深度学习在通信系统中的检测算法
通过深度学习算法学习输入信号的关键特征和特性,而不需要人为进行先前的识别和建模,深度神经网络能够学习自然制造信号(例如照片和音频)中的复杂特征,并将其用于分类和决策,但在通信系统中,情况有所不同。信息信号是人造的且传播渠道相对易于建模以及在香农容量限制附近操作,那么深度学习在未来通信系统的发展中是否有作用呢?
Jan, 2020
本文介绍了基于模型的机器学习在通信系统中的应用。作者从整体上审视了已有策略,将其与深度学习方法进行比较,并关注于通信接收器中的符号检测问题,探讨了深度架构、深度展开和 DNN 辅助混合算法等不同策略的优缺点。最后,提出了未来设计基于模型的深度学习系统的指导方针。
Jan, 2021
本研究论文提出了一种新型的通用深度神经网络 (Uni-DNN),可以在不需重新训练模型的情况下,在各种无线环境中实现高检测性能。该模型由无线信道分类器和信号检测器组成,可广泛适用于多种无线信道分布,通过使用卷积神经网络进一步提高信号检测性能,并在实际低导频密度场景中,较常规的基于深度学习的方法以及最小二乘和最小均方误差信道估计器具有更低的误码率性能。
Apr, 2024
本文提出了一种使用神经网络自编码器进行端到端学习的通信系统的新的学习算法,该算法可以训练具有未知信道模型或具有不可微分组件的通信系统,并在软件定义无线电上实现,并在同轴电缆和无线信道上实现了最先进的性能。
Dec, 2018
该文章回顾了最近在物理层通信中使用模型驱动深度学习方法的应用,包括传输方案、接收机设计和信道信息恢复,并在展示全面调查后,提出了若干进一步研究的开放问题。
Sep, 2018
该研究利用深度学习进行检测,通过提出一种双向递归神经网络(SBRNN)的技术,能够在不知道通道模型的情况下进行检测,且在分子通信系统中表现出良好的性能。
Jan, 2018
提出了一种基于深度学习和变分推断的框架,用于设计具有噪声传输符号的端到端通信系统,同时系统性地集成了通道类型等领域知识,在多个流行通道模型中击败了以前利用深度学习模型的先前工作,实现更好的打包密度和更快的速度。
Apr, 2019