利用变分生成对抗网络从观测中学习随机信道模型逼近虚空

May, 2018

利用变分生成对抗网络从观测中学习随机信道模型逼近虚空

Approximating the Void: Learning Stochastic Channel Models from Observation with Variational Generative Adversarial Networks

PDF

Timothy J. O'Shea, Tamoghna Roy, Nathan West

TL;DR本研究提出使用变分生成对抗网络来解决无线信道建模中的问题，可以精确地捕捉随机的信道响应，并且可以在一系列真实信道分布上优化性能。

Abstract

channel modeling is a critical topic when considering designing, learning, or evaluating the performance of any communications system. Most prior work in designing or learning new modulation schemes has focused on using highly simplified analytic channel models such as additive white G

channel modeling generative adversarial networks machine learning variational gan stochastic channel response

发现论文，激发创造

基于生成式神经网络的毫米波信道建模

本文提出了一种基于生成神经网络训练的方法来构建并评估毫米波波段的 28GHz 空地信道通信系统的统计信道模型，该方法考虑了每个链路的延迟、方向和路径增益，并在最小化先验假设的情况下通过训练数据自动生成通道损耗、延迟和角度信息。

Aug, 2020

使用生成神经网络的联邦信道建模系统

该研究提出了一种基于数据驱动的、利用联邦学习（FL）和生成对抗网络（GAN）的方法，用于在无人机上的毫米波无线网络中进行空地信道估计。通过将 FL-GAN 与其他生成模型进行比较，结果表明，FL-GAN 所生成的合成数据分布与真实数据的相似度最高，有效地展示了该方法在生成数据驱动的信道模型方面的实用性。

May, 2023

时变无线通信信道的衰落和阴影建模

在这篇论文中，我们提出了一种将深度学习神经网络与混合密度网络模型相结合的新方法，以得到普通无线通信系统中给定通信距离的接收功率的条件概率密度函数（PDF）。此外，我们还设计和实现了一种深度迁移学习方案，使得信道模型能够动态适应通信环境的变化。通过在 Nakagami 衰落信道模型和 Log-normal 阴影信道模型上进行广泛实验，结果表明新方法比以前基于深度学习的信道模型在统计准确性、速度和鲁棒性方面更好。

May, 2024

基于生成扩散模型的射频无线信道建模与采样

本文提出了一种基于扩散模型的信道采样方法，用于快速合成有限数据中的信道实现。实验证明，相比于基于 GAN 的方法，该基于扩散模型的方法在训练稳定性和生成多样性方面表现更好，并且可以使用有限数据对真实世界信道进行建模。

Aug, 2023

基于深度学习和条件生成对抗网络的端到端无线通信系统与未知信道

本研究提出使用条件生成对抗网络模拟信道影响来优化端到端通信系统，解决了信道状态信息难以获取的问题，并在多种信道中得到有效验证。

Mar, 2019

学习随机过程的条件生成模型

提出了一种学习多模态分布的框架 —— 条件量子生成对抗网络（C-qGAN），该神经网络结构严格在量子电路内，因此显示出比当前方法更有效的状态准备程序。将这一方法应用于定价亚式期权衍生品，为进一步研究其他路径依赖期权打下了基础。

Apr, 2023

基于 GAN 的实时超可靠通信中的 EVT 模型参数估计

首次将极值理论和生成对抗网络相结合，以实现实时的准确信道建模，通过模拟实验表明，该方法在样本量有限的情况下优于最大似然估计。

Jan, 2024

使用扩散模型进行端到端信道编码学习

通过扩散模型对信道进行近似处理，提出了一个高效的基于扩散模型的端到端信道编码框架，模拟结果表明扩散模型能准确学习信道分布，从而实现接近最优的端到端符号误码率，并具有在高信噪比区域具有稳健的泛化能力的优势。

Sep, 2023

多模型生成对抗网络基于随机动态学习与精确生成

本研究中我们使用生成对抗网络（GANs）学习格点上原型随机过程，并通过合适的噪声添加成功地使生成器和判别器的损失函数接近最优值。然而，典型的对抗式方法中振荡仍然存在，这损害了模型选择和生成轨迹的质量。我们演示了使用随机生成器推进随机轨迹的适当的多模型程序，可以显著提高精度。基于报告的发现，GANs 是解决复杂统计动力学的有前途的工具。

May, 2023

基于条件 GAN 的通道无关端到端学习通信系统

本文提出了使用深度神经网络的端到端通信系统，并使用条件生成对抗网络表示了通道效应，从而构建了一种不需要先前信息的通道不可知的端到端系统。

Jul, 2018