检索结果-南通市图书馆

基于深度展开ADMM网络的稳健自适应波束形成

在线全文

学校读者我要写书评

暂无评论

现代雷达 2024年第6期46卷 43-49页

作者：张文青李胤辰陈胜垚何成田巳睿南京理工大学电子工程与光电技术学院江苏南京210094 北京遥感设备研究所北京100854

阵列通道间的幅相误差导致导向矢量失配,会严重退化自适应波束形成的性能。现有稳健自适应波束形成(RAB)方法通过引入最差导向矢量失配误差约束或联合估计幅相误差和波束形成器权值矢量,以改善波束形成性能,但这些方法的计算复杂度高,... 详细信息

阵列通道间的幅相误差导致导向矢量失配,会严重退化自适应波束形成的性能。现有稳健自适应波束形成(RAB)方法通过引入最差导向矢量失配误差约束或联合估计幅相误差和波束形成器权值矢量,以改善波束形成性能,但这些方法的计算复杂度高,且在有限快拍下性能有限。为此,文中在深度展开框架下提出一种基于交替方向乘子法(ADMM)的RAB网络,以快速实现幅相误差和干扰协方差矩阵的联合估计。首先,建立存在阵列通道幅相误差时的干扰信号稀疏表示模型;然后,根据基于ADMM的幅相误差和干扰稀疏表示系数联合估计算法,设计一种深度展开ADMM(DU-ADMM)网络,该网络的输入为接收到达的干扰信号,输出为幅相误差和干扰稀疏表示系数;最后,利用该网络的输出重构出干扰加噪声协方差矩阵,并生成稳健自适应波束形成器。仿真结果表明,DU-ADMM网络可在单快拍场景下实现RAB,且能够以较少的网络层数更精确地估计出幅相误差,有效降低了计算量,同时可获得更高的输出信干噪比。

关键词：稳健自适应波束形成深度展开稀疏重构幅相误差

基于深度展开自适应迭代的去蜂窝大规模MIMO系统低复杂度信号检测

在线全文

学校读者我要写书评

暂无评论

物联网学报 2024年

作者：孙焱李飞李汀宋云超南京邮电大学通信与信息工程学院南京邮电大学电子与光学工程学院

去蜂窝大规模多输入多输出（CF-MMIMO， Cell-Free Massive Multiple-input Multiple-output）系统融合了分布式天线系统与大规模MIMO的优势，通过多接入点（AP， Access Point）协作，极大改善网络覆盖范围，提高频谱效率，被认为是未... 详细信息

去蜂窝大规模多输入多输出（CF-MMIMO， Cell-Free Massive Multiple-input Multiple-output）系统融合了分布式天线系统与大规模MIMO的优势，通过多接入点（AP， Access Point）协作，极大改善网络覆盖范围，提高频谱效率，被认为是未来6G网络一项潜在关键技术。然而，现有CF-MMIMO系统检测算法无法实现复杂度与检测性能的良好平衡。为了解决上述问题，提出了一种基于深度展开网络的低复杂度检测算法——理查德森半迭代网络（RSI-Net， Richardson Semi-iterative Network），用于实现上行CF-MMIMO系统低复杂度的信号检测。首先，引入了理查德森半迭代（SI， Semi-iterative）理论，并采用深度展开网络（DUN， Deep Unfolding Network）以隐藏层参数训练的方式，取代原有的参数估计方案，以自适应信道统计特性的变化来实现最优的参数估计。此外，引入了缩减因子来改善迭代矩阵的特征值分布，从而加速收敛。仿真结果表明，在信道硬化特性减弱的CF-MMIMO系统中，无论是用户数量还是AP数量的变化，RSI-Net检测网络均能够保持较低的计算开销和出色的检测性能。

关键词：去蜂窝大规模多输入多输出信号检测半迭代深度展开

基于深度展开的大规模MIMO系统CSI反馈算法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

通信学报 2022年第12期43卷 77-88页

作者：廖勇程港李玉杰重庆大学微电子与通信工程学院重庆400044

针对现阶段大规模MIMO系统中基于深度学习的信道状态信息(CSI)反馈算法待训练参数过多、可解释性不强的问题,提出了2种基于深度展开的CSI反馈算法。一种是基于可学习参数的近似消息传递(AMP)算法,该算法利用深度学习中的可学习参数将AM... 详细信息

针对现阶段大规模MIMO系统中基于深度学习的信道状态信息(CSI)反馈算法待训练参数过多、可解释性不强的问题,提出了2种基于深度展开的CSI反馈算法。一种是基于可学习参数的近似消息传递(AMP)算法,该算法利用深度学习中的可学习参数将AMP算法中阈值函数的阈值和Onsager校正项的参数替换,增强了阈值函数在应对非严格稀疏数据时的非线性能力。另一种是基于卷积网络的AMP算法,该算法将阈值函数模块替换为卷积残差学习模块,利用该模块去除AMP算法中每轮迭代产生的高斯随机噪声。仿真分析表明,所提算法具有比AMP算法更好的CSI反馈表现,其中基于卷积网络的AMP算法具有比基于深度学习的代表性方法更优异的CSI重构性能。

关键词： CSI反馈深度学习深度展开近似消息传递可学习参数卷积网络

在线全文

学校读者我要写书评

暂无评论

机载雷达深度展开空时自适应处理方法

雷达学报（中英文） 2022年第4期11卷 676-691页

作者：朱晗归冯为可冯存前邹帛路复宇空军工程大学防空反导学院西安710051

稀疏恢复空时自适应处理(SR-STAP)方法能够利用少量训练距离单元实现对机载雷达杂波的有效抑制。然而,现有SR-STAP方法均基于模型驱动实现,存在着参数设置困难、运算复杂度高等问题。针对这些问题,该文将基于模型驱动的SR方法和基于数... 详细信息

稀疏恢复空时自适应处理(SR-STAP)方法能够利用少量训练距离单元实现对机载雷达杂波的有效抑制。然而,现有SR-STAP方法均基于模型驱动实现,存在着参数设置困难、运算复杂度高等问题。针对这些问题,该文将基于模型驱动的SR方法和基于数据驱动的深度学习方法相结合,首次将深度展开(DU)引入到机载雷达杂波抑制和目标检测之中。首先,建立了阵列误差(AE)条件下的杂波空时谱和阵列误差参数联合估计模型,并利用交替方向乘子法(ADMM)进行求解;接着,将ADMM算法展开为深度神经网络AE-ADMM-Net,利用充足完备的数据集对其迭代参数进行优化;最后,利用训练后的AE-ADMM-Net对训练距离单元数据进行处理,快速获得杂波空时谱和阵列误差参数的准确估计。仿真结果表明:与典型SR-STAP方法相比,该文所提出的DU-STAP方法能够在保持较低运算复杂度的同时提高杂波抑制性能。

关键词：空时自适应处理稀疏恢复深度学习深度展开阵列误差

在线全文

学校读者我要写书评

暂无评论

压缩感知重构算法的两步深度展开策略研究

智能系统学报 2023年第5期18卷 1117-1126页

作者：邵凯闫力力王光宇重庆邮电大学通信与信息工程学院重庆400065 重庆邮电大学移动通信技术重庆市重点实验室重庆400065 重庆邮电大学移动通信教育部工程研究中心重庆400065

针对压缩感知中重构算法的深度展开问题,提出了一种两步深度展开策略(two-step deep unfolding,TwDU)。已有深度展开重构算法通常依赖前一步估计值估计当前值,TwDU对已有深度展开重构算法增加估计深度,依赖于前两步估计值估计当前展开值... 详细信息

针对压缩感知中重构算法的深度展开问题,提出了一种两步深度展开策略(two-step deep unfolding,TwDU)。已有深度展开重构算法通常依赖前一步估计值估计当前值,TwDU对已有深度展开重构算法增加估计深度,依赖于前两步估计值估计当前展开值。TwDU对已有深度展开算法前两步估计值增加了两个训练权重。训练权重优化利用了信号估计值之间的相关特性,可以随着数据的特性自我学习和调整,所提TwDU策略应用于可学习迭代软阈值算法(learned iterative soft thresholding algorithm,LISTA)、可训练迭代软阈值算法(trainable iterative soft thresholding algorithm,TISTA)、可学习近似消息传递算法(learned approximate message passing,LAMP)等已有深度展开算法。通过在一维和二维稀疏信号的仿真验证,TwDU策略在重构精度和收敛速度上都更具有明显优势。

关键词：压缩感知稀疏信号信号重构深度学习深度展开模型驱动迭代软阈值近似消息传递算法图像处理

维普期刊数据库博看期刊

在线全文

学校读者我要写书评

暂无评论

基于深度展开的快照压缩成像

基于深度展开的快照压缩成像

作者：刘鑫电子科技大学

学位级别：硕士

快照压缩成像(Snapshot Compressive Imaging,SCI)旨在使用二维传感器捕捉三维数据。其基本原理是,在曝光过程中,利用掩码对高速场景进行调制,以获得压缩后的测量帧。通过这种方式,使每个测量帧都包含了所有编码帧的信息,然后使用重建... 详细信息

快照压缩成像(Snapshot Compressive Imaging,SCI)旨在使用二维传感器捕捉三维数据。其基本原理是,在曝光过程中,利用掩码对高速场景进行调制,以获得压缩后的测量帧。通过这种方式,使每个测量帧都包含了所有编码帧的信息,然后使用重建算法恢复出原始数据。由于在数据的存储,传输方面的优势,SCI技术在高速摄影领域有着广泛的应用前景。目前,现有的重建方法具有掩码适应能力弱、重建时间长和可解释性差等劣势。本文将从深度展开算法的展开策略入手,提升模型的综合性能和掩码适应能力。在SCI系统中,基于模型和学习的方法已被用于重建视频帧,但这些方法大多不能在性能和速度之间取得良好的平衡。对于SCI重建,广义交替投影(Generalized Alternating Projection,GAP)是最有效的算法之一。为了提高SCI重建性能,本文提出了一个名为GAPMSF-Net的深度展开网络,模型的每个阶段从GAP算法的迭代中展开。首先,受原始GAP算法的加速计算过程可以显著提高算法的收敛速度这一事实的激励,根据其计算原理设计了一个深度加速网络,它可以根据前一阶段的重建结果,以数据驱动的方式学习一个规则来自适应调整线性流形。此外,为了加强重建阶段之间的信息交互,本文设计了一个多阶段的深度先验融合。在每个重建阶段,深度先验与包含所有先前信息的隐藏状态进行融合。目前,端到端的网络模型都需要利用掩码的信息来训练模型,但是在实际应用中,不同的SCI系统使用的掩码是不同的,因此,如果更换了掩码就需要重新训练模型,导致模型的部署时间延长。对此,受到传统优化算法的启发,考虑到张量表示可以在多帧数据中保存比向量和矩阵更多的结构信息,本文将近似消息传递算法(Approximate Message Passing,AMP)推广到张量的形式来实现SCI重建任务,名为Tensor AMP-Net。该模型通过去噪的视角来展开算法,设计双阶段去噪的展开策略,并且使用结构简单,参数量小的网络,使模型继承传统优化算法的特性,增强掩码的鲁棒性。此外,考虑视频帧间和帧内的数据结构特点,利用时空卷积网络结构实现深度先验模块,从局部和全局的维度实现双重去噪功能。实验结果表明,该模型在测试掩码上的重建效果与训练掩码相比只有轻微的下降,并且在重建的速度、内存消耗和计算量上都有很大的优势。

关键词：快照压缩成像深度展开深度学习掩码适应优化算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于模型驱动的深度展开重构算法

基于模型驱动的深度展开重构算法

作者：闫力力重庆邮电大学

学位级别：硕士

随着深度学习技术的蓬勃发展,对压缩感知重构算法的研究也逐渐扩展到基于数据驱动型和模型驱动型的深度学习类算法。其中,基于模型驱动的方案结合深度学习技术的学习能力与传统算法的收敛能力,将传统重构算法中的迭代过程展开成类似神... 详细信息

随着深度学习技术的蓬勃发展,对压缩感知重构算法的研究也逐渐扩展到基于数据驱动型和模型驱动型的深度学习类算法。其中,基于模型驱动的方案结合深度学习技术的学习能力与传统算法的收敛能力,将传统重构算法中的迭代过程展开成类似神经网络的层级结构,常被统称为深度展开。本文重点研究基于模型驱动重构算法的展开方式,主要工作如下:1.提出了两步深度展开的方法(Two-step Deep Unfolding,Tw DU)。已有深度展开算法通常依赖前一步估计值估计当前值,Tw DU对已有深度展开算法增加估计深度,依赖于前两步估计值估计当前展开值。Tw DU对前两步估计值增加了两个训练权重,新增加的权重参数具有自适应能力,可以随着数据的特性自我学习和调整,并优化利用了信号估计值之间的相关特性。所提Tw DU方法应用于已有的深度展开算法,即可学习的迭代收缩阈值算法(Learned Iterative Shrinkage Thresholding Algorithm,LISTA)、可训练的迭代收缩阈值算法(Trainable Iterative Shrinkage Thresholding Algorithm,TISTA)和可学习的近似消息传递算法(Learned Approximate Message Passing,LAMP)。通过仿真验证,在同样8次迭代时,它们的归一化均方误差(Normalized Mean Square Error,NMSE)分别减少了8.9d B、1.2d B和5.8d B。2.提出了基于自适应深度的两步深度展开方法(Adaptive-Depth Two-step Deep Unfolding,AD-Tw DU)。AD-Tw DU在每个Tw DU模块的输出层增加一个判断分支,该分支根据重构信号的估计误差值得到相应的停止分数,由停止分数判断算法下一步动作,即继续迭代或提前输出。AD-Tw DU在Tw DU的基础上,解决了迭代次数固定的问题,能够根据信号的稀疏度自适应地调整执行的深度,节省计算资源。针对多种稀疏度的混合信号,仿真结果证明在算法平均迭代8次时,所提AD-Tw DU方法应用于LISTA、TISTA和LAMP的归一化均方误差分别减少了7.3d B、0.1d B和2.2d B。

关键词：压缩感知重构算法深度学习深度展开自适应深度

大规模MIMO系统下基于模型压缩与深度展开的CSI反馈研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

大规模MIMO系统下基于模型压缩与深度展开的CSI反馈研究

作者：王世义重庆大学

学位级别：硕士

作为第五代移动通信(5th Generation,5G)关键技术之一的大规模多输入多输出(Multiple Input Multiple Output,MIMO)技术因在能量效率和频谱效率等方面表现出的诸多优势而受到学术界和工业界广泛的关注。由于大规模MIMO系统中基站天线数... 详细信息

作为第五代移动通信(5th Generation,5G)关键技术之一的大规模多输入多输出(Multiple Input Multiple Output,MIMO)技术因在能量效率和频谱效率等方面表现出的诸多优势而受到学术界和工业界广泛的关注。由于大规模MIMO系统中基站天线数量巨大,基站为了精确地获取下行信道状态信息(Channel State Information,CSI)将造成极大系统开销,这也限制了频分双工(Frequency Division Duplex,FDD)模式下5G系统的实际应用。因此,如何以较低系统开销实现高精度CSI反馈成为FDD模式大规模MIMO系统亟待解决的瓶颈问题之一。近年来,深度学习的广泛应用为大规模MIMO系统的CSI反馈问题提供了新的解决思路,智能通信也成为未来移动通信技术发展的新方向。然而,深度学习与无线通信的有机融合目前尚处于探索阶段。现有基于深度学习的CSI反馈方法仍存在模型开销较大、重构精度不高和数学可解释性差等问题,这阻碍了其在大规模MIMO系统中的实际应用。有鉴于此,本文针对现有研究工作存在的问题,综合利用模型压缩技术和具有数学可解释性的压缩感知理论,对基于深度学习的大规模MIMO系统的CSI反馈问题展开研究。具体而言,主要工作如下:(1)分析与叙述了大规模MIMO系统以及两类常见CSI反馈方法。本文首先对大规模MIMO系统模型和信道特性进行了详细分析;随后探讨了基于压缩感知技术的CSI反馈方法,包括对压缩感知理论的分析和经典压缩感知算法的概述;最后阐述了基于深度学习的CSI反馈方法,包括神经元、常见神经网络结构工作原理,基于深度学习的CSI反馈模型。(2)研究了基于模型压缩的自编码器CSI反馈方法。本文针对现有自编码器模型的CSI反馈方法依然存在模型复杂度较高和CSI重构精度较低的问题,首先依据卷积神经网络(Convolutional Neural Network,CNN)的卷积核分解与重组理论,使用新型CNN结构,以降低模型参数量;其次使用更大的卷积核增加网络的感受野,以提高CSI重构精度;实现对现有自编码器模型的改进,并将网络命名为RM-Net。随后为了进一步提高模型的性能,寻找现有模型的最优极限,利用网络蒸馏理论和Hints训练模式,以RM-Net为基准,设计其学生模型RMStu Net,实现模型压缩。系统仿真结果表明,与现有代表性CSI反馈算法相比,所提RMNet与RMStu Net具有更高的CSI重构精度,且RMStu Net的模型参数量更低,从而验证所提算法的优势。(3)研究了基于时间相关性的深度展开CSI反馈方法。本文针对现有基于深度学习的CSI反馈方法可解释性差,CSI重构精度依然较低的问题,首先利用压缩感知理论的数学可解释性,对快速迭代收缩阈值算法(Fast Iterative ShrinkageThresholding Algorithm,FISTA)进行深度展开,设计了FISTA-Net。接着对CSI矩阵的时间相关性进行分析,提出基于时间相关性的CSI差分反馈模型。最后综合以上理论,提出基于时间相关性的深度展开CSI差分反馈网络TD-FISTA-Net。系统仿真结果表明,与现有代表性CSI反馈算法相比,所提TD-FISTA-Net具有更高的CSI重构精度,且具有更强的数学可解释性,从而验证所提算法的可行性和有效性。

关键词：大规模MIMO CSI 模型压缩深度展开时间差分

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于加权L1-L1最小的深度展开模型研究

基于加权L1-L1最小的深度展开模型研究

作者：王庐华广东工业大学

学位级别：硕士

压缩感知作为一种新颖的数据处理方法,在诸如生物医学工程、磁共振成像、物联网等领域得到了广泛应用。重构算法作为压缩感知理论中最核心的要素之一,直接关系到信号重构的精准度,因此成为了许多学者关注的焦点。其中,l1-l2最小化作为... 详细信息

压缩感知作为一种新颖的数据处理方法,在诸如生物医学工程、磁共振成像、物联网等领域得到了广泛应用。重构算法作为压缩感知理论中最核心的要素之一,直接关系到信号重构的精准度,因此成为了许多学者关注的焦点。其中,l1-l2最小化作为一类利用序列信号之间的稀疏性和相似性来解决序列稀疏重构问题的经典方法,被人们广而熟知。然而,l2正则化对离群点非常敏感,由于其对包含在离群点中关键信息的过度抑制,往往不能给重构质量带来显著提升。基于此,本文旨在设计出一种新的模型算法来缓和这一问题。主要研究内容与创新如下:（1）以l1-l2最小化算法的不足之处为问题基点,本文提出了一种新的基于加权l1-l1范数最小化的算法框架用于解决序列稀疏重构问题。算法构思主要从以下几方面考虑:首先,相较于l2范数,l1范数对于离群点的敏感程度要更低。其次,在现实生活中的许多场景,相邻信号之间的误差主要遵循拉普拉斯分布而不是高斯分布。同时,本文对所提算法的收敛性展开了分析推导,并进一步提出了一种改进算法,通过将筛选原则引入到算法迭代过程中,稀疏字典可以得到尺寸上的优化,从而减少算法所需运行时间,提升了算法效率。（2）通过对求解算法在时间步和迭代次数上的展开,本文将整个算法流程映射成了一个循环神经网络（RNN）,即W-l1-l1-RNN模型。由于整个网络框架是由算法流程隐式定义,因此在保有已知先验信息的情况下还能借助神经网络强劲的学习能力,利用数据对参数进行更新,挖掘更深层的先验信息。在Caltech-256数据集上和PTB diagnostic ECG数据集上的实验证明了W-l1-l1-RNN模型的表现要优于一些先进的基于模型的方法以及几种现有的基于l1-l2最小化深度展开的方法,也证明了拥有可解释性的W-l1-l1-RNN模型与传统的“黑盒”神经网络相比,需要的训练数据要少的多。最后本文还通过实验佐证了所提观点,即利用l1-l1最小化替代l1-l2最小化可以提升算法在离群点上的重构效果。

关键词：压缩感知加权l1-l1最小序列重构深度展开循环神经网络