021-12-29 cs.IT cs.LG cs.SI
AI-Empowered Hybrid MIMO Beamforming
本文综述AI辅助混合MIMO波束成形设计，梳理架构约束、传统优化与深度学习与深度展开方法，并通过数值与定性比较指出未来研究方向。
2023-03-03 cs.AI cs.IT eess.SP
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
Deep Joint Semantic Coding and Beamforming for Near-Space Airship-Borne Massive MIMO Network
School of Information and Electronics, Beijing Institute of Technology（北京理工大学信息与电子学院）；Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）；Tsinghua University（清华大学）；Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）；School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）；Aristotle University of Thessaloniki（亚里士多德大学）；Artificial Intelligence & Cyber Systems Research Center, Lebanese American University (LAU)（黎巴嫩美国大学人工智能与网络系统研究中心）；School of Electronics and Computer Science, University of Southampton（南安普顿大学电子与计算机科学学院）
针对近空间飞艇载通信网络传输效率低的问题，提出深度联合语义编码与波束成形方案，融合信源与信道语义设计物理层传输，显著提升了大规模MIMO图像传输性能。
2024-05-30 cs.IT cs.LG cs.MM
Deep Learning-Based CSI Feedback for Beamforming in Single- and Multi-cell Massive MIMO Systems
针对现有深度学习CSI反馈方法仅关注精度、忽略波束成形性能的问题，提出以最大化波束成形增益为目标的CsiFBnet框架，适配单/多小区场景，采用无监督训练，实现性能提升与复杂度降低。
2020-11-11 cs.IT math.IT
Deep-Unfolded Wideband ISAC Beamforming for DMA Under Frequency-Selective Lorentzian Model
Centre for Wireless Communications, University of Oulu（奥卢大学无线通信中心）
研究基于频率选择性洛伦兹响应模型的宽带ISAC系统，通过交替优化框架平衡通信用户和雷达目标性能，提出深度展开PGA架构，提升性能并加速收敛。
2026-07-07 cs.IT cs.SY eess.SP
Grassmannian Predictive Coding for Limited Feedback in Multiple Antenna Wireless Systems
有限反馈是无线系统中信道状态信息反馈的一种范例。在多天线无线系统中，有限反馈通常需要量化存在于格拉斯曼流形上的源。大多数关于有限反馈波束形成的工作都考虑了单次量化。然而，在无线系统中，信道在时间上是相关的，这可以用于减少反馈要求。不幸的是，传统的预测量化不包括格拉斯曼流形的非欧几里德结构。在本文中，我们提出了一个格拉斯曼预测编码算法，其中的微分几何结构的格拉斯曼流形是用来制定一个预测矢量量化编码器和解码器。我们分析了量化误差，并推导出所提出的算法达到的失真的界限。我们将该算法应用到多用户多输入多输出无线系统，并表明它提高了可实现的和速率的信道的时间相关性的增加。
2011-05-29 cs.IT math.IT
DRL-Based Joint Beamforming and Surface Shape Optimization for Flexible Intelligent Metasurface-Aided ISAC Systems
Shandong University（山东大学）；Northeastern University at Qinhuangdao（东北大学秦皇岛分校）；University of Electronic Science and Technology of China（电子科技大学）
针对柔性智能超表面辅助的集成感知与通信系统，提出基于深度确定性策略梯度的联合波束赋形矩阵与表面形状优化方法，在保证通信质量下最小化克拉美-罗界。
2026-07-02 cs.IT 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
