.png){kind=icon}
返回
Demonstrating Interoperable Channel State Feedback Compression With Machine Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/MWC.2025.3630622.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于神经网络的信道状态反馈压缩与解压缩已成为无线网络中机器学习（ML）应用研究最广泛的领域之一。各种基于仿真的研究已表明，基于ML的反馈压缩能够减少开销并提高信道信息的准确性。然而，据我们所知，目前尚无实际案例证明在用户设备（UE）和基站无法访问对方ML模型的实际场景中，基于ML的信道反馈压缩的优势。本文提出了一种在保密方式下训练可互操作的压缩与解压缩ML模型的新方法，并利用原型UE和基站验证了所获模型的准确性。基于ML的信道反馈性能在信道信息重建精度和利用该信息进行波束赋形时获得的下行链路吞吐量增益两方面进行了测量。报告的测量结果证明，可以在无需设备与网络供应商共享ML模型的情况下开发出准确的基于ML的信道反馈链路。这些结果为基于ML的信道反馈在商用6G网络中的实际部署奠定了基础。
Keyword:
Decoding
Accuracy
Image coding
Array signal processing
Throughput
Precoding
Autoencoders
Transformers
Neural networks
Channel estimation
State feedback
期刊
IF:
11.5
论文数:
2.8K
被引数:
1.3W
机构
引用论文
Machine Learning for 5G/B5G Mobile and Wireless Communications: Potential, Limitations, and Future Directions5g/B5G移动和无线通信的机器学习: 潜力、限制和未来方向.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Convolutional Neural Network-Based Multiple-Rate Compressive Sensing for Massive MIMO CSI Feedback: Design, Simulation, and Analysis基于卷积神经网络的大规模MIMO CSI反馈多速率压缩感知: 设计、仿真与分析OAAI
OAAI分享收藏分享收藏An image is worth 16 × 16 words: transformers for image recognition at scale一幅图像值16 × 16个字: 用于大规模图像识别的变压器
OAAI
IF0
OAAI分享收藏Machine Learning Codebook Design for Initial Access and CSI Type-II Feedback in Sub-6-GHz 5G NR
PREAI
分享收藏分享收藏
查看更多内容