.png){kind=icon}
返回
CSI-based beamforming and localization for massive MIMO using deep learning
.png){kind=icon}
OA
AI
DOI：10.23919/JCN.2025.000099.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在6G技术中，集成感知与通信（ISAC）是一种新兴方法，通过实现同时感知任务来提高通信效率。本文利用深度学习的多任务能力来优化波束成形选择和用户定位。采用卷积神经网络（CNN）从信道状态信息（CSI）数据中提取特征，然后通过全连接神经网络进行处理，以识别最优波束成形配置并估计用户位置。引入加权损失函数以平衡各任务的重要性，确保模型有效优先其目标。实验结果表明，所提出的模型在64根天线下实现了高达78.2%的Top-1波束成形分类精度和99.21%的Top-3精度，同时将定位误差降低至2.11米。与传统单任务模型相比，本方法将分类精度提高最多7%，并将定位误差降低最多81%。本研究突显了多任务学习在提升ISAC能力方面的潜力，并为6G系统中的实际部署提供了宝贵见解。
Keyword:
Beamforming
convolutional neural network (CNN)
integrated sensing and communication (ISAC)
localization
loss weight
massive multi-input multioutput (MIMO)
