新的ICL框架增强了MU-MISO系统中的波束形成

研究人员开发了一个先进的上下文学习（ICL）框架，用于增强多用户多输入单输出（MU-MISO）系统中的基于导频的波束形成。该框架集成了ICL-Transformer骨干网络与导频和波束形成器编码器-解码器网络，使其能够在不重新训练的情况下适应各种信道模型。关键创新包括用于更平滑收敛的课程学习策略、用于动态上下文数据集精炼的自演进机制，以及绕过显式信道校准的失配感知扩展。仿真结果表明，该方法通过快速适应已知和未知信道模型，优于包括基于Transformer的方法和WMMSE基准在内的现有波束形成方案。 AI

影响 这项研究可能带来更高效、更自适应的无线通信系统波束形成技术。

排序理由 该集群包含一篇详细介绍特定领域新技术方法的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.AI 阅读 →

• arXiv
• beamformer EDN
• Curriculum learning
• Few-shot learning
• ICL-Transformer
• LMMSE Receivers in Uplink Massive MIMO Systems With Correlated Rician Fading
• MU-MISO
• pilot encoder-decoder network
• Transformer++
• WMMSE

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →