.png){kind=icon}
返回
Dictionary Learning for Phase-Less Beam Alignment Codebook Design in Multipath Channels
.png){kind=icon}
PRE
AI
DOI：10.1109/TMLCN.2026.3653010.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
毫米波和亚太赫兹频段无线网络中，大规模天线阵列对可靠性和高数据率至关重要。传统模拟相控阵的初始波束对齐方法，其波束对齐开销随阵列规模线性增长，而压缩感知（CS）和机器学习（ML）算法可实现对数级缩放。CS和ML方法通常采用伪随机或启发式波束设计作为压缩码本，但这些码本在存在不确定阵列损伤或多径场景下可能非最优，尤其在相位缺失或基于功率的测量中表现不佳。本研究提出一种新型字典学习方法，针对多径和未知损伤统计下的相位缺失波束对齐设计码本。该码本学习算法采用块坐标下降的交替优化更新码本，并通过多径和损伤的蒙特卡洛试验融入硬件和环境先验知识。此外，讨论了码本设计算法的工程考量，包括三种损失函数和三种波束对齐算法的比较。作为三种波束对齐方法之一，提出基于迁移学习的ML波束对齐以减少ML模型和码本学习的训练时间。实验表明，码本学习和本研究的ML波束对齐算法能显著降低波束对齐开销，即所需测量次数。
Keyword:
Antenna arrays
Phased arrays
Machine learning
Arrays
Matching pursuit algorithms
Machine learning algorithms
Artificial neural networks
Optimization
Hardware
Training
Beam alignment
codebook optimization
compressive sensing
dictionary learning
machine learning
meta-learning
millimeter-wave communication
phased arrays
transfer learning
期刊
I
机构
引用论文
分享收藏
Dictionary-Learning (DL)-Based Sparse CSI Estimation in Multiuser Terahertz (THz) Hybrid MIMO Systems Under Hardware Impairments and Beam-Squint Effect.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏
查看更多内容