Machine-Learning-Aided TDD Massive MIMO Downlink Transmission for High-Mobility Multi-Antenna Users With Partial Uplink Channel State Information
Notice bibliographique
Résumé
Estimation of downlink (DL) channel state information (CSI) is necessary in massive multiple-input multiple-output (MIMO) systems to enable precoding and achieve high spectral efficiency. However, CSI estimation (for both the uplink (UL) and DL) is challenging in an environment with highly-mobile users due to rapidly-varying fading. The estimation becomes even more challenging when UL CSI is incomplete due to system constraints. In this work, we combine two machine learning techniques to tackle the twofold problem of predicting upcoming DL CSI from earlier UL CSI estimates and estimating full UL CSI from its incomplete form. For the first sub-problem, we employ long short-term memory (LSTM) to capture the spatio-temporal correlation between CSI at different time instances and user positions. For the second sub-problem, we use a conditional generative adversarial network (CGAN) to estimate the full UL CSI from varying amounts of incomplete CSI. We examine the normalized mean square error performance of the proposed CGAN-LSTM method and compare the spectral efficiency of the system with what is maximally achievable with complete up-to-date CSI. Furthermore, we extend our machine learning methodology to directly estimate precoding matrices from partial CSI and similarly compare the performance with that achievable using complete up-to-date CSI.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».