Deep Learning Based Channel Estimation for MIMO Systems With Received SNR Feedback
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Channel estimation with received signal-to-noise ratio (SNR) feedback is promising and effective for practical wireless multiple-input multiple-output (MIMO) systems. In this paper, we investigate the channel estimation problem for the MIMO system with received SNR feedback, of which goal is to estimate the MIMO channel coefficients at a transmitter based on the received SNR feedback information from a receiver in the sense of minimizing the mean square error (MSE) of the channel estimation. For analysis, we consider two very common and widely adopted scenarios of fading: (i) quasi-static block fading and (ii) time-varying fading. In both fading scenarios, it is generally challenging to analytically tackle the channel estimation problem due to its nonlinearity and nonconvexity. To intelligently and effectively address this issue, deep learning is exploited in this paper. First, in the quasi-static block fading scenario, we propose a novel learning scheme for joint channel estimation and pilot signal design by constructing a deep autoencoder via a convolutional neural network (CNN). Also, in the time-varying fading scenario, a novel channel estimation scheme is developed by connecting a recurrent neural network (RNN) to a CNN. Moreover, in both fading scenarios, we present new and effective ways to train the proposed schemes using generative adversarial networks (GANs) to address the practical issue of a limited number of actual channel samples (i.e., real-world data) required for training. Through extensive numerical simulations, we demonstrate effectiveness and superior performance of the proposed schemes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle