网络范围分布式载波频偏估计与补偿
使用深度学习方法,通过残差网络(ResNet)从无线通信系统中的原始 I 和 Q 信号提取特征,成功地估计了信号的载波频率偏移(CFO),并在不同情境下表现出优异性能。
Nov, 2023
本研究提出了一种通用的同步方法,允许一组软件定义无线电通过在接收和发送方向探测同步波形并联合控制处理系统中的 DMA 块,而在维持相应辅助计算机中的基带处理的同时传输或接收任何正交数据,并运用此同步方法在一组低成本的 SDRs 上实现了基于 FSK 的多数投票计算方案,并引入了相应的过程。通过我们的实验,我们展示了在不使用边缘设备上的信道状态信息的条件下,对于同质和异质数据分布,测试准确性可以达到 95% 以上。
Sep, 2022
本研究提出了一种数字无线计算方案,用于实现联合边缘学习的连续值(模拟量)聚合,利用该方案对局部随机梯度进行编码,通过非相干接收机和自适应绝对最大值的概念,实现了优异的测试准确度。
Oct, 2022
本文研究了具有不完美信道状态信息的正交频分复用系统中,通过多个子载波同时发送信号进行分布式功能计算的无线设备的发射系数和访问点的接收波束成形向量的联合优化问题。
Jul, 2023
本文提出了首个基于正交频分复用(OFDM)的数字化无线计算(AirComp)系统,该系统适用于多个边缘设备同时传输模型数据,使用非正交无线资源,并且边缘服务器直接从叠加信号聚合数据。
Dec, 2022
在分布式大规模多输入多输出 (MIMO) 架构中,我们考虑了试点辅助的上行信道估计问题,其中接入点通过光纤前传链路将接收到的模拟射频信号的两级量化版本连接到中央处理单元。我们在该架构中采用了由 Nguyen 等人 (2023) 最近提出的基于深度学习的信道估计算法,并探索该算法对接入点中的自动增益控制器 (AGCs) 和比较器引入的附加信号失真 (1 比特量化之外的失真) 的鲁棒性。这些组件用于从接收信号生成两级模拟波形。通过模拟结果,我们表明所提出的信道估计方法明显优于 Bussgang 线性最小均方误差信道估计器,并且对于由 AGCs 和比较器引入的附加损坏具有鲁棒性。
Jun, 2024
本文提出了一种数字化无线计算方案,使用均衡数系统中相应数字的平均值来近似计算一组实数参数的平均值,并使用该方案将本地梯度编码为一组数字,以确定活动的正交频分复用子载波的位置,同时不需要精确的采样级时间同步、信道估计开销和功率不稳定性,并演示其在联邦边缘学习(FEEL)中的性能。
Sep, 2022
基于深度学习的信道估计方案 (SisRafNet) 在正交频分复用(OFDM)系统中利用循环模型研究频率间信道的顺序行为,克服了传统的基于循环的方法存在的延迟和内存限制,提供了比现有深度学习信道估计技术更优异的性能,并在多个信噪比下验证了 3GPP 兼容信道场景的性能。
Jan, 2024
本文提出了一种利用极限学习机(ELM)实现高精度同步的新方案,将两个 ELM 并入传统的 MIMO-OFDM 系统,估计残余符号时序偏移量(RSTO)和残余载波频率偏移量(RCFO),与现有的机器学习技术相比,该方法表现出优越的性能,且具有机器学习的普适性。
Jul, 2020
在联邦学习中,通过动态功率控制的 AirComp 方案进一步保护模型权重隐私并提高模型性能,边缘设备通过激活相邻正交频分复用(OFDM)子载波传输本地随机梯度的符号,通过能量在子载波上的积累获得边缘服务器的多数表决,然后通过动态功率控制算法进一步抵消多数表决聚集值的偏差,整个方案能够减轻时间同步误差、信道衰落和噪声带来的影响,该方案的理论收敛性证明得到重新推导。
Aug, 2023