XiaoMi-AI文件搜索系统
World File Search SystemLMMSE
通过机器学习接近频道估计的MMSE界限
摘要 - 在无线通信系统中，该信号模型与高斯分布的通道和噪声线性线性，线性最小均方根误差（LMMSE）通道估计（CE）在均方误差（MSE）方面实现了最佳性能。但是，LMMSE CE取决于接收器可能无法使用的参数（例如，准确了解功率延迟profe（PDP））或过于复杂而无法实施实现（例如，LMMSE滤波器大小）。参数的次优选择可能会严重降低LMMSE CE性能。以这种观察的激励，我们研究了机器学习，作为重新填充和改善CE的工具。我们表明，我们提出的低复杂性学习辅助LMMSE CE可以克服次优参数的影响并接近理想的LMMSE性能。
使用机器学习算法的下一个
摘要： - 使用传统的通道估计，以性能和服务的可靠性损害了高端数据的多个输入和多重输出系统。此外，各种因素的衰老影响，例如时间，频率，繁殖和多径降低，性能无法达到下一代无线通信系统的水平。为了解决噪声和服务问题，通道估计方法继续转移到神经网络和机器学习的领域。机器学习（ML）的效率和实用性丰富了所有网络方案中的通道估计能力。基于神经网络的模型提高了最小二乘（LS）和LMMSE通道估计（如线性和固定）的性能。非线性和非静止的切换神经网络模型的效率受到损害，但特定模型有效地工作，例如RNN和CNN。本文介绍了基于机器学习的通道估计方法的通道估计和分析的压缩研究。在不同褪色条件下，通道估计的分析适用于MIMO系统。机器学习算法可以从许多培训数据中学习通道结构并估算渠道。此外，我们分析了不同数据大小的不同ML算法的性能。基于我们的分析和仿真结果，机器学习在MIMO Systems