Robust Beamforming for Downlink 3D-MIMO Systems with $l_1$-norm Bounded CSI Uncertainty
提出了一种新的三维多输入多输出（3D-MIMO）系统中的鲁棒波束形成方案。作为大规模多输入多输出的典型部署之一，3D-MIMO系统在角域上具有稀疏信道。因此，各种稀疏信道估计算法产生稀疏信道估计误差，其可用于缩小不完美CSI的扰动区域。针对鲁棒波束形成问题，提出了一种$l_1$ -范数有界的信道不确定性模型，该模型充分考虑了信道误差的稀疏性.与传统的球形不确定性相比，我们证明了在相同的信干噪比（SINR）门限下，具有$l_1$范数有界不确定性的方案消耗更少的波束形成功率。该方案被转化为二阶锥规划（SOCP）和仿真结果验证了我们的算法的有效性。
2018-11-01 eess.SP
Impact of CSIR, SIC, and Hardware Impairments on the Ergodic Rate of Downlink RSMA
Khalifa University（哈利法大学）；Centre for Wireless Communications, University of Oulu（奥卢大学无线通信中心）
本文研究了实际干扰下RSMA下行通信系统的累积速率性能，推导了闭式表达式，揭示了CSIR、SIC和硬件损伤的联合影响，证明RSMA在公平性和速率上优于NOMA，强调了公平性与效率结合的重要性。
2026-04-20 eess.SP
Deep Learning-Based Joint Uplink-Downlink CSI Acquisition for Next-Generation Upper Mid-Band Systems
National Mobile Communications Research Laboratory, Southeast University（东南大学国家移动通信实验室）；Purple Mountain Laboratories（紫金山实验室）；Interdisciplinary Centre 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）
本文提出基于深度学习的联合上行-下行CSI采集框架，通过融合SRSs和CSI-RSs实现完整CSI重建，并利用Transformer-MLP和Mamba模型提升信道预测性能，降低计算复杂度。
2025-12-02 eess.SP
LPD-Aware Uplink CSI-based 5G NR Downlink Synchronization for Tactical Networks
针对5G NR下行同步信号易被窃听者探测的问题，本文提出利用上行CSI对同步信号进行面向战术UE的波束赋形，以降低探测概率并保持合法链路性能。
2024-06-14 eess.SP
FDD Massive MIMO Without CSI Feedback
发射机信道状态信息（CSIT）对于大规模多输入多输出（MIMO）系统提供的频谱效率增益是必不可少的。在频分复用（FDD）大规模MIMO系统中，通常通过下行链路信道估计和用户反馈来获取CSIT，但是随着天线数量的增加，用于每个用户的CSI训练和反馈的开销增加，导致频谱效率的降低。在本文中，我们表明，在FDD中使用上行链路导频，下行链路和频谱效率增益与完美的下行链路CSIT是可以实现的，当在基站的天线数量是无限的一些温和的信道条件下。该方法的核心思想是利用上下行信道的几何互易性，提出了基于上行导频的均方误差最优下行信道重构方法。我们还提出了一个强大的下行链路预编码方法利用重建的信道与误差协方差矩阵。我们的系统级仿真结果表明，我们提出的预编码方法可以达到可比的总和频谱效率迫零预编码与完美的下行链路CSIT，没有CSI训练和反馈。
2023-02-09 cs.IT eess.SP math.IT
Performance Analysis of HAPS-Assisted Downlink RSMA under Orthogonal and Full Frequency Reuse
University of Oulu（奥卢大学）
本文分析HAPS辅助下行RSMA的outage性能，推导闭式表达式，发现频率复用引入outage下限，为系统设计提供见解。
2026-09-16 eess.SP
ELM-based Superimposed CSI Feedback for FDD Massive MIMO System
在频分双工（FDD）大规模多输入多输出（MIMO）中，基于深度学习（DL）的叠加信道状态信息（CSI）反馈已经呈现出有希望的性能。然而，它仍然面临着许多挑战，如参数整定的高复杂度，大量的训练参数，和长的训练时间等，为了克服这些挑战，本文提出了一种基于极端学习机（ELM）的叠加CSI反馈，其中下行CSI扩频，然后叠加在上行用户数据序列（UL-US）反馈到基站（BS）。在BS处，构建基于ELM的网络以恢复下行链路CSI和UL-US两者。在所构造的基于ELM的网络中，我们使用简化版本的基于ELM的反馈来代替基于DL的叠加反馈的反馈，从而产生更少的训练参数。此外，每个基于ELM的子网的输入权重和隐藏偏差通过使用其全部或部分条目从相同的矩阵中加载，这显著地减少了存储需求。在下行CSI和UL-US的恢复性能相似或更好的情况下，所提出的基于ELM的方法比基于DL的叠加CSI反馈具有更少的训练参数、存储空间、离线训练和在线运行时间。
2020-03-12 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
Power Allocation for FDMA-URLLC Downlink with Random Channel Assignment
针对随机信道分配的频分多址下行链路超可靠低时延通信（URLLC），提出了一种轻量级的功率分配方法，在满足发射功率和用户可靠性约束的前提下，最大化URLLC用户数.在发射端提供理想的信道状态信息（CSIT）的情况下，所提出的方法被证明可以确保最大化URLLC用户。假设不完美的CSIT，所提出的方法仍然旨在最大限度地提高URLLC用户，而不损害个人用户的可靠性，通过使用一个悲观的评估信道增益。数值结果表明，该方法可以显着提高瑞利衰落信道中的用户容量和发射功率效率。在CSIT不完善的情况下，该方法仍然可以以有限的发射功率效率为代价提供显著的用户容量。
2022-08-04 eess.SP
Massive-MIMO MF Beamforming with or without Grouped STBC for Ultra-Reliable Single-Shot Transmission Using Aged CSIT
使用大规模发射天线来实现超可靠单次发射（URSST）的技术受到发射机侧信道知识（即，CSIT）缺陷。当衰落主要来自信道时变时，基于老化CSIT的一阶马尔可夫模型，研究了匹配滤波器（MF）发射波束形成的中断概率.在固定发射功率的情况下，发射机侧的瞬时信噪比（iSNR）的不确定性在数学上被表征。为了保证每个Single Shot的中断概率，提出了一种发射功率自适应方法，以满足悲观的iSNR要求，该iSNR要求是使用波束成形增益的Waveloff下界来预测的。我们的数值结果表明，显着的发射功率效率相比，功率控制方法使用其他下界。此外，MF波束形成和分组空时分组码（G-STBC）的组合方法，提出了进一步减轻CSIT的不确定性的不利影响。理论分析和计算机仿真结果表明，该组合方法可以在中断概率和时延之间取得较好的折衷，进一步提高系统的发射功率效率。
2021-10-06 eess.SP
On Performance of Energy Harvested Cooperative NOMA Under Imperfect CSI and Imperfect SIC
随着5G的到来和对节能的大规模连接的无线网络的需求，在这项工作中，我们考虑了一个基于能量收集（EH）的多中继下行协作非正交多址接入（NOMA）系统与实际的约束。基站在基于解码和转发的多个EH中继的帮助下为NOMA用户提供服务，其中中继从基站的无线电频率获取能量。通过使用部分中继选择协议从多个K-中继中选择中继。该系统被认为是在半双工模式下工作在一个广义的独立和相同的Nakagami $-m$衰落信道。在接收端信道状态信息（CSI）和连续干扰消除（SIC）不理想的假设下，推导了用户中断概率和各态历经率的闭式表达式。在理想CSI和理想SIC假设下，给出了两个用户的中断概率和遍历率的表达式。此外，还示出了中断概率的渐近表达式。通过Monte-Carlo模拟验证了推导的解析表达式。
2021-05-14 eess.SP
Deep Learning for Uplink CSI-based Downlink Precoding in FDD massive MIMO Evaluated on Indoor Measurements
当操作具有处于不同频率的上行链路（UL）和下行链路（DL）信道的大规模多输入多输出（MIMO）系统（频分双工（FDD）操作）时，用于下行链路预编码的信道状态信息（CSI）的获取是主要挑战。由于除了收发器损伤之外，UL和DL CSI两者都由发射器和接收器周围的物理环境确定，因此理所当然的是，对于静态环境，可以存在从UL CSI到DL CSI的映射。首先，我们建议使用各种基于神经网络（NN）的方法来学习这种映射，并使用经典的信号处理提供基线。其次，我们引入了一个计划来评估所有方法的泛化性能和质量，区分已知和以前看不见的物理位置。第三，我们评估所有的方法在一个真实世界的室内数据集收集32天线通道探测器。
2022-09-22 cs.IT eess.SP math.IT
Covert Communication with A Full-Duplex Receiver Based on Channel Distribution Information
在这项工作中，我们考虑一个系统的隐蔽通信的援助下，全双工（FD）接收机，以提高性能，在一个更现实的情况下，即，只有信道分布信息（CDI）而不是信道状态信息（CSI）为管理员所知。我们的工作表明，发送随机AN可以提高无限块长的隐蔽通信。具体来说，我们共同设计的最佳发射功率和AN功率，通过最小化的中断概率在鲍勃，我们发现，中断概率降低，然后增加的最大允许AN功率的增加。直觉上，一旦AN超过最佳值，由于自干扰，性能将变得更差。仿真结果还表明，CDI和CSI的性能行为是不同的。当Willie只知道CDI时，存在最优AN功率，使Bob的中断概率最小。然而，当Willie知道CSI时，中断概率随着AN功率单调减小。
2018-11-10 eess.SP
Codebook-Based Effective CSI Feedback for Precoding Design in MIMO Systems
Skylo Technologies Europe Oy；Centre for Wireless Communications, University of Oulu（奥卢大学无线通信中心）；Nokia（诺基亚）
针对多小区MIMO系统有限CSI反馈的预编码失配问题，提出ECSI反馈框架，通过UE合并后有效信道量化反馈，迭代优化预编码，实现平均总速率提升30%。
2026-09-24 eess.SP
CS-Based CSIT Estimation for Downlink Pilot Decontamination in Multi-Cell FDD Massive MIMO
用于频分双工（FDD）大规模MIMO的发射机处的有效信道状态信息（CSIT）可以促进其与现有FDD蜂窝网络的后向兼容。迄今为止，针对FDD单小区大规模MIMO系统提出了几种CSIT估计方案，但它们都没有考虑小区间干扰（ICI），并且在多小区情况下会受到下行导频污染的影响。为了解决这个问题，本文提出了一种基于压缩感知（CS）的CSIT估计方案，以对抗FDD多小区大规模MIMO系统中的ICI。具体而言，角域大规模MIMO信道在不同的子载波上表现出共同的稀疏性，并且这种稀疏性部分由相邻用户共享。通过利用这些稀疏特性，我们设计的导频信号和相关的信道估计算法的CS理论的框架下，其中与多个相邻的BS相关联的信道可以可靠地估计与低的训练开销的下行链路导频净化。仿真结果验证了所提出的解决方案的良好的下行链路导频去污性能相比，其传统的多小区FDD大规模MIMO。
2021-08-23 cs.IT eess.SP math.IT
Amplitude Prediction from Uplink to Downlink CSI against Receiver Distortion in FDD Systems
针对FDD系统中接收机失真导致的CSI幅度预测性能下降问题，提出基于轻量级神经网络的幅度预测方法，通过失真学习网络抑制失真并校准互易性，结合幅度预测网络实现下行CSI幅度预测，提高精度并降低延迟。
2023-08-31 cs.IT eess.SP math.IT
Spectral Efficiency Analysis in Downlink Massive MIMO System for Perfect CSI with Precoding
本文首先推导了零力（ZF）和最小均方误差（MMSE）下的频谱效率（SE）下限计算的数学表达式。其次，我们计算了ZF和MMSE预编码的三种算法的仿真SE。我们比较了仿真结果和理论结果，发现理论结果比仿真值小1到1.5比特，这意味着理论下限实际上是下限。为了在下行大规模多输入多输出系统中获得最大的频谱效率，本文假设了理想的CSI、ZF和MMSE预编码。我们还考虑了信道具有小尺度和大尺度衰落（SSF和LSF）的特性，因为该模型类似于实际。我们研究了不同信噪比、基站（M）和小区半径（R）对频谱效率的影响，得到了仿真和理论结果。我们还评估了每种算法和预编码方案在不同配置下的SE性能。从结果中，我们观察到，算法-1和ZF优于其他算法和MMSE。从我们的研究中，我们注意到，在大规模多输入多输出系统中，LSF参数是SE的最主要因素。
2019-02-13 eess.SP
CSI-GPT: Integrating Generative Pre-Trained Transformer with Federated-Tuning to Acquire Downlink Massive MIMO Channels
School of Information and Electronics, Beijing Institute of Technology（北京理工大学信息与电子学院）；King Abdulaziz University（阿卜杜勒阿齐兹国王大学）；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）；Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）
提出CSI-GPT方法，融合生成式预训练Transformer与联邦调优，实现低开销高效的下行大规模MIMO信道获取，并通过仿真验证其优势。
2024-09-14 cs.IT cs.LG eess.SP
A Scalable Deep Learning Framework for Multi-rate CSI Feedback under Variable Antenna Ports
发射端的信道状态信息（CSI）对于大规模多输入多输出下行链路系统实现高频谱和能量效率至关重要。现有的工作已经通过减少用户反馈开销和提高恢复准确度来提供用于eNB/gNB处的CSI反馈和恢复的深度学习架构。然而，现有的DL架构往往是不灵活的和不可扩展的，因为模型通常是根据针对给定压缩比的预设数量的天线来训练的。在这项工作中，我们开发了一个灵活的和可扩展的学习框架的基础上分而治之的方法（DCA）。这种新的DCA架构可以灵活地适应不同数量的3GPP天线端口和动态水平的反馈压缩。重要的是，它还通过允许UE反馈分段的下行链路CSI来显著降低计算复杂度和存储器大小。我们进一步提出了一种多速率连续卷积编码器，具有少于1000个参数。测试结果表明，优越的性能，良好的可扩展性，室内和室外信道的复杂性低。
2022-04-20 eess.SP
Deep Learning-Based CSI Feedback for RIS-Aided Massive MIMO Systems with Time Correlation
本文提出一种基于深度学习的CSI反馈压缩方案，利用长短期记忆网络和注意力机制学习时间相关性，以提升RIS辅助大规模MIMO系统中压缩CSI的恢复质量，仿真验证其性能优于现有方法。
2024-03-19 eess.SP
Spectral Efficiency and Energy Efficiency Tradeoff in Massive MIMO Downlink Transmission with Statistical CSIT
作为未来无线网络的关键技术，大规模多输入多输出（MIMO）技术可以显著提高能量效率（EE）和频谱效率（SE），其性能高度依赖于信道状态信息（CSI）的可用程度。虽然关于大规模多输入多输出的大多数现有工作集中在发射机处的瞬时CSI（CSIT）可用的情况下，但是获得精确的瞬时CSIT通常不是一件容易的任务。在本文中，我们研究EE-SE权衡单小区大规模多输入多输出下行链路传输与统计CSIT。为此，我们的目标是优化系统资源效率（RE），这是能够达到EE-SE平衡。首先给出了不同用户终端的最优发射协方差矩阵的特征向量的闭式解，表明波束域有利于在大规模多输入多输出下行链路中进行RE最优传输。基于这一认识，RE优化预编码设计被简化为一个实值功率分配问题。利用序贯优化和随机矩阵理论，我们进一步提出了一种低复杂度的次优两层注水结构功率分配算法。数值结果表明，所提出的统计CSI辅助RE优化方法的有效性和接近最优的性能。
2020-05-04 cs.IT eess.SP math.IT
Randomized Space-Time Stacked Intelligent Metasurfaces for Massive Multiuser Downlink Connectivity
University Federico II（那不勒斯费德里科二世大学）；Italian Aerospace Research Centre (CIRA)（意大利航空航天研究中心）；University of Sannio（桑尼奥大学）；University of Campania Luigi Vanvitelli（坎帕尼亚路易吉范维特利大学）
本文提出一种随机空间-时间堆叠智能超表面，通过引入随机时间变化提升多用户多样性，减少CSIT开销，实现高效下行连接。
2026-04-28 eess.SP
Energy-Efficient NOMA Multicasting System for 5G Cellular V2X Communications with Imperfect CSI
V2X（Vehicle-to-Everything）是一种现代车辆技术，可改善交通和通信中的传统车辆系统。V2X通信需要高能效和高可靠性的网络，因为大量的车辆连接和高移动性的无线信道。非正交多址接入（NOMA）是5G V2X服务的一种有前途的解决方案，旨在保证高可靠性、服务质量（QoS）配置和大规模连接需求。在V2X中，检查不完美的CSI是至关重要的，因为车辆的高移动性导致更多的信道估计不确定性。与现有文献不同，我们提出了节能路边单元（RSU）辅助NOMA多播系统的5G蜂窝V2X通信，并研究了节能功率分配问题。所提出的系统通过低复杂度的最优功率分配算法下的信道中断概率约束的车辆与不完美的CSI，车辆的QoS约束，和RSU的发射功率限制约束的信息组播。该问题具有信道中断概率约束，是一个非凸概率优化问题。这个问题是有效地解决了概率问题，通过松弛转换成一个非概率问题。
2020-09-08 eess.SP
Study on Downlink CSI compression: Are Neural Networks the Only Solution?
Indian Institute of Technology Madras（马德拉斯印度理工学院）
本文研究下行CSI压缩问题，提出使用PCA这一传统降维方法替代神经网络自动编码器，以规避模型复杂度、泛化及跨厂商兼容性挑战，仿真证明其重构性能与深度神经网络相当。
2025-02-10 cs.LG eess.SP
An Outage Probability Analysis of Full-Duplex NOMA in UAV Communications
由于无人机（UAV）预计将在第五代（5G）网络中发挥重要作用，解决UAV通信中的频谱稀缺问题仍然是一个紧迫的问题。在这方面，全双工非正交多址（FD-NOMA）无人机通信，以提高频谱利用率的可行性进行了研究。具体而言，封闭形式的中断概率表达式，提出了FD-NOMA，半双工非正交多址接入（HD-NOMA），和半双工正交多址接入（HD-OMA）计划在莱斯阴影衰落信道。广泛的分析表明，FD-NOMA的性能瓶颈是在下行无人机。此外，FD-NOMA表现出较低的中断概率在地面站（GS）和下行链路无人机比HD-NOMA和HD-OMA在低发射功率制度。在高发射功率状态下，FD-NOMA分别受到下行链路UAV和FD-GS处的残余SI和UAV间干扰的限制。阴影的影响也被证明会影响FD-NOMA和HD-OMA在下行链路无人机的可靠性。
2019-09-05 cs.IT eess.SP math.IT
Flexible Intelligent Metasurface for Downlink Communications under Statistical CSI
New York University Abu Dhabi（阿布扎比纽约大学）；NYU WIRELESS, NYU Tandon School of Engineering（纽约大学坦登工程学院）；University of Hertfordshire（赫特福德大学）；National Technical University of Athens（雅典国立技术大学）
本文提出了一种基于统计CSI的FIM优化算法，用于提升FIM辅助下行多用户通信系统的频谱效率。
2025-12-28 cs.IT eess.SP math.IT
Adversarial Training-Aided Time-Varying Channel Prediction for TDD/FDD Systems
针对时分双工/频分双工（TDD/FDD）系统，提出了一种基于条件生成对抗网络（CPcGAN）的时变信道预测方法。CPcGAN利用预测器来计算预测的下行链路信道状态信息（CSI）和在先前上行链路CSI的条件约束下的真实样本分布之间的偏差。CPcGAN的生成器学习条件约束和预测的下行链路CSI之间的函数关系，并减少预测的CSI和真实CSI之间的偏差。CPcGAN拟合数据分布的能力可以很好地捕捉信道的时变和多径特性。考虑到真实信道的传播特性，我们进一步发展了一个信道预测误差指标来判断发生器是否达到最佳状态。仿真结果表明，在相同的用户速率下，与现有方法相比，CPcGAN可以获得更高的预测精度和更低的系统误比特率。
2022-04-25 eess.SP
Downlink Precoding for FBMC-based Massive MIMO with Imperfect Channel Reciprocity
本文提出了一种实用的基于滤波器组多载波（FBMC）的大规模多输入多输出（MIMO）下行链路预编码方法。所提出的方法包括一个两阶段的预编码器组成的分数间隔预滤波器（FSP），每个子载波整平/均衡的信道在子载波频带，其次是一个传统的预编码器，其目标是集中在他们的空间位置的不同用户的信号。这样，每个用户只接收预期的信息。在本文中，我们注意到，由于上行链路和下行链路中的无线电链路的不匹配，信道互易性在实际场景中可能不完全成立。另外，基站处的信道状态信息（CSI）可能不是完全已知的。这与不完美的信道互易性一起可能导致对下行链路预编码器性能的不利影响。我们从理论上分析了所提出的预编码器的性能存在不完美的CSI和信道互易性校准误差。这导致补偿这些影响的有效方法。最后，我们数值评估所提出的预编码器的性能。我们的研究结果表明，建议的预编码器导致一个优秀的性能时，对OFDM基准。
2022-01-26 eess.SP
Outage Constrained Robust Transmission Design for IRS-aided Secure Communications with Direct Communication Links
针对含直接链路的 IRS 辅助安全通信，提出联合优化发射波束成形、AN 空间分布和 IRS 相移的中断约束鲁棒功率最小化算法。
2023-10-06 eess.SP
Integrated Sensing and Communications in Downlink FDD MIMO without CSI Feedback
针对FDD MIMO ISAC系统，提出利用部分互易性由上行训练重建下行CSI并以RSMA预编码优化频谱效率的无反馈框架。
2025-06-11 cs.IT eess.SP math.IT
Deep Learning based Antenna Selection and CSI Extrapolation in Massive MIMO Systems
大规模多输入多输出（MIMO）系统的一个关键瓶颈是下行传输所带来的巨大训练开销，如信道估计、下行波束形成和协方差观测。在本文中，我们提出使用少量天线的信道状态信息（CSI）来外推其他天线的CSI，并减少训练开销。具体来说，我们设计了一个深度神经网络，我们称之为天线域外推网络（ADEN），它可以利用天线之间的相关函数。然后，我们提出了一种基于深度学习（DL）的天线选择网络（ASN），可以选择有限的天线来优化外推，这通常是一种组合优化类型，很难解决。我们巧妙地设计了一个约束退化算法来生成离散天线选择向量的可微近似，从而可以保证神经网络的反向传播。数值结果表明，该算法优于传统的全连接算法，并且通过自学习算法学习的天线选择方案比通常使用的均匀选择方案有更好的性能。
2021-01-18 eess.SP
Deep Reinforcement Learning Based Joint Downlink Beamforming and RIS Configuration in RIS-aided MU-MISO Systems Under Hardware Impairments and Imperfect CSI
Bilkent University（比尔肯特大学）；KTH Royal Institute of Technology（KTH皇家理工学院）
我们引入了一种新的深度强化学习（DRL）方法，在多用户多输入单输出（MU-MISO）系统中联合优化发射波束成形和可重构智能表面（RIS）相移，以最大化相位相关反射幅度模型下的总下行链路速率。我们的方法解决了不完美的信道状态信息（CSI）和硬件损伤的挑战，考虑一个实际的RIS幅度模型。我们比较了我们的方法对香草DRL代理在两种情况下的性能：完美的CSI和相位相关的RIS幅度，和不匹配的CSI和理想的RIS反射。结果表明，该框架显着优于香草DRL代理下失配和接近黄金标准。我们的贡献包括修改DRL方法，以解决发射波束成形和相移和相位相关的幅度模型的联合设计。据我们所知，我们的方法是第一个基于DRL的方法，在RIS辅助MU-MISO系统中的相位相关反射振幅模型。我们在这项研究中的发现突出了我们的方法作为一个有前途的解决方案，以克服硬件损伤的RIS辅助无线通信系统的潜力。
2023-03-29 cs.LG cs.NI eess.SP
Deep Reinforcement Learning for Multi-user Massive MIMO with Channel Aging
针对非完美CSIT下多用户大规模MIMO波束赋形难题，提出多智能体DRL框架联合设计收发波束，三种方案性能优于对比策略且具备信道老化鲁棒性。
2023-07-13 eess.SP
Uplink-Downlink Duality and Precoding Strategies with Partial CSI in Cell-Free Wireless Networks
我们认为一个可扩展的以用户为中心的无线网络与动态集群的形成所定义的Björnsson和Sanguinetti。在已经示出了主导信道子空间信息对于上行链路（UL）导频净化的重要性并且已经在我们先前的工作中检查了不同的UL组合方案之后，在这里，我们研究用于下行链路（DL）的预编码策略。针对不同的天线分布、用户密度和UL导频尺寸，评估分布式可扩展DL预编码和功率分配方法。我们将分布式功率分配方法与基于特定形式的UL-DL二元性的方案进行比较，该方案可由中央处理器基于可用的部分信道状态信息来计算。新的对偶方法实现了UL和DL的几乎对称的“乐观遍历速率”，同时节省了相当大的计算复杂性，因为UL组合向量被重用为DL预编码器。
2022-01-17 cs.IT eess.SP math.IT
Secrecy Outage Probability Analysis for Downlink Untrusted NOMA Under Practical SIC Error
针对接收端不完美SIC导致残余干扰且用户不可信的下行NOMA系统，提出RI模型并推导两用户SOP解析表达式及高信噪比近似，数值验证了理论结果。
2023-08-17 cs.IT eess.SP math.IT
Outage Tradeoff Analysis in a Downlink Integrated Sensing and Communication Network
本文分析了下行链路MIMO通感一体化系统的随机性能，利用MRT波束成形器在感知与通信间共享资源，推导了用户速率与目标到达角估计CRLB的中断概率表达式，揭示了两者间的折中关系。
2023-05-24 cs.IT eess.SP math.IT
Uplink Assisted Joint Channel Estimation and CSI Feedback: An Approach Based on Deep Joint Source-Channel Coding
School of Electronic and Information Engineering, Beijing Jiaotong University（北京交通大学电子信息工程学院）
针对FDD MIMO系统中传统模块化CSI反馈架构的次优问题，提出上行辅助的联合信道估计与CSI反馈方法，采用DJSCC架构缓解悬崖效应，利用上下行信道部分互易性提升重建精度，实验验证了其有效性与必要性。
2025-04-15 cs.AI eess.SP
Deep Learning based Downlink Channel Prediction for FDD Massive MIMO System
在频分双工（FDD）大规模多输入多输出（MIMO）系统中，由于下行链路训练和上行链路反馈所需的巨大开销，在基站（BS）处获取下行链路信道状态信息（CSI）是非常具有挑战性的任务。在本文中，我们揭示了一个确定性的上行链路到下行链路的映射函数时，位置到信道的映射是双射。受通用近似定理的启发，我们提出了一个稀疏复值神经网络（SCNet）来近似上行链路到下行链路的映射函数。与在实域中运行的一般深度网络不同，SCNet是在复域中构建的，能够通过离线训练来学习复值映射函数。在训练之后，SCNet用于基于估计的上行链路CSI直接预测下行链路CSI，而不需要下行链路训练或上行链路反馈。数值结果表明，SCNet在预测精度方面比一般深度网络具有更好的性能，并在复杂的无线信道中表现出显着的鲁棒性，展示了其在实际部署中的巨大潜力。
2019-08-26 cs.IT eess.SP math.IT
Deep UL2DL: Channel Knowledge Transfer from Uplink to Downlink
Amirkabir University of Technology（阿米尔卡比尔理工大学）；California State University, Long Beach（加州州立大学长滩分校）
发射机侧的信道状态信息（CSI）的知识是可用于无线资源的有效分配的主要信息源之一。在频分双工（FDD）系统中从上行链路（UL）CSI获得下行链路（DL）CSI不像在TDD系统中那样直接。因此，用户通常将DL-CSI反馈给发射机。为了消除对反馈的需求（从而具有更少的信令开销），我们建议使用两种最近的深度神经网络结构，即，卷积神经网络和生成对抗网络（GANs），以通过观察UL-CSI来推断DL-CSI。我们的数据驱动方案的核心思想是利用DL和UL信道共享相同传播环境的事实。因此，我们从UL信道响应中提取环境信息到潜在域，然后从潜在域传输导出的环境信息以预测DL信道。为了克服不正确的潜在域和过度简单化的假设问题，在这项工作中，我们没有使用任何特定的参数模型，而是使用数据驱动的方法来发现数据的底层结构，而无需任何先验模型假设。为了克服捕获UL-DL联合分布的挑战，我们使用了具有改进收敛特性的GAN结构的基于均方误差的变体，称为边界平衡GAN（BEGAN）。为了训练和测试，我们使用了扩展车辆A（EVA）和扩展典型城市（ETU）模型的模拟数据。仿真结果表明，在FDD通信中，对于不同的多径环境，我们的方法可以准确地从上行CSI推断和预测下行CSI。
2019-12-01 cs.LG eess.SP stat.ML
Learning-Based Phase Compression and Quantization for Massive MIMO CSI Feedback with Magnitude-Aided Information
大规模MIMO无线FDD系统经常面临有效获取下行链路信道状态信息（CSI）的挑战。先前的工作已经证明了通过利用它们的CSI幅度之间的上行链路/下行链路互易性在CSI编码和恢复中的潜力。然而，这样的框架单独地编码CSI相位和幅度。为了改进CSI编码，我们提出了一个基于学习的框架，基于有限的CSI反馈和幅度辅助信息。超越以前的工作，我们提出的框架与修改后的损失函数，使端到端的学习，共同优化CSI幅度和相位恢复性能。仿真结果表明，该框架优于替代方法的相位恢复在室内和室外场景中的整体CSI恢复。
2021-12-17 cs.IT eess.SP math.IT
Learning Robust Beamforming for MISO Downlink Systems
Jeonbuk National University（国立全北大学）；Pukyong National University（釜庆国立大学）
研究了下行多用户系统中鲁棒波束形成优化的学习算法。基站（BS）识别有效的多天线传输策略，只有不完美的信道状态信息（CSI）和它的随机特性。为此，我们提出了一种鲁棒的训练算法，其中深度神经网络（DNN），它只接受完美CSI的估计和统计知识，被优化以适应现实世界的传播环境。因此，经过训练的DNN可以仅基于实际CSI的不完美观测来提供有效的鲁棒波束成形解决方案。数值结果验证了所提出的学习方法相比，传统的计划的优势。
2021-03-02 cs.IT cs.LG eess.SP
Deep Joint CSI Feedback and Multiuser Precoding for MIMO OFDM Systems
提出一种基于深度学习的联合CSI反馈与多用户预编码方法，利用深度联合信源信道编码压缩CSI特征向量并联合调整预编码方向与功率，显著提升了低信噪比与低反馈开销下的下行和速率。
2024-04-25 cs.IT eess.SP math.IT
CNN-based Analog CSI Feedback in FDD MIMO-OFDM Systems
Imperial College London（帝国理工学院）
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，CSI反馈开销降低了整体频谱效率。基于卷积神经网络（CNN）的CSI反馈压缩方案最近由于压缩效率的显著改进而受到很多关注;然而，它们仍然需要可靠的反馈链路来将压缩的CSI信息传送到BS。相反，我们在这里提出了一种基于CNN的模拟反馈方案，称为AnalogDeepCMC，它直接将下行链路CSI映射到上行链路信道输入。对应的噪声信道输出被另一个CNN用来重构DL信道估计。所提出的方案不仅在可实现的下行链路速率方面优于现有的数字CSI反馈方案，而且由于其不需要显式量化、编码和调制而简化了操作，并且提供了低延迟的替代方案，特别是在快速变化的MIMO信道中，其中CSI需要被周期性地估计和反馈。
2019-10-23 cs.IT cs.LG eess.SP
Improved SINR Approximation for Downlink RSMA-based Networks with Outdated Channel State Information
本文提出了一种改进的下行SDMA网络中基于过时CSIT的SINR近似方法，以提高多用户MIMO系统的性能分析精度。
2026-07-15 cs.IT eess.SP math.IT
Downlink Massive MU-MIMO with Successively-Regularized Zero Forcing Precoding
在这封信中，我们考虑下行链路大规模多用户（MU）多输入多输出（MIMO）系统的线性预编码。我们提出了一种新的逐次正则化迫零（SRZF）预编码，它利用连续的零空间的MIMO信道的用户，随着正则化，控制用户间干扰（IUI），并提高性能和鲁棒性不完善的信道状态信息（CSI）在基站（BS）。我们研究了所提出的SRZF预编码的IUI特性的完美和不完美的CSI在BS。此外，通过计算机模拟，我们比较了SRZF预编码的总和速率与几个基线方案，包括传统的和正则化迫零（ZF）预编码。我们的仿真结果表明，对于大规模MIMO系统与用户间的信道相关性，所提出的SRZF预编码显着优于所考虑的基线方案在BS的完美和不完美的CSI。
2022-10-29 cs.IT eess.SP math.IT
Combining Reciprocity and CSI Feedback in MIMO Systems
基于互易性的时分双工（TDD）大规模MIMO（多输入多输出）系统利用在上行链路中获得的信道估计来在下行链路中执行预编码。然而，在信道估计不足以在空间上分离多个用户终端的意义上，由于信道估计质量不足，在低上行链路参考信号信噪比下，该方法被批评为崩溃。相反，基于码本的下行链路预编码已经被提倡作为替代解决方案，以便绕过这个问题。我们分析这个问题，考虑一个“网格的光束世界”有限数量的可能的下行链路信道实现。假设终端可以准确地检测到下行链路信道，我们表明，在互易性的情况下，仔细设计的下行链路信道和上行链路参考信号之间的映射将执行比传统的TDD大规模MIMO和频分双工（FDD）大规模MIMO的方法。我们得出优雅的度量设计这个映射，并进一步，我们提出了算法，找到良好的序列映射。
2022-06-10 cs.IT eess.SP math.IT
Downlink Extrapolation for FDD Multiple Antenna Systems Through Neural Network Using Extracted Uplink Path Gains
当基站（BS）部署有多个天线时，它们需要具有下行链路（DL）信道状态信息（CSI）以通过波束成形来优化下行链路传输。DL CSI通常通过DL训练在移动站（MS）处被测量，并且在频分复用（FDD）中被反馈给BS。当信道由于MS的高速而快速改变时，DL训练和上行链路（UL）反馈可能由于不充分的相干时间间隔而变得不可行。在没有来自MS的反馈的情况下，即使在FDD中，BS也可以使用UL和DL信道的固有关系直接获得DL CSI，这被称为DL外推。尽管确切的关系将是高度非线性的，但是先前的研究已经表明，神经网络（NN）可以用于在BS处根据UL CSI来估计DL CSI。在这条研究线上的大多数先前的工作使用全维UL和DL信道训练NN;然而，NN训练复杂度随着BS处的天线数量的增加而变得严重。为了降低训练复杂度，提高下行信道状态信息估计质量，提出了一种简化神经网络输入输出的下行外推方法。通过许多测量活动表明，UL和DL信道仍然共享共同的分量，如FDD中的路径延迟和角度。所提出的技术首先从UL和DL信道中提取这些公共系数，并且仅使用路径增益来训练NN，路径增益取决于频带，与完整的UL和DL信道相比具有减少的维度。大量的仿真结果表明，所提出的技术优于传统的方法，它依赖于完整的UL和DL信道训练神经网络，而不管MS的速度。
2020-04-03 cs.IT eess.SP math.IT
Deep Transfer Learning Based Downlink Channel Prediction for FDD Massive MIMO Systems
State Key Lab of Intelligent Technologies and Systems（智能技术与系统国家重点实验室）；Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）；Department of Automation, Tsinghua University（清华大学自动化系）；State Key Laboratory of Rail Traffic Control and Safety, Beijing Jiaotong University（北京交通大学轨道交通控制与安全国家重点实验室）
基于人工智能的频分复用（FDD）大规模多输入多输出（MIMO）系统下行链路信道状态信息（CSI）预测近年来受到广泛关注。然而，现有的工作集中在下行链路CSI预测的用户在给定的环境下，很难适应用户在新的环境中，特别是当标记的数据是有限的。为了解决这个问题，我们将下行链路信道预测公式化为深度迁移学习（DTL）问题，其中每个学习任务旨在针对一个单一环境从上行链路CSI预测下行链路CSI。具体来说，我们开发了基于全连接神经网络架构的直接传输算法，其中网络以经典深度学习的方式对来自所有先前环境的数据进行训练，然后针对新环境进行微调。为了进一步提高传输效率，我们提出了Meta学习算法，该算法通过交替进行任务内和跨任务更新来训练网络，然后适应具有少量标记数据的新环境。仿真结果表明，直接迁移算法的性能优于深度学习算法，表明迁移学习有利于新环境下的下行信道预测。此外，Meta学习算法在预测精度和稳定性方面均明显优于直接传递算法，验证了其有效性和优越性。
2020-09-07 cs.IT cs.LG eess.SP
Predicting Future CSI Feedback For Highly-Mobile Massive MIMO Systems
大规模多输入多输出（MIMO）系统在提供前所未有的高数据率方面具有广阔的应用前景。为了实现其全部潜力，收发器需要完整的信道状态信息（CSI）来执行发送/接收预编码/组合。然而，由于不可避免的处理和反馈延迟，这一要求在实际系统中是具有挑战性的，这通常会在很大程度上降低性能，特别是在高移动性场景中。在本文中，我们开发了一个基于深度学习的信道预测框架，该框架基于过去观察到的信道序列主动预测下行链路信道状态信息。在其核心，该模型采用基于3-D卷积神经网络（CNN）的架构，以有效地学习下行链路信道样本的时间，空间和频率相关性，基于此可以执行准确的信道预测。仿真结果突出了潜在的开发的学习模型提取信息和预测未来的下行链路信道直接从观察到的过去的信道序列，这显着提高了性能相比，采样和保持的方法，并减轻了动态通信环境的影响。
2022-02-05 cs.IT eess.SP math.IT
Secure Energy Efficiency: Power Allocation and Outage Analysis for SWIPT-in-DAS based IoT
在本文中，我们研究了基于分布式天线系统（DAS）的物联网网络中同时进行无线信息和功率传输（SWIPT）的安全能效（SEE）。我们考虑一个系统，其中合法用户（鲍勃）和窃听者（夏娃）有功率分配（PS）接收器，同时解码信息和收获能量从接收到的信号。当信道状态信息（CSI）是已知的在发送端，我们分析了能量收集窃听（EHE）的最大化系统的SEE的效果。其次，考虑到理想的CSI在实际中很难实现的事实，我们用SEE的中断概率来表征系统性能。对于给定的SWIPT在DAS设置，我们推导出封闭形式的表达式SEE的中断概率，并与数值结果的帮助下，我们研究了发射功率电平，分布式天线（DA）端口的数量和设备的PS比的影响。据我们所知，这是第一次尝试定义SWIPT-在DAS的SEE的中断概率。
2021-03-23 cs.IT eess.SP math.IT
Robust Movable-Antenna Position Optimization with Imperfect CSI for MISO Systems
本文研究不完美CSI下MISO可移动天线系统的鲁棒位置优化，针对范数有界和随机分布两类误差分别推导最坏情况与非中断接收功率的闭式结果，证明最大比传输最优性，并用图算法求解最优MA位置。
2025-05-11 cs.IT eess.SP math.IT
Robust Beamforming for Downlink Multi-Cell Systems: A Bilevel Optimization Perspective
本文针对多小区多用户MISO下行系统中有界CSI误差下的最坏情况WSR最大化问题，提出双层优化建模及基于割平面法的集中式与分布式波束成形算法。
2024-01-21 cs.IT eess.SP math.IT
Deep Learning Based Successive Interference Cancellation for the Non-Orthogonal Downlink
非正交通信在未来的无线通信系统中将发挥重要作用。在下行链路传输中，数据符号从基站广播到不同的用户，这些数据符号以不同的功率叠加，以促进使用连续干扰消除（SIC）的高完整性检测。然而，SIC需要信道模型和信道状态信息（CSI）两者的准确知识，这可能难以获取。我们提出了一种称为SICNet的深度学习辅助SIC检测器，它用深度神经网络（DNN）代替SIC的干扰消除块。解释一下，SICNet联合训练其内部DNN辅助块，以数据驱动的方式推断表示干扰符号的软信息，而不是像经典SIC那样使用硬判决解码器。结果，SICNet可靠地检测非正交系统的下行链路中的叠加符号，而不需要信道模型的任何先验知识，同时比其基于模型的对应物对CSI不确定性不太敏感。SICNet对用户数量和功率分配的变化也是鲁棒的。此外，SICNet学习产生准确的软输出，与基于模型的SIC相比，这有助于改进软输入纠错解码。最后，我们提出了一种在线训练方法SICNet块衰落下，它利用信道解码准确地恢复在线数据标签进行再训练，因此，允许它平滑地跟踪衰落包络，而不需要专用的导频。我们的数值结果表明，SICNet的性能接近经典SIC下完美的CSI，而在现实的CSI不确定性优于它。
2022-07-29 cs.IT eess.SP math.IT
Performance Enhancement of Hybrid SWIPT Protocol for Cooperative NOMA Downlink Transmission
结合时间分割和功率分割，提出了一种基于混合同步无线信息和功率传输（SWIPT）的协作非正交多址接入（hocMA）协议。hocMA系统的小区中心用户作为中继，以提高小区边缘用户（CEU）的可靠性。SWIPT被视为授权继电器操作，以避免电池耗尽问题。为了提高系统性能的遍历和容量（ESC）和中断概率（OP）方面，hocMA策略和混合SWIPT协议的下行链路（DL）传输的集成。为了提高hocMA下行传输的性能，提出了一种改进的混合SWIPT协议。此外，最大比合并被用作在CEU的分集合并技术，以提高性能以及。所提出的协议的性能检查遍历和容量，中断概率和能源效率。最后，通过Monte-Carlo模拟验证了分析结果。数值结果表明，该协议与有效的hocMA策略相比，具有更好的性能HS-hocMA与选择合并。
2019-06-21 cs.NI eess.SP
