Channel state information
PulseAugur coverage of Channel state information — every cluster mentioning Channel state information across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
GNNs and score-based models enhance wireless beamforming with better CSI
Researchers have developed a novel approach for robust hybrid beamforming in wireless communications by leveraging Graph Neural Networks (GNNs) and score-based generative models. This method aims to improve the accuracy…
-
新的CSI框架增强了机器学习的数据选择
研究人员推出了一种新的数据选择框架——Complement Submodular Information (CSI)，该框架考虑了所选数据与剩余数据之间的关系。此方法旨在改进训练/验证/测试拆分和鲁棒子集选择等应用中的选择质量。CSI目标在实证测试中表现出卓越的性能，增强了语义结构的保持并减少了噪声，从而提高了下游预测精度。
-
新的TADA框架解决了JPEG隐写分析中的不匹配问题
研究人员开发了一个名为TADA的新框架，以应对JPEG隐写分析中封面源不匹配（CSM）的挑战。当在特定数据集上训练的隐写分析模型在经过未知处理流程处理的图像上表现不佳时，就会发生CSM。TADA利用数据自适应技术，通过一个小的、无标签的数据集来模拟未知的处理技术，从而提高鲁棒性和泛化能力。
-
新的AMAR框架使用Wi-Fi CSI进行多用户活动识别
研究人员开发了AMAR，一个新颖的、基于注意力的框架，用于使用Wi-Fi信道状态信息（CSI）同时识别多种人类活动。该系统通过将活动识别构建为集合预测问题，解决了多用户环境中CSI模式重叠的挑战。AMAR采用基于Transformer的架构，具有用于活动检测的专用查询嵌入，并采用边缘-云分离设计以减少带宽需求，与现有方法相比，在预测准确性和占用率估计误差方面取得了显著改进。
-
新的SAMoE-C方法通过场景自适应专家改进了基于CSI的HAR
研究人员开发了一种名为场景自适应专家混合与聚类专家（SAMoE-C）的新方法，以改进使用信道状态信息（CSI）的人类活动识别。该方法通过一个基于注意力机制的语义路由器来激活仅相关的专家，从而解决了CSI系统在遇到不同物理环境时性能下降的问题，实现了场景特定的自适应。该系统还利用最小重放缓冲区来提高训练稳定性，并与现有的持续学习解决方案相比，显著降低了推理成本。
-
新框架采用自适应学习实现基于AoA的室外定位
研究人员开发了一个用于基于到达角（AoA）的室外定位的自适应框架，这对于智能交通和智慧城市等应用至关重要。该框架提供了两种学习策略：一种用于使用分层离线学习的大型数据集，另一种用于使用在线和少样本学习技术的小型数据集。该方法旨在逐步实现高精度和鲁棒的定位，减少对大量数据收集的需求。
-
Adaptive 3D-RoPE 通过物理对齐的位置编码增强无线基础模型
研究人员开发了 Adaptive 3D-RoPE，一种新颖的位置编码方法，旨在提高无线基础模型的性能。该新方法通过引入一个可学习的、轴解耦的 3D 频率库和一个条件化信道的控制器，与无线信道的物理特性保持一致。实验表明，在天线尺度外推方面，归一化均方误差最多可降低 10.7 dB，在尺度外推和零样本泛化方面取得了显著的改进。
-
新的WiFi跌倒检测系统利用AI适应未知环境
研究人员开发了一种使用WiFi信道状态信息（CSI）的无设备跌倒检测新框架。该系统采用注意力增强的CNN-Transformer混合架构，以克服在未知环境中性能下降的问题。它利用物理驱动的动态方差门（DVG）来过滤静态背景噪声并放大人体运动，以及物理感知的数据增强和卷积块注意力模块（CBAM）来改进特征细化。该方法在跨域评估中取得了高精度，并成功部署在边缘计算系统上，实现了连续、低延迟的监控。
-
Null-Space Flow Matching 改进 MIMO 信道估计延迟
研究人员开发了一个名为 Null-Space Flow Matching (FM) 的新框架，以改进 MIMO 通信系统中的信道状态信息 (CSI) 获取。该方法通过将问题分解为范围空间重建和零空间生成，解决了低延迟精确 CSI 估计的挑战。FM 框架仅优化零空间分量，从而在保持具有竞争力的准确性的同时缩短了推理时间。