分享6篇关于大规模MIMO的计算机专业论文

今天分享的是关于大规模MIMO的6篇计算机毕业论文范文, 如果你的论文涉及到大规模MIMO等主题,本文能够帮助到你

基于深度学习的大规模MIMO系统的信道状态信息反馈研究

这是一篇关于深度学习,压缩感知,大规模MIMO,信道状态信息反馈的论文, 主要内容为无线通信网络以及移动通信技术的快速发展促进了人们生活质量的快速提升,其中,第五代(The 5th Generation,5G)移动通信技术的发展目标应该是在能保障通信用户数据传输质量的同时提高数据的传输速率和安全性能,大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)无线通信系统及相关技术成为了人们关注的热门研究内容。近年来,深度学习技术在电信领域中的广泛应用带动了智慧通讯的发展,同时可以为解决大规模MIMO无线通信系统的信道反馈问题带来全新的解决办法。一些现有的信道反馈研究通过利用传统的压缩感知相关理论及算法在一定程度上可以保证反馈的实现,但具有计算开销高、执行速度慢等弊端。深度学习通过构建不同的神经网络结构来对训练数据进行特征提取,通过对数据规律进行拟合,可以实现对神经网络输入输出的映射关系构建。因此,在对大规模MIMO无线通信的研究中,基于压缩感知算法的启发和深度学习方法的优势,本文将无线通信领域与深度学习领域相结合,从智能通信的角度出发,针对下行链路的信道反馈展开学习和讨论。本文主要的研究内容有以下两点:1.从深度学习的角度出发,针对在大规模MIMO无线通信系统中的CSI反馈方案,在CSI矩阵的维度压缩方面达到了相当程度的反馈精度和反馈效果,但没有考虑对维度压缩后的码字进行相应的量化反馈。因此,本文在对原始信道矩阵进行了维度层面的压缩之后,还考虑了在实际通信系统中的传输问题,所以提出的CSI反馈方案CQ-Csi Net对压缩之后的码字向量进行了相关的量化操作。CQ-Csi Net反馈方案首先通过扩展卷积层感受野增强对原始CSI信号的特征提取,并加入了多尺度特征融合,使得CQ-Csi Net反馈方案在保证了一定感受野的前提下又得到了多尺度的特征信息,从而实现CSI维度压缩的目的。为了进一步提高反馈性能,增加了量化等相关操作,使CQ-Csi Net反馈方式更适合实际系统存储传输要求。当进行CSI重建时,可以通过在解码器的设计中加入注意力机制使得CSI矩阵得到在不同的特征图通道上的权重,进一步利用了CSI的特征信息。通过实验证明了CQ-Csi Net反馈在室内和室外均有着良好的CSI反馈精度和鲁棒性,即使在不同的反馈比特和量化比特的设置下也可以确保良好的CSI反馈性能。2.基于深度学习的CSI反馈研究在CSI的反馈精度和重构效率等方面都有不同程度的优化,但是在深度神经网络中,提取数据特征是由不同网络层之间的神经元自主完成的,缺乏了对具体任务的可解释性。基于上述考虑,本文在使用深度神经网络的基础上,提出了CSI反馈方案ISTA-Csi Net。深度模型的网络参数会在训练的过程中实现不断的更新,这是一个近似迭代的流程,于此同时,结合传统压缩感知算法的可解释性,ISTA-Csi Net反馈方案可以通过构建不同的深度网络来实现对CSI的压缩重构。通过端到端的训练途径,本文提出的ISTA-Csi Net反馈方案对进行CSI压缩重构的神经网络的参数进行自动的迭代更新,其中还引入了压缩感知算法中的测量矩阵对原始的CSI矩阵进行压缩重构,以实现对CSI相关数据特征的提取,从而提高压缩CSI的效率。通过实验说明了,在进行模型构造时,本文提出的ISTA-Csi Net反馈方案可以有效地进行CSI的压缩重构,同时也进一步在反馈方案的可解释性方面做出了改进。

大规模MIMO系统智能信道状态信息反馈研究

这是一篇关于大规模MIMO,信道状态信息,深度学习,注意力机制,非局部神经网络的论文, 主要内容为相比于传统多输入多输出(Multiple-Input Multiple-Output,MIMO)技术,大规模MIMO拥有多种优势,如频谱利用率高,系统容量大等,但是这些都以基站能够获取准确的下行信道状态信息(Channel State Information,CSI)为前提。而在频分双工(Frequency Division Duplex,FDD)模式中上下行链路不再具有互易性,因此基站只能通过反馈获得准确的下行链路CSI,但在大规模MIMO系统中基站处通常部署了大量的天线,使得CSI反馈开销急剧增大,造成通信系统性能下降,因此如何降低CSI反馈开销是FDD模式大规模MIMO系统研究的热点问题之一。近年来深度学习技术快速发展并被应用到多种行业中,并且其表现出了比传统技术更好的性能。同时,深度学习技术在实施的过程中,只对输入数据做简单的矩阵乘法和加法,没有复杂的运算操作,这给研究大规模MIMO系统低开销高精度的CSI反馈方法提供了新思路,基于此,本文对如何将深度学习技术与大规模MIMO系统CSI反馈结合进行了研究,旨在降低大规模MIMO系统CSI反馈开销并提高CSI恢复精度。本文主要的工作如下:(1)介绍了大规模MIMO技术演进过程,拥有的优势以及实施过程中面临的挑战,在此基础上引出了大规模MIMO系统模型并阐述了信道特性,接着介绍了常用来进行CSI反馈的方法,包括码本方法,压缩感知方法以及深度学习方法。为后续的研究奠定了基础。(2)针对现有CSI反馈方法数据恢复精度低的问题,提出了一种基于注意力机制的CSI反馈方法。所提方法在用户端采用卷积神经网络(Convolutional Neural Network,CNN)对信道特征进行提取,接着使用全连接神经网络(Fully Connected Neural Network,FCNN)对提取的特征进行压缩;在基站端先将接收到的数据恢复到原始大小,然后使用CNN对信道数据进行预测恢复,为了提高CSI恢复的精度,利用空间注意力机制对重要特征进行恢复以及通道注意力机制获得不同通道数据的权重。最后仿真结果表明,相比于传统方法以及Csi Net方法,所提方法具有更好的反馈性能。(3)研究了大规模MIMO系统信道的空间相关性以及针对现有基于深度学习的CSI反馈方法提取特征不够完善,提出了一种基于非局部神经网络的CSI反馈方法。为了增大网络的感受野,所提方法在数据压缩阶段采用扩张卷积神经网络(Dilated Convolutional Neural Network,DCNN)对特征进行提取,该网络能够在不增加计算复杂度情况下扩大网络的感受野获取更多的信道特征;在CSI恢复过程中,利用大规模MIMO信道的空间相关性,使用非局部神经网络获得远程依赖信息,提高CSI重构精度。仿真结果表明,所提方法与传统方法以及Csi Net方法相比,能够进一步提升CSI反馈性能。

大规模MIMO系统智能信道状态信息反馈研究

基于压缩感知和深度学习的FDD大规模MIMO CSI获取算法研究

这是一篇关于大规模MIMO,信道状态信息,压缩感知,深度学习的论文, 主要内容为大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)作为第五代(Fifth Generation,5G)移动通信关键技术之一,凭借高频谱效率和能量效率受到了广泛关注和研究。为实现大规模MIMO系统的性能增益,基站端(Base Station,BS)需要获得准确的下行链路信道状态信息(Channel State Information,CSI)。在频分双工(Frequency Division Duplex,FDD)制式下,需要通过用户先估计CSI后再将其反馈回基站的方式来获取CSI。然而大规模MIMO系统中巨大的天线数量不仅使得现有CSI获取算法的复杂度增加,同时也增加了导频与反馈开销。为解决该问题,本文利用压缩感知和深度学习技术进行CSI的获取,主要完成了以下两项工作:针对FDD大规模MIMO系统中,将CSI从用户反馈回基站时造成反馈开销巨大的问题,本文根据大规模MIMO信道在角度时延域的稀疏特性,提出了一种基于压缩感知和深度学习的CSI反馈方案。首先将用户端获得的空频域下的CSI变换到稀疏域,即角度时延域,得到新的稀疏信道矩阵。利用压缩感知技术,将稀疏信道矩阵进行任意比例的压缩,然后将得到的不同压缩比下的测量值反馈回基站,从而得以减少反馈量。同时设计了一种基于深度学习技术的CSI重建网络模型,Re Net,在基站端通过Re Net完成CSI的重建。仿真结果表明,与当前基于压缩感知和基于深度学习的经典算法相比,本文所提的算法充分降低了CSI反馈时的开销,保证并提升了CSI重建的准确度,同时降低了重建计算复杂度。针对FDD大规模MIMO时变信道下,由于CSI快速过时进一步导致CSI获取更加困难的问题,本文设计了基于压缩感知和深度学习技术的CSI估计方案。建立了多天线基站和单天线设备间通信的OFDM时变系统模型,分析了大规模MIMO信道在时延域的结构化稀疏特性,并设计了自适应结构化正交匹配追踪(Adaptive structured-Joint Orthogonal Matching Pursuit,AS-JOMP)和深度神经网络架构联合信道估计算法。首先提出了AS-JOMP算法并对其重建性能进行理论分析,然后提出两个基于深度学习的优化模型,Dn Net网络和Dn LSTM网络来进一步优化CSI估计结果。仿真结果表明,与传统方法相比,本文所提的联合算法在减小导频和反馈开销的同时,也降低了计算复杂度,提升了重建性能。综上,本文研究了基于压缩感知和深度学习的大规模MIMO CSI获取的方案,所提方案可以有效减小信道估计和反馈过程中的开销,同时也保证和提升了获取到的CSI的准确度。

大规模MIMO系统下基于模型压缩与深度展开的CSI反馈研究

这是一篇关于大规模MIMO,CSI,模型压缩,深度展开,时间差分的论文, 主要内容为作为第五代移动通信(5th Generation,5G)关键技术之一的大规模多输入多输出(Multiple Input Multiple Output,MIMO)技术因在能量效率和频谱效率等方面表现出的诸多优势而受到学术界和工业界广泛的关注。由于大规模MIMO系统中基站天线数量巨大,基站为了精确地获取下行信道状态信息(Channel State Information,CSI)将造成极大系统开销,这也限制了频分双工(Frequency Division Duplex,FDD)模式下5G系统的实际应用。因此,如何以较低系统开销实现高精度CSI反馈成为FDD模式大规模MIMO系统亟待解决的瓶颈问题之一。近年来,深度学习的广泛应用为大规模MIMO系统的CSI反馈问题提供了新的解决思路,智能通信也成为未来移动通信技术发展的新方向。然而,深度学习与无线通信的有机融合目前尚处于探索阶段。现有基于深度学习的CSI反馈方法仍存在模型开销较大、重构精度不高和数学可解释性差等问题,这阻碍了其在大规模MIMO系统中的实际应用。有鉴于此,本文针对现有研究工作存在的问题,综合利用模型压缩技术和具有数学可解释性的压缩感知理论,对基于深度学习的大规模MIMO系统的CSI反馈问题展开研究。具体而言,主要工作如下:(1)分析与叙述了大规模MIMO系统以及两类常见CSI反馈方法。本文首先对大规模MIMO系统模型和信道特性进行了详细分析;随后探讨了基于压缩感知技术的CSI反馈方法,包括对压缩感知理论的分析和经典压缩感知算法的概述;最后阐述了基于深度学习的CSI反馈方法,包括神经元、常见神经网络结构工作原理,基于深度学习的CSI反馈模型。(2)研究了基于模型压缩的自编码器CSI反馈方法。本文针对现有自编码器模型的CSI反馈方法依然存在模型复杂度较高和CSI重构精度较低的问题,首先依据卷积神经网络(Convolutional Neural Network,CNN)的卷积核分解与重组理论,使用新型CNN结构,以降低模型参数量;其次使用更大的卷积核增加网络的感受野,以提高CSI重构精度;实现对现有自编码器模型的改进,并将网络命名为RM-Net。随后为了进一步提高模型的性能,寻找现有模型的最优极限,利用网络蒸馏理论和Hints训练模式,以RM-Net为基准,设计其学生模型RMStu Net,实现模型压缩。系统仿真结果表明,与现有代表性CSI反馈算法相比,所提RMNet与RMStu Net具有更高的CSI重构精度,且RMStu Net的模型参数量更低,从而验证所提算法的优势。(3)研究了基于时间相关性的深度展开CSI反馈方法。本文针对现有基于深度学习的CSI反馈方法可解释性差,CSI重构精度依然较低的问题,首先利用压缩感知理论的数学可解释性,对快速迭代收缩阈值算法(Fast Iterative ShrinkageThresholding Algorithm,FISTA)进行深度展开,设计了FISTA-Net。接着对CSI矩阵的时间相关性进行分析,提出基于时间相关性的CSI差分反馈模型。最后综合以上理论,提出基于时间相关性的深度展开CSI差分反馈网络TD-FISTA-Net。系统仿真结果表明,与现有代表性CSI反馈算法相比,所提TD-FISTA-Net具有更高的CSI重构精度,且具有更强的数学可解释性,从而验证所提算法的可行性和有效性。