LMMSE Receivers in Uplink Massive MIMO Systems With Correlated Rician Fading
PulseAugur coverage of LMMSE Receivers in Uplink Massive MIMO Systems With Correlated Rician Fading — every cluster mentioning LMMSE Receivers in Uplink Massive MIMO Systems With Correlated Rician Fading across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新型深度学习接收机EqDeepRx提升MIMO系统性能
研究人员开发了EqDeepRx，这是一种新颖的深度学习辅助MIMO系统接收机，旨在提高可扩展性并减少干扰。这种新的接收机架构包含一个共享权重的DetectorNN，该模块独立处理每个空间流，从而在复用阶数增加时实现近乎线性的复杂度扩展。EqDeepRx还采用了一个轻量级的DenoiseNN进行频域平滑，通过保留传统的信道估计来增强可解释性和泛化能力。仿真表明，EqDeepRx在各种信道条件下，在误码率和频谱效率方面均优于传统基线，同时…
-
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T…
-
新的UPADNet方法利用相位信息增强图像去模糊
研究人员开发了一种新颖的图像去模糊技术UPADNet，该技术利用相位信息和幅度信息来改善细节恢复。该方法使用线性最小均方误差（LMMSE）估计器来估计相位和幅度，然后进行迭代优化算法。网络参数进行端到端训练，在GoPro和RealBlur等数据集上的实验表明，UPADNet的性能优于现有的深度网络，尤其是在高噪声或训练数据有限的情况下。