计算机科学 > 信息论
[提交于 2023年2月2日
]
标题: 基于深度学习的预测波束成形设计
标题: Deep Learning Based Predictive Beamforming Design
摘要: 本文研究了深度学习技术,仅基于历史信道数据而非当前信道信息来预测发射波束成形,在多用户多输入单输出下行链路中。这将显著减少信道估计开销,并提高频谱效率,特别是在高速移动的车辆通信中。具体而言,我们提出了一种联合学习框架,结合信道预测和功率优化,并直接生成发射波束成形的预测。此外,我们提出在长短期记忆循环神经网络中使用注意力机制以提高信道预测的准确性。使用简单自回归过程模型和更现实的3GPP空间信道模型进行的仿真结果验证了我们的预测波束成形方案相比传统信道估计和先预测信道再优化波束成形的方法可以显著提高有效频谱效率。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.