LIS-DeepLearning:由Abdelrahman Taha,Muhammad Alrabeiah和Ahmed Alkhateeb撰写的“通过压缩传感和深度学习实现大型智能表面的模拟代码”,发表于IEEE Access,2021年3月-源码

上传者: 42161497 | 上传时间: 2021-06-07 03:06:17 | 文件大小: 109KB | 文件类型: ZIP
通过压缩感测和深度学习实现大型智能表面 这是与以下文章相关的MATLAB代码包:Abdelrahman Taha,Muhammad Alrabeiah和Ahmed Alkhateeb,“”,IEEE Access,2021年3月,doi:10.1109 / ACCESS.2021.3064073。 文章摘要 采用大型智能表面(LIS)是提高未来无线系统的覆盖范围和速率的有前途的解决方案。 这些表面包含大量近乎无源的元素,这些元素与入射信号相互作用,例如通过反射入射信号,从而以一种聪明的方式提高了无线系统的性能。 假定对通道有充分的了解,以前的工作主要集中在LIS反射矩阵的设计上。 然而,在LIS上估计这些信道是一个关键的挑战性问题,并且由于LIS元素数量巨大,因此与大量的培训开销相关联。 本文通过利用压缩感知和深度学习的工具,为这些问题提供了有效的解决方案。 首先,提出了一种基于稀疏信道传

文件下载

资源详情

[{"title":"( 6 个子文件 109KB ) LIS-DeepLearning:由Abdelrahman Taha,Muhammad Alrabeiah和Ahmed Alkhateeb撰写的“通过压缩传感和深度学习实现大型智能表面的模拟代码”,发表于IEEE Access,2021年3月-源码","children":[{"title":"LIS-DeepLearning-master","children":[{"title":"Main_fn.m <span style='color:#111;'> 11.90KB </span>","children":null,"spread":false},{"title":"UPA_codebook_generator.m <span style='color:#111;'> 1.51KB </span>","children":null,"spread":false},{"title":"Figure12.png <span style='color:#111;'> 103.50KB </span>","children":null,"spread":false},{"title":"LICENSE.md <span style='color:#111;'> 20.36KB </span>","children":null,"spread":false},{"title":"README.md <span style='color:#111;'> 4.39KB </span>","children":null,"spread":false},{"title":"Fig12_generator.m <span style='color:#111;'> 3.21KB </span>","children":null,"spread":false}],"spread":true}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明