面向 5G 与更高天际的抗老化宽带波束赋形：基于 3D 卷积神经网络

为满足日益增长的高速数据率需求，5G 和 6G 技术正将收发器转向更高的载波频率，以支持更宽的带宽和更多的天线元素。然而，这一解决方案提出了若干关键挑战：i) 增加载波频率和带宽导致时频域中的信道频率选择性增大；ii) 天线数量的增加导致导频开销增大，并且确定最优波beamforming 矩阵变得更加不可行。本文提出了两种深度学习框架来解决这些问题。首先，我们提出一种基于图像超分辨率的 3D 卷积神经网络（CNN），它捕捉传输天线与接收天线之间以及频率域中的相关性，以抵御频率选择性。其次，我们构思了一种基于深度学习的框架来抗御信道的时间选择性，将信道老化视为可以通过深度学习图像恢复技术进行缓解的失真。仿真结果表明，两者组合后在性能上显著优于现有技术，同时复杂度增加不大。