IMT-2030（6G）推进组：2022无线人工智能（AI） 技术研究报告（110页）.pdf

《IMT-2030（6G）推进组：2022无线人工智能（AI） 技术研究报告（110页）.pdf》由会员分享，可在线阅读，更多相关《IMT-2030（6G）推进组：2022无线人工智能（AI） 技术研究报告（110页）.pdf（110页珍藏版）》请在三个皮匠报告上搜索。

1、 I 目目 录录 第一章第一章 引言引言 .1 1 第二章第二章 基于基于 AI/MLAI/ML 的物理层技术的物理层技术 .2 2 2.1 基于 AI/ML 的无线环境建模与感知.2 2.2 基于 AI 的信道估计、预测及反馈.4 2.2.1 信道状态信息估计.5 2.2.2 信道状态信息预测.12 2.2.3 信道状态信息反馈.15 2.2.4 导频、信道估计、信道反馈、预编码联合设计.20 2.3 AI 使能的端到端设计.22 2.4 基于 AI/ML 的信道编译码技术.24 2.4.1 基于 DNN 的编译码算法.25 2.4.2 基于 CNN 的译码算法.27 2.4.3 基于 LS

2、TM 网络的译码算法.28 2.4.4 基于对抗生成网络译码算法.29 2.5 基于 AI/ML 的调制与波形技术.30 2.6 基于 AI/ML 的信源信道联合编码技术.31 2.7 基于 AI 的 OFDM 接收机设计.33 2.8 基于 AI 的多天线收发技术.35 2.8.1 基于 AI 的 MIMO 检测.35 2.8.2 单用户毫米波 MIMO 混合预编码.37 2.8.3 多用户毫米波 MIMO 混合预编码.39 2.8.4 移动自适应协同波束成形.41 2.8.5 基于 AI/ML 的波束漂移抑制技术.43 2.8.6 基于 AI/ML 的波束跟踪技术.44 2.9 基于 AI

3、 的多用户接入技术.45 2.10 基于 AI 的活跃用户检测.46 2.11 基于 AI 的定位技术.49 第三章第三章 基于基于 AI/MLAI/ML 的链路层技术的链路层技术 .5151 3.1 基于 AI 的功率分配.51 3.2 基于 AI 的信道分配.52 3.3 基于 AI 的接入控制.53 3.4 基于 AI 的链路调度.54 3.5 基于智能体(smart agent)的无线资源调度.54 第四章第四章 基于基于 AIAI 的网络上层技术的网络上层技术 .5858 4.1 基于 AI 的无线网络架构.58 4.2 基于 AI 的传输层拥塞控制技术.61 4.3 基于 AI 的

4、业务速率控制.63 4.4 基于 AI 的需求预测与缓存技术.65 4.5 基于 AI 的无线分布式计算.71 第五章第五章 基于基于 AIAI 的语义通信的语义通信 .7777 5.1 基于 AI 的语义通信系统架构.77 第六章第六章 无线无线 AIAI 研究数据集研究数据集 .7979 II 6.1 无线 AI 研究数据收集和利用.79 6.2 无线 AI 研究数据集的共建共享.80 6.3 无线 AI 伦理规范及隐私保护.82 第七章第七章 产业化前景分析与总结产业化前景分析与总结 .8585 7.1 AI 赋能无线技术的潜能及优势.85 7.2 AI 赋能无线技术的产品成熟度.86

5、7.3 AI 赋能无线技术的标准化和产业化影响.87 参考文献参考文献 .8888 附录：缩略词表附录：缩略词表 .9797 贡献单位贡献单位 .100100 III 图目录 图 2-1 无线通信链路.2 图 2-2 基于 CNN 和 LSTM 的无线信道建模与预测.3 图 2-3 基于 seq-to-seq 模型的信道预测器.3 图 2-4 多维信道嵌入.4 图 2-5 系统框架图.6 图 2-6 DL 和传统算法的比较.6 图 2-7 接收端示意图.7 图 2-8 LDAMP 网络每一层的结构.7 图 2-9 LDAMP 和其他方法的 NMSE 比较.8 图 2-10 目标小区与干扰小区中

6、用户的 DOA 分布图.8 图 2-11 不同 SNR 下各方法 MSE 性能对比.9 图 2-12 复合神经网络的结构.9 图 2-13 复合神经网络仿真结果.10 图 2-14 估计网络模型 SRCNN 及 DNCNN 结构示意图.10 图 2-15 估计流程示意图.11 图 2-16 误块率性能指标对比示意图（SR+DN 和 LMMSE（最小均方误差）.11 图 2-17 滑窗机制示意图.12 图 2-18 模型工作架构示意图.12 图 2-19 小样本 AI 信道估计仿真结果.12 图 2-20 用于信道预测的 RNN 结构.13 图 2-21 信道预测结果81.13 图 2-22 信