ترجمه فارسی مقاله یک مدل بازخورد تطبیقی ​​CSI بر اساس BiLSTM برای سیستم‌های عظیم MIMO-OFDM

• کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
  مشاهده نمونه نسخه نکات ساده
• کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
  مشاهده نمونه نسخه نکات رسمی
• کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
  — هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
  مشاهده نمونه نسخه پرسش و پاسخ
• کتاب پرسش و پاسخ چهارگزینه‌ای – نسخه یادگیری سریع
  — پاسخ‌ها بلافاصله بعد از سؤال برای مرور سریع
  مشاهده نمونه نسخه کوییز سریع
• کتاب پرسش و پاسخ چهارگزینه‌ای – نسخه خودآزمایی
  — پاسخ‌ها در انتهای بخش‌ها برای سنجش واقعی یادگیری
  مشاهده نمونه نسخه آزمونی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

چکیده

Deep learning (DL)-based channel state information (CSI) feedback has the potential to improve the recovery accuracy and reduce the feedback overhead in massive multiple-input multiple-output orthogonal frequency division multiplexing (MIMO-OFDM) systems. However, the length of input CSI and the number of feedback bits should be adjustable in different scenarios, which can not be efficiently achieved by the existing CSI feedback models. Therefore, an adaptive bidirectional long short-term memory network (ABLNet) for CSI feedback is first designed to process various input CSI lengths, where the number of feedback bits is in proportion to the CSI length. Then, to realize a more flexible feedback bit number, a feedback bit control unit (FBCU) module is proposed to control the output length of feedback bits. Based on which, a target feedback performance can be adaptively achieved by a designed bit number adjusting (BNA) algorithm. Furthermore, a novel separate training approach is devised to solve the model protection problem that the UE and gNB are from different manufacturers. Experiments demonstrate that the proposed ABLNet with FBCU can fit for different input CSI lengths and feedback bit numbers; the CSI feedback performance can be stabilized by the BNA algorithm; and the proposed separate training approach can maintain the feedback performance and reduce the complexity of feedback model.

چکیده به فارسی (ترجمه ماشینی)

بازخورد Deep Learning (DL) مبتنی بر اطلاعات حالت کانال (CSI) پتانسیل بهبود صحت بهبودی و کاهش بازخورد سربار را در سیستم های چندگانه فرکانس چندگانه متعامد چند خروجی چند ورودی (MIMO-OFDM) دارد.با این حال ، طول CSI ورودی و تعداد بیت های بازخورد باید در سناریوهای مختلف قابل تنظیم باشد ، که با استفاده از مدلهای بازخورد CSI موجود نمی تواند به طور کارآمد حاصل شود.بنابراین ، یک شبکه حافظه کوتاه مدت کوتاه مدت دو طرفه سازگار (ABLNET) برای بازخورد CSI برای اولین بار برای پردازش طول CSI ورودی مختلف طراحی شده است ، جایی که تعداد بیت های بازخورد متناسب با طول CSI است.سپس ، برای تحقق یک شماره بیت بازخورد انعطاف پذیر ، ماژول واحد کنترل بیت بازخورد (FBCU) برای کنترل طول خروجی بیت های بازخورد پیشنهاد شده است.براساس آن ، یک عملکرد بازخورد هدف می تواند با الگوریتم تنظیم شماره بیت طراحی شده (BNA) به صورت تطبیقی ​​حاصل شود.علاوه بر این ، یک روش آموزشی جداگانه جدید برای حل مشکل محافظت از مدل که UE و GNB از تولید کنندگان مختلف هستند ، ابداع شده است.آزمایشات نشان می دهد که ABLNET پیشنهادی با FBCU می تواند برای طول CSI ورودی مختلف و اعداد بیت بازخورد متناسب باشد.عملکرد بازخورد CSI می تواند توسط الگوریتم BNA تثبیت شود.و رویکرد آموزش جداگانه پیشنهادی می تواند عملکرد بازخورد را حفظ کرده و پیچیدگی مدل بازخورد را کاهش دهد.