检索结果-南通市图书馆

基于稀疏贝叶斯学习的可重构超表面辅助通信信道外推技术

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于稀疏贝叶斯学习的可重构超表面辅助通信信道外推技术

作者：徐晓雯西安电子科技大学

学位级别：硕士

可重构超表面(Reconfigurable Intelligent Surface,RIS)是一项革命性新技术,可以有效提升通信网络效率。通过独立调整每个可重构无源元件的电气特性,RIS技术可以实现自适应地控制无线电磁环境,从而以较低的硬件成本和能源消耗,提升无... 详细信息

可重构超表面(Reconfigurable Intelligent Surface,RIS)是一项革命性新技术,可以有效提升通信网络效率。通过独立调整每个可重构无源元件的电气特性,RIS技术可以实现自适应地控制无线电磁环境,从而以较低的硬件成本和能源消耗,提升无线通信信号的传输质量。为了充分发挥RIS在无线通信系统的强大能力,有必要获取精确的RIS信道状态信息。然而,RIS通常配置大量反射单元,这导致RIS信道尺寸巨大。因此,较高的导频开销是目前RIS信道获取所面临的严峻挑战。本文围绕RIS辅助通信系统的信道获取问题,研究了基于稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)的信道外推方案,旨在以较低的导频开销估计高精度RIS信道。具体地:针对RIS辅助通信系统下信道获取难题,利用RIS信道之间的强相关性和多域稀疏特性,以信道外推为核心思路,以基于SBL的稀疏张量恢复算法为主要手段,实现从部分RIS信道外推至全部RIS信道,克服高维RIS信道获取的高开销、高复杂度瓶颈。具体地,首先,通过关闭部分RIS反射单元,构建从部分信道观测中获取全部信道的信道外推问题。然后,执行基于SBL的稀疏恢复方案,利用稀疏信道和多径参数间对应关系,提取RIS信道多径参数,并完成信道重构。特别地,本文将传统向量-矩阵系统的SBL推广至张量系统,构建促稀疏的未知变量先验分布,用低维超参数有效捕获信道张量的多域稀疏性,采用低复杂度迭代算法求解超参数。最后,仿真结果表明,从算法收敛速度、导频开销以及信道获取精度的角度,本文所提出的信道外推方案能有效解决RIS信道获取问题。针对RIS信道外推性能界定问题,通过推导信道多径参数的Fisher信息,基于RIS信道估计的克拉美罗下界,量化RIS信道外推方案性能和理论性能极限之间的差距,重点关注信道压缩策略在信道外推方案中的关键性作用,明确其对RIS信道外推性能界的影响,进而为优化RIS信道外推方案提供可行方向。一方面,针对导频子载波上的信道,探究RIS信道的空间域外推性能界限。另一方面,针对正交频分复用场景下用户的所有子载波信道获取需求,探究RIS信道的空间-频率域联合外推性能界限。在数值仿真中,首先,证明本文所采取的信道压缩策略的有效性;然后,通过改变信道空间域和频域采样因子,直观分析空间域和频域信道压缩策略对外推性能界的影响;最后,通过和对应的信道外推性能的克拉美罗下界对比,再次验证了基于SBL的信道外推方案性能的优越性。

关键词：可重构超表面信道获取稀疏贝叶斯学习信道外推张量克拉美罗下界

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

RIS辅助MIMO通信信道外推技术研究

移动通信 2023年第11期47卷 75-79页

作者：杨锦龚婷婷张顺西安电子科技大学陕西西安710071

RIS辅助MIMO通过部署大量无源反射单元,主动调控电磁波,实现无线环境可编程新范式。利用此优势的关键为高精度RIS信道获取。同时发挥RIS的电磁调控能力,利用部分RIS信道同全部RIS信道之间的确定性映射关系,提出实用的RIS信道外推框架。... 详细信息

RIS辅助MIMO通过部署大量无源反射单元,主动调控电磁波,实现无线环境可编程新范式。利用此优势的关键为高精度RIS信道获取。同时发挥RIS的电磁调控能力,利用部分RIS信道同全部RIS信道之间的确定性映射关系,提出实用的RIS信道外推框架。首先,基于电磁传播理论,拓展电磁空间重构机理,解释信道外推可行性,精准表征RIS链路电磁特性。其次,探寻电磁散射参数集合同部分RIS信道的耦合机理。以此为基础,给出基于贝叶斯统计推断和深度学习的RIS辅助MIMO信道外推方案。这些技术将极大降低信道训练开销,为RIS辅助MIMO实用化提供理论依据和技术支撑。

关键词： RIS MIMO 电磁传播理论贝叶斯统计推断信道外推

基于混合智能超表面的信道外推及反射相移优化方案研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于混合智能超表面的信道外推及反射相移优化方案研究

作者：赵斌山东师范大学

学位级别：硕士

随着移动通信网络和无线通信系统的发展,特别是第五代移动通信技术(The Fifth Generation Mobile Communication Technology,5G)网络的快速部署,数据驱动、即时通信、超大容量且无处不在的无线智能连接等高性能传输需求,为第六代移动通... 详细信息

随着移动通信网络和无线通信系统的发展,特别是第五代移动通信技术(The Fifth Generation Mobile Communication Technology,5G)网络的快速部署,数据驱动、即时通信、超大容量且无处不在的无线智能连接等高性能传输需求,为第六代移动通信技术(The Sixth Generation Mobile Communication Technology,6G)的系统设计带来了更加巨大的挑战,也为信息传输技术理论研究和产业升级带来了新的机遇。为了解决未来无线通信面临各种挑战,可重构智能超表面(Reconfigurable Intelligent Surfaces,RIS)通过改变电磁信号的传播路径来提升无线信号的传输质量,打破了传统无线通信系统的限制,为未来的移动通信网络带来了新的范式。RIS具有高灵活性、低热噪声、可编程性和易于部署等独特优势,使其成为智能无线通信和可重构无线电环境的关键推动者。在RIS辅助的通信系统中,信道信息/数据获取和基于此开展的RIS反射相移优化设计是两个重要的研究问题。随着人工智能(Artificial Intelligence,AI)技术的发展,深度学习(Deep Learning,DL)使能RIS的优化设计变得至关重要。近年来,深度神经网络(Deep Neural Network,DNN)在辅助通信系统设计中效果显著,已开始在RIS辅助的无线通信系统优化与设计中展示出巨大潜力,其核心思想是用基于DNN技术解决RIS通信中的信道估计和反射相移优化设计等问题,从而获得比传统技术更高的系统效率。本论文主要研究基于多层感知器(MultiLayer Perception,MLP)的RIS反射相移设计和RIS辅助通信系统中基于Transformer的信道外推,主要研究工作如下:(1)提出了一种联合压缩感知和深度学习的RIS反射相移设计方案。本文提出了一种基于压缩感知(Compressive Sensing,CS)的多层感知器网络CSMLPNet,利用了CS的重构能力和MLP强大的学习能力,实现RIS反射相移的优化设计,提升了基于RIS辅助通信系统的传输性能和能量效率。CS-MLPNet包括两个关键模块:压缩感知重构模块(Compressed Sensing Reconfiguration Module,CSRM)和多层感知器预测模块(Multi-Layer Perception Module,MLPM)。其中,CSRM在主成分分析技术(Principal Component Analysis,PCA)的辅助下,利用CS从部分主动RIS单元处获取的信道状态信息(Channel State Information,CSI)中外推出到所有RIS单元的CSI,从而降低了CSI的获取成本。随后,MLPM基于信道重构结果,通过MLP设计最优RIS反射相移。仿真结果表明,CS-MLPNet可以在较少主动RIS单元的情况下设计出最优的RIS反射相移,能够达到已知信道条件下的传输性能,并且网络性能稳定。(2)设计了一种基于深度学习的信道外推网络。基于CS的信道获取存在弊端,为进一步提升信道获取的精度,本文设计了混合RIS辅助无线通信系统中基于Transformer的信道外推网络TCEN。TCEN以部分主动RIS单元处获取的稀疏CSI为输入,以收发端到所有RIS单元的全部CSI为外推目标,寻求部分CSI与整体CSI之间的映射关系。TCEN运用了Transformer全局特征信息传递的思想,将在主动RIS单元处得到的稀疏CSI进行编码,基于稀疏CSI的编码数据特征,结合Transformer中编码器-解码器部分,外推出到所有RIS单元的全部CSI,实现了以较少数据生成完整信道数据的目标,大大节约了内存消耗和计算资源。仿真结果证明,与CS信道重构方法相比,TCEN有更好的鲁棒性。

关键词：智能超表面反射相移信道外推多层感知器深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

可重构超表面辅助通信中的智能信道获取

可重构超表面辅助通信中的智能信道获取

作者：章顺波西安电子科技大学

学位级别：硕士

可重构超表面,亦称可重构智能表面(Reconfigurable Intelligent Surface,RIS),因其能通过调整相移来智能地反射信号,实现未来网络的高速率和大覆盖,已被认为是后5G和6G网络中一项革命性的技术。RIS辅助通信系统的性能增益很大程度上取... 详细信息

可重构超表面,亦称可重构智能表面(Reconfigurable Intelligent Surface,RIS),因其能通过调整相移来智能地反射信号,实现未来网络的高速率和大覆盖,已被认为是后5G和6G网络中一项革命性的技术。RIS辅助通信系统的性能增益很大程度上取决于信道获取的准确性和高效性,然而,RIS上部署的大量反射单元给传统基于数学模型的信道获取算法的应用带来了极大的挑战。深度学习作为一种基于数据驱动的创新性技术给无线通信中问题的解决提供了新的视角。本文针对RIS辅助通信系统中大量反射单元给信道获取带来的算法复杂度高和开销大的问题,以部分有源式RIS辅助通信和全无源式RIS辅助通信中的信道获取为主要研究内容,分别提出了基于深度学习的部分有源式RIS和全无源式RIS辅助通信系统信道外推方案。具体工作如下:在部分有源式RIS辅助通信系统中,为了设计RIS反射波束赋形,需要在RIS端获取准确的单跳信道。由于在全无源模式下的RIS缺乏信号处理的能力,这是一项具有挑战性的任务。本文在RIS端给少部分反射单元增加了信号处理单元来获取部分信道,并将其外推到全信道,其中这些有源信号处理单元的选择是一个关键问题,但到目前为止还没有被解决。本文构造了一个有源单元选择网络,利用概率采样理论来选择这些有源单元的最优位置。在这个有源单元选择网络的基础上,本文进一步设计了两种基于深度学习的方案,即信道外推方案和波束搜索方案。前者利用选择网络和卷积神经网络从部分信道外推至全信道,后者采用选择网络和前馈神经网络实现部分信道到对应最大传输速率的最优波束赋形向量的直接映射。仿真结果表明,本文所提出的最优单元选择策略优于普通的均匀选择策略,且波束搜索方案的性能比有源单元数量较少时的信道外推方案更稳定。此外,针对全无源式RIS辅助通信系统中无法获取单跳信道的问题,本文进一步考虑了级联信道的获取。由于RIS上拥有大量的无源反射单元,这亦是一个极具挑战的任务。为了减少信道获取的导频开销,本文采用了单元分组策略,其中同一分组中的每个单元共享相同的反射系数。在此基础上,本文进一步分析了由单元分组策略引起的信道干扰,并分别设计了两个基于深度学习的网络,其中第一个网络目的在于通过消除干扰来提取出精确的部分信道,而第二个网络通过利用提取出的部分信道来外推全信道。在这两个网络中,都借鉴了残余网络的思想对卷积神经网络的结构进行了改进,然后将这两个网络串联起来并联合训练它们。仿真结果表明,与传统未消除干扰的单元分组策略以及级联卷积神经网络相比,本文所提出的方案具有显著的性能增益。

关键词：可重构超表面信道获取深度学习概率采样单元选择信道外推

基于深度学习的联合信道估计和天线选择算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的联合信道估计和天线选择算法研究

作者：郑云飞北京邮电大学

学位级别：硕士

随着商业化5G的不断建设,通信性能与通信成本和能源消耗之间的矛盾日益增加。由于5G部署在较高频段,电磁波频率的提升使得同距离下的衰减增大,覆盖相同面积的区域,需要部署更多的基站。并且5G网络中的基站所配备的天线数量多,所需的电... 详细信息

随着商业化5G的不断建设,通信性能与通信成本和能源消耗之间的矛盾日益增加。由于5G部署在较高频段,电磁波频率的提升使得同距离下的衰减增大,覆盖相同面积的区域,需要部署更多的基站。并且5G网络中的基站所配备的天线数量多,所需的电路功率和信号处理功率等显著增加。如今面向B5G、6G的研发中,全息MIMO技术、超大规模MIMO技术使得基站侧天线数量进一步增多,因此,控制基站的建设成本和能源消耗是本文研究的重点。本文提出了基于深度学习的联合信道外推和天线选择算法,该算法将通信技术与深度学习相结合,信道外推算法服务于天线选择算法,试图利用天线选择技术在保证较高通信性能的情况下,控制基站建设成本和功耗,通过对算法复杂度和通信性能的评估,分析了所提算法的实际应用价值。具体研究内容如下:1.基于深度学习的分步天线选择算法。本文将深度学习算法与最优天线选择算法相结合,提出了一种分步获取天线选择最优解的算法,利用深度学习网络输出较优解集合,进一步通过最优天线选择算法从较优解集合中选取最优解。基于ITU-R M.2412标准信道仿真,针对两种的天线选择描述方式,以最大化信道容量为优化目标,生成不同的数据集。通过网络训练和性能分析,验证所提算法的有效性。2.基于深度学习的部分信道外推算法。本文将介绍一种通过预选部分天线的方式固定外推信道,进行信道外推的算法,并利用四种部分天线预选方法,对所提信道外推算法有效性进行了验证。利用开源数据集生成器,获取信道数据,针对不同的外推信道选择方法和外推信道的不同天线数量,构建若干个数据集。搭建深度学习网络用于拟合信道外推算法,将构建的数据集分别用于训练,得到若干个不同的深度学习网络,验证了所提算法的可用性。3.联合信道外推和天线选择算法。基站的天线选择算法需要完整的下行信道信息,恰好信道外推可以获取完整的下行信道信息。本文将信道外推算法和天线选择算法相结合,利用外推信道获取的部分信道信息,通过该联合算法后,得到准确的天线选择结果。为了解决仿真数据过于理想化的问题,本文提出了一种针对复矩阵的信道估计误差模拟方法,并对信道外推和天线选择分别进行和联合进行的情况,进行了误差分析。此外,本文还分析了深度学习算法中的误差传递引起的模型性能的不稳定性,验证了所提出的联合算法的可行性。

关键词：信道外推天线选择深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的大规模MIMO信道获取技术

基于深度学习的大规模MIMO信道获取技术

作者：杨引弟西安电子科技大学

学位级别：硕士

大规模多输入多输出(Multiple-Input-Multiple-Output,MIMO)作为第五代无线通信的关键技术之一,通过深度开发空间维度,极大提高了系统吞吐量,为5G网络的高带宽、高可靠、低时延需求提供了有力支撑。众所周知,大规模MIMO系统的性能很大... 详细信息

大规模多输入多输出(Multiple-Input-Multiple-Output,MIMO)作为第五代无线通信的关键技术之一,通过深度开发空间维度,极大提高了系统吞吐量,为5G网络的高带宽、高可靠、低时延需求提供了有力支撑。众所周知,大规模MIMO系统的性能很大程度上依赖于信道估计的准确性和高效性,然而传统估计方法的高计算复杂度引起的性能瓶颈还有待突破,人工智能的第三次浪潮给计算机视觉等领域带来红利的同时也给海量无线通信中的问题解决带来了机遇。本文针对大规模MIMO网络中大量天线对获取准确的信道状态信息带来的复杂度较大和准确性较低的问题,以上行信道估计和下行信道外推为主要研究内容,分别提出了基于深度学习的上下行信道跟踪算法。具体工作如下:在上行信道估计中,为了解决传统方法的矩阵求逆等操作在大规模MIMO系统中复杂度过高的问题,本文主要利用较为简单的最小二乘法(Least Square,LS)和深度学习相结合的思想,提出了基于图神经网络(Graph Neural Network,GNN)的大规模MIMO上行信道估计方案。该方案可利用图模型结构有效挖掘信道空间相关性,同时为了捕获快速时变信道的特点,考虑并设计了提取时变信道的时间相关性策略。基于模型对信道的空时相关性学习,可完成较为准确的大规模MIMO时变上行信道估计,且LS和深度学习均具有较低的复杂度。仿真结果表明,本文所提出的基于GNN的上行信道估计性能优于传统LS和基于前馈神经网络(Feedforward Neural Network,FNN)以及卷积神经网络(Convolutional Neural Networks,CNN)方法的性能。此外,针对下行信道估计在大规模MIMO中无法避免的高反馈量问题,本文提出了基于深度学习的大规模MIMO下行信道估计方案。该方案利用深度神经网络(Deep Neural Network,DNN)捕获上行链路和下行链路信道数据集之间的关联关系,实现了上行信道对下行信道的重构,从而避免下行CSI的反馈过程。考虑到混合波束成形中只有有限无线电链路,基站无法同时获得所有天线上行信道信息,因此在基于DNN重构之前,天线选择操作尤为重要。即研究天线子集选择问题,获得可最大程度外推下行完整信道的天线子集。在此基础上,利用已选择天线的上行信道完成下行完整信道的外推。仿真结果表明,在非均匀天线阵列和均匀天线阵列中,基于天线选择的下行信道外推网络比均匀采样具有更好的重构性能。另外当上下行信道频差增大且上行估计存在一定误差时,该方案仍然具有较优的下行信道外推性能。

关键词：大规模MIMO 信道估计深度学习图神经网络天线选择信道外推

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

可重构超表面辅助通信信道多域智能外推技术

可重构超表面辅助通信信道多域智能外推技术

作者：许萌西安电子科技大学

学位级别：硕士

可重构超表面(Reconfigurable Intelligent Surface,RIS)因具有智能调控无线环境、低成本、低功耗和高可靠等特点,成为未来无线网络中极具发展前景的技术之一。未来,RIS辅助的通信系统可为覆盖增强、干扰抑制、高精度定位等问题提供新... 详细信息

可重构超表面(Reconfigurable Intelligent Surface,RIS)因具有智能调控无线环境、低成本、低功耗和高可靠等特点,成为未来无线网络中极具发展前景的技术之一。未来,RIS辅助的通信系统可为覆盖增强、干扰抑制、高精度定位等问题提供新的解决方案。然而,RIS信道的高精度获取是其产生性能增益的前提,而大量部署的RIS电磁反射单元引入了高维信道估计,给传统信道估计算法带来挑战。为了降低信道估计的导频开销和计算复杂度,本文利用深度学习模型探索空域和时域下采样的部分信道与全部信道之间的映射关系,实现RIS信道的多域智能外推。具体内容如下:首先,针对无源RIS阵列信号处理能力受限、信道获取困难的问题,提出了一种基于常微分方程理论的空域信道智能外推方案,解决了高维RIS信道获取问题。该方案以建立空域下采样的部分信道与全部信道间的映射为目标,融合图像超分辨思想,基于常微分方程数值解理论改进传统卷积神经网络模型,建立数据层间的复杂连接,实现了RIS信道的天线域压缩和高精度外推。相较于标准卷积神经网络,该模型在促进网络收敛和提升传统模型精确度方面具有显著增益,表现出出色的RIS空域信道外推性能。其次,在高频高移动场景下,针对RIS信道时变特性明显、时域导频开销大的问题,以常微分方程理论精确描述信道动态变化特性,提出了一种时域信道智能外推方案,充分利用RIS信道的时域相关性,挖掘时域下采样的部分信道与全部信道间的关系,改进传统循环神经网络结构,提高其对信道序列的重构性能。此外,结合空域信道压缩,进一步设计了一种空时域联合智能外推方案,实现RIS信道的空时二维外推任务。仿真结果表明,所提出的空时域信道联合外推网络在空间域和时间域上同时具有优越的外推性能,且具有良好的抗噪声性能和数据泛化能力。最后,针对高移动场景下RIS信道预测难度大和外推网络复杂度高的问题,提出了一种轻量化多域外推方案,解决了高复杂度RIS时变信道捕获难题。该方案利用因果扩展卷积和卷积残差结构探究时变信道的时域演变规律,实现高频高速场景下RIS信道的时域预测任务。同时,针对卷积层参数量庞大的问题,提出了基于概率采样理论的参数选择网络以实现网络权重剪枝。在此基础上,设计了空时域信道外推及参数选择网络的联合训练和优化流程,进而实现RIS信道轻量化多域智能外推。仿真结果表明,所提出的空时域外推网络在信道外推任务上表现出色,且基于参数选择网络的轻量化空时域信道外推方案能够显著减少网络参数量,并进一步提升外推性能。

关键词：可重构超表面信道外推深度学习常微分方程轻量化网络

面向大规模MIMO信道估计外推与反馈的即插即用式深度学习技术研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向大规模MIMO信道估计外推与反馈的即插即用式深度学习技术研究

作者：万伟潇北京交通大学

学位级别：硕士

随着无线通信和人工智能(Artificial Intelligence,AI)技术的相互融合,基于AI的无线通信正在逐步标准化和产业化。然而,现有基于深度学习(Deep Learning,DL)技术的无线通信理论研究大多只关注于基础性能,而没有考虑到所提出AI方案的具... 详细信息

随着无线通信和人工智能(Artificial Intelligence,AI)技术的相互融合,基于AI的无线通信正在逐步标准化和产业化。然而,现有基于深度学习(Deep Learning,DL)技术的无线通信理论研究大多只关注于基础性能,而没有考虑到所提出AI方案的具体部署方式是否合理、模型训练存储开销是否符合需求。本文工作以提高DL模型用于不同通信任务和场景的适应性为出发点,针对大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统所涉及的三大任务展开了一系列研究,包括信道估计、空域信道外推和信道状态信息(Channel State Information,CSI)反馈,最终实现单个DL模型处理不同通信任务与场景,实现了AI方案性能与模型训练存储开销之间的折中与优化。首先,针对当前双边CSI反馈框架基站(Base Station,BS)侧和用户终端(User Equitment,UE)侧的DL模型高度耦合引发的问题,提出了一种面向大规模MIMO系统的单边CSI反馈框架下的解决方案,即CSI-PPPNet。具体地,现有双边CSI反馈框架存在以下问题,首先它要求不同网络供应商和终端供应商在训练和推理阶段进行协作,导致模型维护和标准化带来的巨大通信成本;其次,由于UE存储空间有限,不太可能存储许多DL模型;最后,复杂的DL模型不适合具有有限存储能力和计算能力的低成本UE。在CSI-PPPNet中,CSI在UE侧通过线性映射矩阵被压缩,并且在BS侧使用即插即用先验(Plug-and-Play priors,PPP)框架重建,通过基于DL的去噪器代替PPP的近端算子,可用于具有任意线性映射矩阵的CSI重建任务,即单个DL模型可用于不同压缩比,这为基于DL的CSI反馈打开了新的视角。在3GPP TR 38.901推荐的Indoor和UMa场景上进行的大量实验中,从收敛性、重建性能、下行可达传输速率、模型训练存储开销与对量化噪声的敏感性等方面表明了所提方法的有效性。其次,针对现有不同通信任务与场景下巨大的模型训练存储开销问题,提出了一种面向大规模MIMO系统的多任务即插即用式DL技术。具体地,通常使用特定的DL模型来实现不同通信任务与场景,由此多样化的通信任务与场景需求会带来巨大的模型训练存储开销。本文将大规模MIMO系统下行链路过程中的信道估计、空域信道外推和CSI反馈三种任务结合在一起,对应三大任务的算法分别为PPPCE、PPPAE与PPPCF。在这三种算法中,所使用到的DL模型为同一个,这意味着单个DL模型可用于不同任务,并适用于不同任务下的不同场景需求,极大地减轻了模型训练与模型存储的开销。此外,与一般的多任务学习相比,所提方法的DL模型并不需要针对具体任务再进行微调,而是即插即用式的。在Deep MIMO数据集上进行了大量实验,分别就下行链路过程中的信道估计、空域信道外推与CSI反馈三大任务展示了所提方法的收敛性、性能与模型训练存储开销。实验结果表明,所提方法接近现有方法的优异性能,且在模型训练存储开销方面有着较大的优势。

关键词：即插即用先验深度学习信道估计信道外推信道状态信息反馈