.png){kind=icon}
返回
Deep Learning-Assisted Multicast Subgrouping in Massive MIMO
.png){kind=icon}
OA
AI
DOI：10.1109/ojcoms.2026.3716137.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在大规模多输入多输出（mMIMO）多播中，高效内容分发从根本上受到导频开销和以共同传输速率服务异构用户的限制。传统方法要么受导频污染影响，要么受最差用户效应约束，这促使需要自适应子分组策略。本文提出了一种深度学习辅助的多播子分组框架，该框架直接从用户的空域信道统计量推断多播子组的数量。通过对用户协方差矩阵应用特定快照的主成分分析（PCA）来获得紧凑表示，该表示由能够处理可变大小用户集的序列长短期记忆（LSTM）编码器处理。该模型预测子组数量并根据统计相似性对用户进行分组。为进一步提高系统性能，我们引入了一种迁移学习（TL）扩展，其中重用预训练的LSTM编码器并通过微调轻量级密集头将子组配置作为函数来估计总频谱效率（SE）。这使得无需穷举搜索即可选择近最优子分组方案。仿真结果表明，所提出的方法始终优于基准方法，包括单播传输、传统多播、随机子分组和基于密度的聚类。迁移学习增强模型在保持不同空域用户分布和协方差信息不完美情况下的鲁棒性能的同时，可实现高达85%的最大可实现频谱效率。
Keyword:
Massive MIMO
multicasting
subgrouping
deep learning
long short-term memory
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
I
IF:
6.1
论文数:
562
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏Multiple Residual Dense Networks for Reconfigurable Intelligent Surfaces Cascaded Channel Estimation多残差密集网络可重构智能面级联信道估计
OAAI
OAAI分享收藏
查看更多内容