.png){kind=icon}
返回
Generative Diffusion Model Driven Massive Random Access in Massive MIMO Systems
.png){kind=icon}
PRE
AI
DOI：10.1109/TWC.2025.3636585.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大尺度随机接入是下一代无线通信系统中实现超大规模连接的重要技术。它旨在解决初始接入阶段的关键挑战，包括活跃用户检测（AUD）、信道估计（CE）和数据检测（DD）。本文研究了大规模多输入多输出（MIMO）系统中的大规模接入问题，其中使用深度学习技术来应对具有挑战性的AUD、CE和DD功能。首先，我们介绍了一种针对变导频长度的接入设计的Transformer-AUD方案。该方法将导频长度信息和空间相关模块集成到基于Transformer的检测器中，使单一模型能够泛化到不同的导频长度和天线数量。接下来，我们提出了一种由生成扩散模型（GDM）驱动的迭代式CE和DD框架。GDM采用分数函数来捕获大规模MIMO信道和数据符号的后验分布。分数函数的一部分通过神经网络从信道数据集中学习得到，而剩余的分数分量则通过应用符号先验星座分布和已知的传输模型以封闭形式推导得出。利用这些后验分数，我们设计了一种异步交替的CE和DD框架，该框架采用预测-校正采样技术，在反向扩散过程中迭代生成信道估计和数据检测结果。仿真结果表明，我们提出的方法在AUD、CE和DD方面显著优于基线方法。
Keyword:
Deep learning
massive MIMO
massive random access
transformer
generative models
期刊
IF:
10.7
论文数:
1.3W
被引数:
5.3W
机构
引用论文
Quasi-Synchronous Random Access for Massive MIMO-Based LEO Satellite Constellations基于大规模MIMO的LEO卫星星座准同步随机接入
OAAI
OAAI分享收藏Joint Channel Estimation and Data Detection in Massive Mimo Systems Based on Diffusion Models.png)
ICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
ICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
PREAI
分享收藏
查看更多内容