为应对大规模多输入多输出(Multiple⁃input multiple⁃output,MIMO)系统中信道状态信息(Channel state information,CSI)反馈开销的日益增长,基于深度学习的CSI反馈网络(如Transformer网络)受到了广泛的关注,是一种非常有应用前景的智能...为应对大规模多输入多输出(Multiple⁃input multiple⁃output,MIMO)系统中信道状态信息(Channel state information,CSI)反馈开销的日益增长,基于深度学习的CSI反馈网络(如Transformer网络)受到了广泛的关注,是一种非常有应用前景的智能传输技术。为此,本文提出了一种基于数据聚类的CSI反馈Transformer网络的简化方法,采用基于聚类的近似矩阵乘法(Approximate matrix multiplication,AMM)技术,以降低反馈过程中Transformer网络的计算复杂度。本文主要对Transformer网络的全连接层计算(等效为矩阵乘法),应用乘积量化(Product quantization,PQ)和MADDNESS等简化方法,分析了它们对计算复杂度和系统性能的影响,并针对神经网络数据的特点进行了算法优化。仿真结果表明,在适当的参数调整下,基于MADDNESS方法的CSI反馈网络性能接近精确矩阵乘法方法,同时可大幅降低计算复杂度。展开更多
针对现有电动汽车电池状态估计方法存在运算效率低和估算准确率低的问题,提出一种模型以估算电动汽车电池荷电状态(state of charge,SOC)和健康状态(state of health,SOH)。采用堆叠降噪自编码器(stacked denosing auto encoder,SDAE)...针对现有电动汽车电池状态估计方法存在运算效率低和估算准确率低的问题,提出一种模型以估算电动汽车电池荷电状态(state of charge,SOC)和健康状态(state of health,SOH)。采用堆叠降噪自编码器(stacked denosing auto encoder,SDAE)清洗电压、电流和温度数据中的异常数据和空缺数据,减小对估算精度的影响。引入动态通道剪枝(dynamical channel pruning,DCP)技术对Informer模型进行稀疏化处理,提高剪枝后模型的性能和稳定性。将清洗过的数据输入DCPInformer模型实现SOC和SOH的精确估计。实验结果表明,所提出的SDAE-DCPInformer模型估计SOC的平均绝对误差和均方根误差分别达到0.25%和0.38%,估计SOH的平均绝对误差和均方根误差分别达到了0.51%和0.64%。与传统Transformer等模型相比,所提模型预测SOC和SOH的速度更快,估算准确度有效提升,拥有的更好稳定性和泛化性。展开更多
在设备到设备通信的车联网场景(Vehicle to Everything-Device to Device,V2X-D2D)下,信道的快速时变会导致基站(Base Station,BS)端通常无法获取完美信道状态信息(Channel State Information,CSI).为解决现有频谱分配方案不适用于V2X-...在设备到设备通信的车联网场景(Vehicle to Everything-Device to Device,V2X-D2D)下,信道的快速时变会导致基站(Base Station,BS)端通常无法获取完美信道状态信息(Channel State Information,CSI).为解决现有频谱分配方案不适用于V2X-D2D场景的问题,考虑车对车(Vehicle-to-Vehicle,V2V)链路可靠性、最大发射功率、频谱复用的约束,建立V2X的场景模型与通信模型.明确了在满足V2V链路可靠性的前提下,最大化车与基础设施(Vehicle to Infrastructure,V2I)链路的遍历容量的优化目标;在考虑信道快速时变影响的情况下,推导V2V链路的中断概率、V2I链路遍历容量的闭式表达式;针对一对一模式和一对多模式下的频谱分配问题,分别提出基于改进匈牙利算法的快速频谱分配方案和基于图着色-偏好列表的频谱分配方案.仿真结果表明:与现有算法相比,基于改进匈牙利算法的快速频谱分配方案接入率更高、复杂度更低,基于图着色-偏好列表的频谱分配方案也具有接入率、频谱利用率高的优势.展开更多
信道状态信息(Channel State Information,CSI)反馈是大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统的一个关键问题。大规模MIMO系统中基站天线数量巨大,CSI反馈出现了反馈开销大、反馈精度低等问题。为了降低反馈开销...信道状态信息(Channel State Information,CSI)反馈是大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统的一个关键问题。大规模MIMO系统中基站天线数量巨大,CSI反馈出现了反馈开销大、反馈精度低等问题。为了降低反馈开销,提高反馈精度,采用深度学习方法,提出了一种基于特征融合的CSI反馈网络(Feature Fusion Net,FFNet)。利用基于注意力机制的特征融合在编码器中融合不同尺度的CSI特征,并在解码器中使用多通道多分辨率卷积网络以及通道重排,从而高精度地重建压缩后的CSI。仿真结果表明,与几种经典的深度学习CSI反馈方法相比,在室内和室外信道条件下,均具有更高的反馈精度。展开更多
This paper considers an intelligent reflecting surface(IRS)-assisted multiple-input multiple-output(MIMO)system.To maximize the average achievable rate(AAR)under outdated channel state information(CSI),we propose a tw...This paper considers an intelligent reflecting surface(IRS)-assisted multiple-input multiple-output(MIMO)system.To maximize the average achievable rate(AAR)under outdated channel state information(CSI),we propose a twin-timescale passive beamforming(PBF)and power allocation protocol which can reduce the IRS configuration and training overhead.Specifi-cally,the short-timescale power allocation is designed with the outdated precoder and fixed PBF.A new particle swarm opti-mization(PSO)-based long-timescale PBF optimization is pro-posed,where mini-batch channel samples are utilized to update the fitness function.Finally,simulation results demonstrate the effectiveness of the proposed method.展开更多
随着人们对人数统计需求的不断增长,基于信道状态信息(channel state information,CSI)的人流量监测技术因其易于部署、保护隐私和适用性强等优势而备受关注.然而,在现有的人流量监测工作中,人数识别的准确率容易受到人群密集程度的影响...随着人们对人数统计需求的不断增长,基于信道状态信息(channel state information,CSI)的人流量监测技术因其易于部署、保护隐私和适用性强等优势而备受关注.然而,在现有的人流量监测工作中,人数识别的准确率容易受到人群密集程度的影响.为了保证监测精度,通常只能在人群稀疏的情况下进行监测,这导致了基于CSI的人流量监测技术缺乏实用性.为了解决这一问题,提出了一种能够识别连续性人流的监测方法.该方法首先利用解卷绕和线性相位校正算法,对原始数据进行相位补偿并消除随机相位偏移;然后通过标准差和方差提取连续性人流数据中的有效数据包;最后将时域上的相位差信息作为特征信号输入到深度学习的CLDNN(convolutional,long short-term memory,deep neural network)中进行人数识别.经过实验测试,该方法在前后排行人距离不小于1 m的情况下,分别实现了室外96.7%和室内94.1%的准确率,优于现有的人流量监测方法.展开更多
文摘针对现有电动汽车电池状态估计方法存在运算效率低和估算准确率低的问题,提出一种模型以估算电动汽车电池荷电状态(state of charge,SOC)和健康状态(state of health,SOH)。采用堆叠降噪自编码器(stacked denosing auto encoder,SDAE)清洗电压、电流和温度数据中的异常数据和空缺数据,减小对估算精度的影响。引入动态通道剪枝(dynamical channel pruning,DCP)技术对Informer模型进行稀疏化处理,提高剪枝后模型的性能和稳定性。将清洗过的数据输入DCPInformer模型实现SOC和SOH的精确估计。实验结果表明,所提出的SDAE-DCPInformer模型估计SOC的平均绝对误差和均方根误差分别达到0.25%和0.38%,估计SOH的平均绝对误差和均方根误差分别达到了0.51%和0.64%。与传统Transformer等模型相比,所提模型预测SOC和SOH的速度更快,估算准确度有效提升,拥有的更好稳定性和泛化性。
文摘在设备到设备通信的车联网场景(Vehicle to Everything-Device to Device,V2X-D2D)下,信道的快速时变会导致基站(Base Station,BS)端通常无法获取完美信道状态信息(Channel State Information,CSI).为解决现有频谱分配方案不适用于V2X-D2D场景的问题,考虑车对车(Vehicle-to-Vehicle,V2V)链路可靠性、最大发射功率、频谱复用的约束,建立V2X的场景模型与通信模型.明确了在满足V2V链路可靠性的前提下,最大化车与基础设施(Vehicle to Infrastructure,V2I)链路的遍历容量的优化目标;在考虑信道快速时变影响的情况下,推导V2V链路的中断概率、V2I链路遍历容量的闭式表达式;针对一对一模式和一对多模式下的频谱分配问题,分别提出基于改进匈牙利算法的快速频谱分配方案和基于图着色-偏好列表的频谱分配方案.仿真结果表明:与现有算法相比,基于改进匈牙利算法的快速频谱分配方案接入率更高、复杂度更低,基于图着色-偏好列表的频谱分配方案也具有接入率、频谱利用率高的优势.
基金supported by the National Natural Science Foundation of China(62271068)the Beijing Natural Science Foundation(L222046).
文摘This paper considers an intelligent reflecting surface(IRS)-assisted multiple-input multiple-output(MIMO)system.To maximize the average achievable rate(AAR)under outdated channel state information(CSI),we propose a twin-timescale passive beamforming(PBF)and power allocation protocol which can reduce the IRS configuration and training overhead.Specifi-cally,the short-timescale power allocation is designed with the outdated precoder and fixed PBF.A new particle swarm opti-mization(PSO)-based long-timescale PBF optimization is pro-posed,where mini-batch channel samples are utilized to update the fitness function.Finally,simulation results demonstrate the effectiveness of the proposed method.
