为应对大规模多输入多输出(Multiple⁃input multiple⁃output,MIMO)系统中信道状态信息(Channel state information,CSI)反馈开销的日益增长,基于深度学习的CSI反馈网络(如Transformer网络)受到了广泛的关注,是一种非常有应用前景的智能...
详细信息
为应对大规模多输入多输出(Multiple⁃input multiple⁃output,MIMO)系统中信道状态信息(Channel state information,CSI)反馈开销的日益增长,基于深度学习的CSI反馈网络(如Transformer网络)受到了广泛的关注,是一种非常有应用前景的智能传输技术。为此,本文提出了一种基于数据聚类的CSI反馈Transformer网络的简化方法,采用基于聚类的近似矩阵乘法(Approximate matrix multiplication,AMM)技术,以降低反馈过程中Transformer网络的计算复杂度。本文主要对Transformer网络的全连接层计算(等效为矩阵乘法),应用乘积量化(Product quantization,PQ)和MADDNESS等简化方法,分析了它们对计算复杂度和系统性能的影响,并针对神经网络数据的特点进行了算法优化。仿真结果表明,在适当的参数调整下,基于MADDNESS方法的CSI反馈网络性能接近精确矩阵乘法方法,同时可大幅降低计算复杂度。
在6G物联网时代,海量终端设备智慧互联,发掘环境信息提高生活质量,创造更加智能的世界。随着经济社会和工业的发展,工业物联网(industrial internet of things,IIoT)中工业节点的数量以惊人的速度增长,这些工业节点间实时传输交换信息,...
详细信息
在6G物联网时代,海量终端设备智慧互联,发掘环境信息提高生活质量,创造更加智能的世界。随着经济社会和工业的发展,工业物联网(industrial internet of things,IIoT)中工业节点的数量以惊人的速度增长,这些工业节点间实时传输交换信息,对通信的时延和可靠性提出了更高要求。在有限的时频资源和严格的通信质量要求下,为保证IIoT中海量终端的超可靠超低时延通信(ultra-reliable and low-latency communication,URLLC),需要从低时延、可靠性、能量效率、频谱效率和可拓展性等方面对存在的关键问题进行分析。在工业物联网场景下,结合URLLC的特点和需求,研究了工业物联网中通信的关键问题:活跃用户检测、随机接入、资源分配和通算融合中的挑战和机遇,对关键问题以及现有技术进行总结分析后,提出了未来的研究方向。
暂无评论