Mar, 2018

OFDM 自编码器用于通信系统端到端学习

PDF
TL;DR通过基于深度神经网络的自编码器对带循环前缀的正交频分复用系统的端到端学习进行扩展，该实现具有与传统 OFDM 系统相同的优点，在频率选择性衰落通道上比较了自编码器系统与基线系统的性能，并研究了非线性放大器的影响。
发现论文，激发创造
  • 优化干扰抑制的端到端自编码通讯

    该研究基于正交频分复用建立了一个端到端的通信系统，将其建模为自动编码器，并将传输器和接收器表示为编码器和解码器的深度神经网络。该方法通过干扰训练和随机平滑等技术，以及引入增强训练数据的生成对抗神经网络，优于传统通信方案。同时，还将此方法扩展到多输入多输出情况，并演示其相对于传统方法的误码率性能提高。

    Dec, 2021

  • OFDM 端到端学习：从神经接收器到无导频通信

    本研究针对频率和时间选择性衰落信道，探讨端到端学习在无线通信上的应用，通过神经网络接收机代替传统正交导频，并使用超定位信号，线性复合和优化星座几何图形等技术替换正交导频，实现了与基线方案相同的误比特率和相对 7％的吞吐量提高，表明协同学习的发射机和接收机是超越 5G 通信系统的一个有趣组成部分，可以消除解调参考信号的需求和相关控制开销。

    Sep, 2020

  • OFDM 系统中通道估计和信号检测的深度学习能力

    通过深度学习来解决频率选择性衰落以及噪声问题，从而实现在 OFDM 系统中的信道估计和信号检测。

    Aug, 2017

  • 基于深度学习的一比特正交频分复用接收机

    本文提出了基于深度学习的新颖 OFDM 解调器，该解调器采用单比特量化技术，并设计了一种新的生成式有监督深度神经网络 (DNN) 进行通道估计，并使用神经网络进行数据检测来降低位错率 (BER) 和错误地板。我们的深度学习通道估计和数据检测设计超过了传统的 OFDM 方法，在信噪比 10dB 的情况下表现良好。

    Nov, 2018

  • 基于深度学习的 MIMO 通信

    论文提出了一种新颖的基于无监督深度学习的物理层方案，该方案在单用户多输入多输出 (MIMO) 通信中具有显著的潜力，其考虑了空间多样性和空间复用技术，并将无线信道失真模型引入自编码器优化问题中。

    Jul, 2017

  • 无模型训练端到端通信系统

    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

  • 基于深度学习网络的 OFDM 系统频谱感知方法

    本文提出了两种基于深度学习网络的 OFDM 信号感知框架，分别为 SAE-SS 和 SAE-TF，与传统的 OFDM 感知方法相比，这两种方法可以更好地处理噪声不确定性、时延和载波频偏，同时提高了感知准确度。

    Jul, 2018

  • 无信道模型的通信系统端到端学习

    本文提出了一种新颖的学习算法，通过监督接收器的训练和基于强化学习的发射器训练之间的迭代来解决没有可微通道模型的端到端通信系统学习问题，并在加性白噪声和瑞利衰落信道上证明了该方法的有效性。

    Apr, 2018

  • 无线多径衰落环境下基于 OFDM 的深度联合源信道编码

    本研究提出了一种基于深度学习和卷积神经网络的联合源通道编码方案来提高无线图像传输效果。与传统方案相比，该方案可以获得相当于 2.5-4dB 的信噪比增益和更好的图像质量。

    Sep, 2021

  • AI 辅助的在线自适应 OFDM 接收机：设计和实验结果

    本研究比较了两种基于 AI 的 OFDM 接收机，通过广泛的模拟和实时视频传输进行实验，并开发了一种新型的在线训练系统 SwitchNet，以适应真实环境。试验结果表明 AI 辅助的 OFDM 接收机在未来的通信系统中很有前途。

    Dec, 2018